Abstract:
Datorită avansului tehnologic numărul sistemelor alimentate cu baterii a suferit o creștere rapidă. Din acest motiv, monitorizarea stării de degradare a bateriei precum şi estimarea timpului rămas de utilizare a devenit o problemă importantă.
Sistemele de management al bateriilor joacă un rol important în acest context, ele dezvoltându-se de la simple sisteme de monitorizare a încărcării şi descărcării bateriilor până la sisteme complexe care monitorizează multiplii parametrii ai bateriei şi oferă estimări în legătură cu starea de sănătate a acesteia.
Lucrarea de faţă abordează problema estimării stării de degradare a bateriilor reîncărcabile. Unul din obiectivele importante al acesteia este prezentarea detaliată a multitudinii de metode de estimare existente, prezentând avantajele şi dezavantajele fiecăreia dintre ele în funcţie de un set bine definit de criterii mergând de la chimia bateriei până la eroare de estimare şi complexitatea computațională.
Dezvoltarea domeniului de inteligenţă artificială în tandem cu îmbunătăţirile din domeniul hardware al procesoarelor a făcut ca implementarea reţelelor neuronale să fie posibilă pe sisteme încorporate.
Unul din cele mai importante obiective ale acestei teze este definirea unei metode noi de estimare a stării de degradare a bateriilor bazate pe reţele neuronale de tip GRU. Evaluarea performanţelor metodei implementată pe PC intr-un mediu de simulare este detaliată în comparaţie cu implementările reale pe diferite sisteme încorporate.
Nu în ultimul rând, un alt obiectiv important este definirea unui sistem cadru pentru evaluarea performanțelor metodelor de estimare a stării de degradare a bateriilor pe sisteme încorporate, în termeni de complexitate computațională, consum de energie şi eroare de estimare. Utilitatea acestui sistem cadru este compararea metodelor existente precum şi sprijinirea dezvoltării unor metode noi de estimare.
