基于BP神经网络的锂电池组SOC估算

电池荷电状态(SOC)的精确估计是电动车辆的核心技术之一,对影响电池荷电状态的因素进行分析归纳后,采用经典反向传播神经网络(BP神经网络)算法的动力电池SOC估计方法。利用高级车辆仿真软件ADVISOR对电动汽车典型行驶工况进行模拟,得到动力电池组电压、电流、平均温度和荷电状态数据,样本数据经归一化处理后导入神经网络模型中训练和测试,结果表明,该算法能有效提高SOC估算精度,具有较好的收敛性和鲁棒性,SOC估计误差范围能减小到4%以内,满足实际应用的需求。     

电动汽车电池管理系统SOC估计方法分析

电动汽车电池管理系统是对车用动力电池组进行安全监控及有效管理,提高电池使用效率的装置。电池的荷电状态(SOC)是电池状态分析的核心问题,准确估计SOC是电池管理系统最为重要的功能之一。本文综述了锂离子电池SOC估计模型,分析了目前主流的电池SOC估计方法,并对未来SOC研究方向进行了探讨。     

三种常用动力锂电池模型分析与比较

为了获得更优的用于电动汽车荷电状态(SOC)估计的动力锂电池模型,分别针对美国新一代汽车合作伙伴计划(PNGV)模型、Thevenin模型、Universal模型三种常用的适合于锂电池SOC估计的非线性模型在特定放电工况下利用matlab/simulink进行建模、参数辨识和仿真,依据实验结果分析比较其模型精确度、响应特性以及应用可行性。最终综合比较得出PNGV模型精度更高、鲁棒性强,也更加适合实践应用的结论。     

ISAD混合动力汽车蓄电池SOC估算方法的研究

蓄电池荷电状态SOC(State of Charge)是电池使用过程中的重要参数。为了能够精确地预测蓄电池剩余电量,本文在对3种SOC基本估算方法分析和比较的基础上,采用了一种新的以蓄电池端电压和内阻为参数进行估计的方法,并按此种方法进行了蓄电池放电试验。试验结果表明这种算法在SOC小于0.45时计算精确,能用来预测混合动力汽车蓄电池剩余电量。     

电动汽车远程监控平台的电池SOC估算

为充分发挥远程监控平台的监控和故障预警作用,针对电动汽车动力电池荷电状态(State OfCharge,SOC)精准估算对汽车控制和安全运行的重要性,利用车辆上传监控平台的运行数据进行SOC估算研究.通过减聚类算法计算隐层中心数,用量子粒子群(Quantum Particle Swarm Optimization,QP...     

电池管理系统荷电状态估算策略的设计

以电池管理系统荷电状态为研究对象,主要侧重于设计电池工作过程中真实、显示SOC的估算策略。在估算策略的设计过程中,充分考虑了影响电池管理系统荷电状态的因素。在荷电状态估算算法上采用了安时积分法结合开路电压法,对电池真实SOC进行估算,并增加了小电流修正环节,最后通过Simulink建立电池管理系统荷电状态估算策略模型。     

基于BP神经元网络的锂电池温度预测

针对锂电池温度预测困难、精确度差等问题,研究小组提出一种基于神经网络的锂电池温度预测方法.首先通过锂电池温升特性实验平台对锂电池放电过程的热力学特性展开研究,通过分析选取SOC(电池荷电状态)、放电电流、环境温度等特征参量为输入参数,结合BP神经网络算法,搭建了基于实验与BP神经网络的电池表面温度快速预测模型,采用未参...     

电动汽车用锂离子电池荷电状态的卡尔曼滤波算法

在考虑电动汽车蓄电池在使用过程表现的高度非线性基础上,分析了影响电池荷电状态的主要因素及其处理方法,建立了改进的二阶线性化电路模型,采用KALMAN滤波法与安时计量法的组合算法来精确估算电池荷电状态,通过Matlab/Simulink仿真,验证该方法的可行性及准确性。     

对目前汽车实训中心蓄电池的管理与维护分析

随着世界经济发展,电动车在世界汽车行业中占据着越来越重要的地位,蓄电池在电动车的运行中具有至关重要的作用。电动车动力蓄电池的性能和能量管理系统,对于整个电动车行业来说,具有十分深远的影响。电池荷电状态是电池管理系统中非常重要的一个功能。动力蓄电池能够可靠运行或者电动汽车的动力能够稳定输出,最重要的就是事先进行电池荷电状态估计。本文主要对目前汽车实训中心蓄电池的管理与维护进行详细分析,从而找到有效的解决办法。     

基于扩展卡尔曼滤波的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化。针对动力电池这一动态非线性系统,在二阶RC电池等效模型中增加了表征温度效应的等效电阻,提出了一种基于扩展卡尔曼滤波的锂电池荷电状态估计算法。该算法通过构建状态方程和量测方程,经历预测、修正和估算3阶段,实现了对锂电池的荷电状态的估算。     

