A Comparative Study Battery Modeling between Equivalent Circuit and Neural Network for UAVs Using Real Flight Data

Abstract

งานวิจัยนี้นำเสนอการศึกษาเชิงเปรียบเทียบของแบบจำลองแบตเตอรี่สำหรับอากาศยานไร้คนขับ โดยมุ่งเน้นที่การเปรียบเทียบระหว่างแบบจำลองวงจรไฟฟ้าสมมูลกับแบบจำลองโครงข่ายประสาทเทียม และประเมินประสิทธิภาพของแต่ละแบบจำลองด้วยค่าความคลาดเคลื่อนรากที่สองของค่าเฉลี่ยกำลังสองของแรงดัน ที่ขั้วเทียบกับค่าวัดจริงในการประเมินสองครั้ง คือ ครั้งแรกในรอบแรก หรือแบตเตอรี่สภาพใหม่ และครั้งที่สอง เมื่อแบตเตอรี่สภาพเก่า หรือเมื่อใช้งานในการจ่ายโหลดสำหรับการบินสำรวจพื้นการเกษตรในรอบที่ 50 ผลการทดสอบในรอบแรกพบว่า แบบจำลองวงจรไฟฟ้าสมมูลมีความแม่นยำสูงได้ค่าคลาดเคลื่อน 0.1544 ในทางตรงกันข้ามแบบจำลองโครงข่ายประสาทเทียมเกิดปัญหาจากชุดข้อมูลฝึกที่จำกัดได้ค่าคลาดเคลื่อน 0.8742 เมื่อแบตเตอรี่เสื่อมสภาพลง แบบจำลองวงจรไฟฟ้าสมมูลมีความแม่นยำลดลงเนื่องจากไม่สามารถปรับตัวตามพฤติกรรมที่เปลี่ยนแปลงไปตามจำนวนรอบที่เพิ่มขึ้น ในขณะที่แบบจำลองโครงข่ายประสาทเทียมมีผล การพยากรณ์ดีขึ้นได้ค่าคลาดเคลื่อน 0.472 ผลการศึกษานี้ชี้ให้เห็นว่าแบบจำลองวงจรไฟฟ้าสมมูลจะแม่นยำเมื่อแบตเตอรี่สภาพใหม่แต่ขาดความสามารถในการปรับตัวจึงต้องอาศัยปรับปรุงค่าพารามิเตอร์เสมอ โดยที่แบบจำลองโครงข่ายประสาทเทียมสามารถเรียนรู้พฤติกรรมของเแบตเตอรี่ที่เสื่อมสภาพได้

This research presents a comparative study of battery models for unmanned aerial vehicles (UAVs), focusing on the comparison between the equivalent circuit model (ECM) and the artificial neural network (ANN) model. The performance of each model is evaluated based on the root mean square error (RMSE) between the estimated terminal voltage and the actual measured value in two evaluations: first, with a fresh battery, and second, with an aged battery after being used in flight operations for agricultural area surveys in the 50th cycle. The test results in the first cycle show that the ECM provides high accuracy, with an RMSE of 0.1544. In contrast, the ANN model, affected by the limitation of its training dataset, yields a higher error of 0.8742. When the battery degrades, the ECM’s accuracy decreases due to its inability to adapt to behavioral changes across increasing cycles. Meanwhile, the ANN model shows improved prediction performance, with an RMSE of 0.472. These findings indicate that while the ECM offers high accuracy for fresh batteries, it lacks adaptability and requires parameter updates. On the other hand, the ANN model can learn degraded battery behavior.