Paradigmas de aprendizado de máquina aplicados à previsão de carga de baterias para veículos híbridos

Abstract

Resumo: Uma das alternativas para a diminuição da poluição, seja esta sonora ou por gases e particulados, são os veículos híbridos, que combinam a autonomia do motor à combustão com os benefícios dos motores elétricos. Entretanto, por estes veículos contarem com baterias, o gerenciamento de energia destes veículos se torna determinante para uma adequada autonomia. Por outro lado, aprendizado de máquina é uma abordagem que trata do projeto e desenvolvimento de algoritmos que melhoram automaticamente com a experiência inspirado no comportamento de aprendizado de humanos. Tal comportamento pode ser obtido por meio do ajuste de parâmetros com base nos dados de entrada que são apresentados e, em alguns casos, nas informações de saída desejadas. Um dos focos da pesquisa em Aprendizado de Máquina é aprender automaticamente a reconhecer padrões complexos e tomar decisões com base em dados. Esta dissertação tem como objetivo principal a modelagem do estado de carga das baterias, usando diferentes técnicas de Aprendizado de Máquina para tarefa de identificação de sistemas, tais como máquinas de vetores de suporte, redes neuro-nebulosas (neuro-fuzzy), bagging, boosting, subspace e redes com estado de eco. Para avaliar o desempenho dos modelos matemáticos de Aprendizado de Máquina foram adotados dois índices de desempenho: (i) o erro quadrático médio (Mean Squared Error, MSE) e (ii) o coeficiente de determinação (R2). Pelos resultados obtidos, observou-se que alguns métodos de Aprendizado de Máquina apresentaram uma aproximação de boa qualidade quando comparada a saída real das cargas das baterias, isto evidenciado pelos valores de MSE e R2

Abstract: One of the alternatives for the pollution reduction, the hybrid vehicles combines the autonomy of the engine to the combustion with the benefits of the electric motors. However, because these vehicles have batteries, the energy management of these vehicles becomes decisive for an adequate autonomy. On the other hand, machine learning is an approach that deals with the design and development of algorithms that automatically improve with the experience inspired by human learning behavior. Such behavior can be achieved by adjusting parameters based on the input data that is presented and in some cases on the desired output information. One of the focuses of Machine Learning research is to automatically learn to recognize complex patterns and make decisions based on data. This work has as main objective the modeling of the batteries state of charge using different Machine Learning techniques applied to system identification task, such as support vector machines, neuro-fuzzy networks, bagging, boosting, subspace and echo state networks. In order to evaluate the performance of Machine Learning mathematical models, two performance indices were adopted: (i) the mean squared error (MSE) and (ii) the coefficient of determination (R2). From the results obtained, it was observed that some methods of Machine Learning presented a good quality approximation when compared to the actual output of the loads of the batteries, evidenced by the MSE and R2 values.