Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/43832
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPinto, Vandilberto Pereira-
dc.contributor.authorFrota da Costa, Erick-
dc.date.accessioned2019-07-22T14:24:30Z-
dc.date.available2019-07-22T14:24:30Z-
dc.date.issued2019-07-
dc.identifier.citationCosta. E., F.pt_BR
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/43832-
dc.descriptionCosta E., F. Predição da descarga e da capacidade de baterias li-on utilizadas em vants. 2019. 95 f. Dissertação (Mestrado em Engenharia Elétrica e da Computação) - Campus de Sobral, Universidade Federal do Ceará, Sobral, 2019.pt_BR
dc.description.abstractThis research aims to perform a prediction study of the capacity and discharge of lithium ion batteries (Li-Ion) from a set of a NASA database. These batteries are commonly used in UAVs (Unmanned Aerial Vehicles) because it presents characteristics such as lightness, high energy density, large number of discharge cycles, among others. The prediction methods are used in the form of supervised learning, in which algorithms are fed part of the NASA database’s inputs and outputs. The methods used in this study were: Non-recursive least squares, Discrete Kalman Filter, Artificial Neural Network with ELM (Extreme Learning Machine) training, Particle Filter and Unscented Kalman Filter. In order to make a comparative analysis of these, RMSE (Root-Mean-Square Error), R2 (correlation coefficient) and computational cost were used. In addition, PHM (Prognostics and Health Management) techniques were used alongside the aforementioned ones, utilizing a threshold-based failure methodology as well as prediction barriers for the capacity with 95% confidence intervals.pt_BR
dc.language.isopt_BRpt_BR
dc.publisherUniversidade Federal do Cearápt_BR
dc.subjectBaterias li-onpt_BR
dc.subjectVantspt_BR
dc.subjectPHMpt_BR
dc.subjectRNA ELMpt_BR
dc.subjectFiltro de Partículaspt_BR
dc.subjectFiltro de Kalman Unscentend.pt_BR
dc.titlePredição da descarga e capacidade de baterias li-on utilizadas em vantspt_BR
dc.typeDissertaçãopt_BR
dc.description.abstract-ptbrEsta pesquisa busca realizar um estudo de predição da capacidade e descarga de baterias de íons de lítio (Li-Ion) de um conjunto de base de dados da NASA. Essas baterias são comumente usadas em VANTS (Veículos Aéreos não Tripulados) por apresentar certas características, como: leveza, alta densidade energética, grande quantidade de ciclos de descarga, entre outras. Os métodos de predição são usados na forma de aprendizagem supervisionada, na qual os algoritmos são informados das entradas e saídas de uma parte da base de dados da NASA. Os métodos usados para este estudo foram: Mínimos quadrados não recursivos, Filtro de Kalman Discreto, Rede Neural Artificial com o treinamento ELM (Máquina de Aprendizagem Extremo), Filtro de Partículas e Filtro de Kalman Unscented. Para se fazer uma análise comparativa destes, foram usados o RMSE (raiz do erro quadrático médio), R2 (coeficiente de correlação) e o custo computacional. Além disso, foram utilizadas técnicas de PHM (Prognostics and Health Management ou Prognóstico e Gerenciamento de Saúde) junto às técnicas citadas, com uma metodologia de falha baseada em threshold e barreiras de predição para a capacidade com intervalos de confiança de 95%.pt_BR
dc.title.enDischarge and capacity prediction of lithium ion batteries used in UAVSpt_BR
Appears in Collections:PPGEEC - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2019_dis_efcosta.pdf2,37 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.