Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 2

Battery Discharge forecast applied in Unmanned Aerial Vehicle

10.15199/48.2016.02.49

nr katalogowy: 96949
10.15199/48.2016.02.49

This paper proposes a comparative study methodology for the prediction of Li-Po (Lithium Ion Polymer) batteries discharge in UAVs (Unmanned Aerial Vehicles) using four approaches based on Artificial Neural Networks (ANNs) using Multilayer Perceptron (MLP) and Extreme Learning Machine (ELM) techniques, Polynomial Regression, and Kalman Filter (KF). The information estimates are important to assist in making decisions on which missions can be addressed to UAVs when supplied by such batteries. The data series for the experiments are obtained from tests carried out on a test bench. Streszczenie. W artykule przedstawiono stadium porównawcze metodologii przewidywania procesu rozładowania baterii litowych wykorzystujących sieci neuronowe. Baterie te były stosowane w pojazdach typu dron. Przewidywanie procesu rozładowania baterii w pojazdach typu dron Keywords: Artificial Neural Networks; Batteries; Kalman Filter; Polynomial Regression; UAVs. Słowa kluczowe: sztuczne sieci neuronowe; baterie; Filtr Kalmana; Wielomian regresji; UAV. Introduction The use of batteries in UAVs provides some prominent advantages over the use of propellant combustion. Among them, it is worth to mention that weight, noise, and emission are drastically reduced, while improved power control capability also exists [1]. Batteries are energy storage devices that convert chemical energy into electric power, and vice-versa. Batteries are constituted by a pair of electrodes (anode and cathode) immersed in an electrolyte [2]. However, it is very important to monitor the battery state of charge in UAVs. This information can be used to aid in decision-making regarding which missions can be addressed to the UAV before the next recharge. There are many uncertainty factors for the proper monitoring of batteries such as the state of charge, state of health and the discharge curve, which all characterize the battery status. This work presents a comparative study of techniques [...]

Bibliografia

[1] Bole, B.; Daigle, M and Gorospe, G. (2014). Online prediction of battery discharge and estimation ofparasitic loads for an electric aircraft. Proceedings of the European Conference of thePrognostics and Health Management Society, Nantes.
[2] Huggins, R. (2008). Advanced Batteries: Materials ScienceAspects, 1st ed., Springer.
[3] Gyro-200ED-X8. available in: www.gyrofly.com. br
[4] Rojas, R., (1996). Neural Networks: A Systematic Introduction. Springer, Berlin.
[5] Ali Khadem, Gholam-Ali Hossein-Zadeh. (2014). Estimation of direct nonlinear effective connectivity using information theory and multilayer perceptron. Journal of Neuroscience Methods, Volume 229, Pages 53-67. doi:10.1016/j.jneumeth.2014.04.008
[6] Sang-Hoon Oh. (2011). Error back-propagation algorithm for classification of imbalanced data. Neurocomputing. doi:10.1016/j.neucom.2010.11.024
[7] G. B. Huang, Q. Y. Zhu, and C. K. Siew. (2006).Extreme learning machine: theory and applications. Neurocomputing. doi:10.1016/j.neucom.2005.12.126
[8] Magee, Lonnie (1998). Nonlocal Behavior in Polynomial Regressions. The American Statistician (American Statistical Association) 52 (1): 20-22. doi:10.2307/2685560
[9] Chui, Charles K.; Chen, Guanrong. (2009).Kalman Filtering with Real-Time Applications. 4th ed. New York: Springer. 229 p. vol. 17
[10] Orchard M. E. and Vachtsevanos G. J. (2009). A particlefiltering approach for on-line fault diagnosis and failure prognosis. Transactions of the Institute of Measurement and Control, No. 31; pp. 221-246.
[11] Chi Keong Reuben Lim, David Mba. (2015). Switching Kalman filter for failure prognostic. Mechanical Systems and Signal Processing, Volumes 52-53. doi:10.1016/j.ymssp.2014.08.006

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 96949 "Battery Discharge forecas..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2016-2 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2016-2

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma