Banca de QUALIFICAÇÃO: RÔMULO NAVEGA VIEIRA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: RÔMULO NAVEGA VIEIRA
DATA: 11/02/2021
HORA: 09:00
LOCAL: Videoconferência
TÍTULO: Modelo para Estimação do Estado de Carga e Saúde de Baterias de Lítio-Íon Baseado em Redes Neurais com Função de Custo em Correntropia
PALAVRAS-CHAVES: Identificação de Sistemas Dinâmicos, Estado de Carga e Saúde, Baterias, Função de Custo, Correntropia, Outliers.
PÁGINAS: 79
RESUMO: O grande interesse na identificação de sistemas dinâmicos não-lineares deve-se, principalmente, ao fato de que uma grande quantidade dos sistemas reais são complexos e precisam ter suas linearidades consideradas para que seus modelos possam ser utilizados com sucesso em aplicações, por exemplo, de controle, predição, inferência, entre outros. Um exemplo de um sistema dinâmico não-linear é a bateria. Compreender o envelhecimento da bateria é um processo complexo, pois muitos fatores, desde as condições ambientais às condições operacionais de uso, interagem para gerar diferentes efeitos de envelhecimento e degradação. O presente trabalho analisa a aplicação das Redes Neurais Artificiais na identificação de indicadores de desempenho e saúde em baterias. Normalmente, o aprendizado dessas redes é realizado através de algum método baseado em gradiente, tendo o erro médio quadrático como função de custo. Este trabalho analisa a substituição dessa tradicional função de custo por uma medida da similaridade da Teoria da Informação, a Correntropia. Esta medida de similaridade permite que momentos estatísticos de ordem superior possam ser considerados durante o processo de treinamento. Devido a este fato, ela se torna mais apropriada para distribuições de erro não gaussianas e faz com que o treinamento apresente menor sensibilidade à presença de outliers. Para avaliar esta substituição, modelos RNAs são obtidos na identificação de dois estudos de caso: o Estado de Carga (SoC) e Estado de Saúde (SoH) das baterias. Os resultados demonstram que a utilização da correntropia, como função de custo no algoritmo de retropropagação de erro, torna o procedimento de identificação utilizando Redes Neurais mais robusto à outliers, bem como minimiza os erros de estimação do modelo. Os resultados preliminares mostram que o SoC e o SoH foram estimados de forma satisfatória sob todas as diferentes condições de operação consideradas neste trabalho, com média do Erro Médio Relativo Percentual de 0.246% para o SoC e 0.01746% para o SoH.
MEMBROS DA BANCA:
Interno - 1783447 - EULER CASSIO TAVARES DE MACEDO
Externo à Instituição - IVANOVITCH MEDEIROS DANTAS DA SILVA
Presidente - 1972280 - JUAN MOISES MAURICIO VILLANUEVA