共查询到18条相似文献,搜索用时 203 毫秒
1.
基于LS-SVM算法动力电池SOC估计方法的研究 总被引:1,自引:0,他引:1
提高电池荷电状态(SOC)估计的准确性对于电动汽车电池管理系统的研究至关重要。根据历史实验数据分析了电池电压、电流、放电总电量因素对电池的影响,利用最小二乘支持向量机具有非线性逼近能力强、收敛速度快、全局最优解的特性对电动汽车电池SOC值进行在线实时估计,与BP神经网络的预测结果进行比较。仿真及实验室测试结果表明,最小二乘支持向量机算法能更准确地逼近实际SOC值,该方法的最大估算误差降低到0.02,达到了动力汽车的应用要求。 相似文献
2.
3.
4.
准确估计电池荷电状态(SOC)是电动汽车电池管理的重要内容,SOC的准确评估对延长电池寿命和提高电动汽车整车性能具有重要意义。各国研究人员对电池SOC估计方法进行大量研究,先后提出了多种估计方法。文中介绍了电池SOC的定义及其主要影响因素,根据电池SOC估计方法的特点,按离线和在线方法对SOC估计方法进行总结和介绍,并比较了各方法的特点及实用效果。最后展望了电池SOC估计方法的两个潜在发展方向,即基于电池模型的非线性滤波方法和具有自学习能力的智能方法,为今后深入研究动力电池SOC估计方法提供借鉴。 相似文献
5.
6.
荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。 相似文献
7.
8.
9.
10.
锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2%以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法. 相似文献
11.
12.
对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。 相似文献
13.
将多元自适应回归样条估算方法应用于大容量磷酸铁锂电池组的SOC估计,将电压、电流和温度共同作为输入变量。对实验所得数据进行标准化处理,将处理后的数据进行训练,得到SOC估计的精简数学模型,并对模型进行了验证。仿真实验结果表明该方法可以提高SOC估算精度。 相似文献
14.
为解决某电厂300MW电站锅炉再热汽温异常的问题,提出一种基于支持向量回归的建模方法,采用现场数据进行数据建模。建立在数据统计特性基础上的模型具有高的回归相关度,能反映出再热汽温与操作参数之间的内在联系。针对机组存在的再热器出口汽温偏低而部分管壁温度过高的问题进行了回归分析,结果表明模型具有较高的相关系数,且模型复杂度较低,具有好的鲁棒性。作为现场试验辅助手段,对进一步进行参数优化和再热汽温调节具有重要指导意义和参考价值。 相似文献
15.
用于短期风速预测的优化核心向量回归模型 总被引:1,自引:0,他引:1
风能的不确定性和难以准确预测给风电并入电网带来了困难。风速是影响风能的重要因素,风速的预测精度对风电功率预测的准确性有重要影响。提出一种优化的核心向量回归(CVR)模型,进行短期风速预测。其风速数据从某风电场每隔1 h采集1次,并采用粒子群优化(PSO)算法对CVR模型的参数进行优化,利用优化后的CVR模型进行风速预测。试验结果表明,在时空复杂度相当的情况下,该方法具有比CVR和SVR(support vector regression )更高的预测精度。 相似文献
16.
针对传统电池健康状态(state of health,SOH)估计方法对充电策略和数据质量的严重依赖问题,提出了一种基于电压偏移序列的SOH估计方法。该方法以新电池的充电曲线为基准序列来构建分段SOC区间的电压偏移序列,提取该序列的分布特征参数后,利用主成分分析法(principal component analysis,PCA)进行主要特征的SOH回归建模。实验结果表明:利用基于电压偏移序列对电池SOH进行预测,在不同初始SOC下的最大误差仅为1.10%,并进一步验证其在初始SOC误差±5%下的鲁棒性,电池SOH估算最大误差仍能保持在4%以内。该方法能够采用少量历史数据进行快速地估算,可用于车载和充电桩平台,对提高系统计算效率和降低成本具有重要意义。 相似文献
17.
准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值。通过对Prophet框架和XGBboost (eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负荷预测模型和XGBboost机器学习预测模型,通过误差倒数法将Prophet和XGBoost结合得到混合预测模型。应用所提方法对西南地区某地市历史电负荷数据进行验证,结果证明,Prophet-XGBoost混合模型比支持向量机回归模型(SVR, support vector regression)、Prophet模型和XGBoost模型拥有更高的预测精度,且与SVR模型相比运行时间更短。 相似文献