基于无迹卡尔曼滤波的并联型电池系统SOC估计研究

为准确估计由多个电池单体构成的并联型电池系统的荷电状态(SOC),以SOC与电池极化电压为系统状态变量,提出基于无迹卡尔曼滤波法的并联型电池系统荷电状态估计算法,建立电池系统SOC估计平台,在恒流和脉冲两种工况下,通过UKF算法与EKF算法的对比分析,证明了采用UKF算法进行并联型电池系统SOC估计的结果更准确、鲁棒性更强。     

车道保持系统的车辆状态预测模型

针对目前车道保持系统中车速变化较大时,被控车辆偏移量较大的问题,通过状态预测方法,设计了用于单目视觉车道保持系统的状态预测模型.单目摄像头识别预瞄点处车一路偏差,考虑车辆经过预瞄时间后的状态变化量,设计基于车辆状态的预瞄点处车一路偏差模型.通过仿真与实车试验验证,说明提出的车辆预测模型能够准确预测出预瞄点处的车一路偏差,减小预测模型误差,提高车道保持系统控制精度和准确性,一般工况下,能够使车-路偏移量控制在10 cm以下.与目前采用的简化车路偏差模型相比较,能够提高被控车辆对于车道中心线的跟随性能.     

锂电池分数阶等效电路模型的对比研究

为了分析模型误差对电池荷电状态估计的影响,以某三元锂电池为研究对象,对分数阶与整数阶的电池等效电路模型进行了比较分析。运用粒子群算法对模型进行参数辨识,进一步利用分数阶卡尔曼滤波算法实现电池的SOC估计,并与基于整数阶电池模型的SOC估计进行比较。实验结果表明,分数阶电池模型相较于整数阶模型具有更高的精度。     

大载荷无人直升机静电喷雾沉积特性试验研究

为探索在大载荷植保无人直升机下洗气流作用下各因素对静电喷雾沉积特性的影响规律,将正交试验与Box-Behnken响应面试验相结合,在定性分析的基础上,建立起沉积特性参数与荷电电压、飞行参数等影响因素之间的数学预测模型,定量地分析了各因素对沉积特性的影响.结果表明:大载荷无人直升机静电喷雾沉积特性受施药过程中荷电电压和飞行参数的影响显著.雾滴单位面积沉积量与荷电电压成正相关,与飞行速度、飞行高度成负相关.相同飞行参数下(飞行速度5m/s、飞行高度4m),荷电电压8kV的静电喷雾单位面积沉积量为0.3180μL/cm²,比非静电喷雾单位面积沉积量提高了1.17倍.与此同时,沉积量变异系数与飞行速度成正相关,与荷电电压、飞行高度成负相关,即增加荷电电压、降低飞行速度或者提高飞行高度能有效改善雾滴的沉积均匀性.     

大数据在电动汽车电池管理的应用研究综述

梳理并分析了大数据视角下国内外对电池管理系统(Battery Management System, BMS)中荷电状态(State of Charge, SOC)估计、健康状态(State of Health, SOH)评估、故障诊断,续行驶里程预测的各种研究方法,总结了当前存在的问题并展望未来研究方向,为相关研究提供参考。     

电动汽车用电负荷预测及对城市电网的影响

电作为一种重要的清洁能源,必将带动电动汽车行业的发展。本文通过对西宁市电动汽车现状的分析,按照政府"十三五"期间充电站规划方案,预测电动汽车用电负荷,分析充换电设施运行以后对电网带来的影响。     

一种基于车路偏差模型的车道保持系统开发

为解决由于行驶环境较大的不确定性影响车辆横向运动控制系统对于车道中心线的跟随性能问题,通过状态预测方法,结合最优控制策略设计了车辆横向控制算法。本文通过基于状态预测的横向车辆模型的建立和控制器的设计,预测了车-路偏差,提高了控制系统的控制精度。试验结果说明,采用本文建立的基于状态预测的最优控制算法能够有效降低被控车辆在行使环境变化范围较大工况下的车-路偏移量,在该工况下系统具有良好的跟随性能。     

一种低成本软件标定方法

BMS作为电动汽车的重要零部件,是汽车动力驱动的核心,主要进行动力电池的监控和管理,通过对电压、电流、温度及SOC等参数采集、计算,进而控制电池的充放电过程,实现对电池的保护,提升电池综合性能。BMS算法的稳定性受一些标定参数的制约,如果参数标定不正确,会大幅度影响电池的性能。文章提出了一种低成本软件标定协议,降低了标定设备的成本,供参考。     

混合动力镍氢电池荷电状态估计

针对混合动力镍氢电池,研究它的原理和特性,并选用Thevenin模型建立该电池的动态数学模型。考虑充放电效率(充放电倍率和温度)对电池荷电状态(SOC)的影响,在MATLAB软件里利用编程功能编写改进的无迹卡尔曼滤波(UKS)算法估算电池SOC的程序,再采用UDC工况实验对SOC进行仿真分析和验证。结果表明:UKS算法适用于估算混合动力汽车镍氢电池的SOC,而且比EKS算法具有更高的估算精度。     

基于SSA-LSTM的玉米土壤含氧量预测模型

土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。