Identification intelligent de l’état de charge d’une batterie

Abstract

Abstract: The State of Charge (SOC) is a relative measure of the amount of energy stored in a battery, defined as the ratio between the cell's charge at a certain moment and its total capacity. An accurate estimation of the state of charge is important because battery management systems (BMS) use it to inform the user of the remaining capacity until the next recharge, ensure the proper functioning of the battery, implement control strategies, and ultimately maximize the battery life. In this work, we presented an experimental study of SOC identification systems using an Arduino microcontroller board. We demonstrated the practical implementation of a test bench associating a microcontroller cascaded with a battery and intermediate Hall effect electric sensors. In the context of this study, we integrated two SOC identification methods: a classical method based on a mathematical model and an intelligent method based on artificial neural networks. The study and analysis of the performance obtained show the good efficiency of the microcontroller board in executing the implementation of the two methods in real time. Résumé: L'état de charge (SOC) est une mesure relative de la quantité d'énergie stockée dans une batterie, définie comme étant le ratio entre la charge de la cellule à un certain moment et sa capacité totale. L'estimation précise de l'état de charge est importante car les systèmes de gestion de batteries (BMS) l’utilisent pour informer l'utilisateur de la capacité restante jusqu’à la prochaine recharge, assurer le bon fonctionnement de la batterie, implémenter des stratégies de contrôle et, à terme, maximiser la durée de vie de la batterie. Dans ce travail nous avons présenté une étude expérimentaledes systèmes d’identification du SOC en utilisant d’une carte microcontrôleur Arduino. Nous avons montré la réalisation pratique d’un banc d’essai d’association d’un microcontrôleur en cascade avec une batterie et en intermédiaire des capteurs électriques à effet de Hall. Au sens de ce contexte, nous avons intégré deux méthodes d’identification du SOC : Une méthode classique à base d’un modèle mathématique et une méthode intelligente à base des réseaux de neurones artificiels. L’étude et l’analyse des performances obtenues montrent la bonne efficacité de la carte microcontrôleur pour exécuter l’exécution de deux méthodes en temps réel.