基于LS-SVM算法动力电池SOC估计方法的研究

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。     

电动汽车SOC估计方法原理与应用

SOC估计是电动汽车电池管理系统的重要功能.研究人员为了提高电动汽车电池SOC估计的准确性做了大量研究工作,采用的主要方法有:放电实验法、Ah计量法、开路电压法、负载电压法、内阻法、线性模型法、神经网络法和卡尔曼滤波法.讨论了电池SOC定义;介绍了各种SOC估计方法的原理及应用中存在的优缺点;分析了充放电倍率、温度、自放电、老化等因素对SOC的影响;评价了各种SOC估计方法.     

新型电动汽车动力电池SOC估计方法研究

利用支持向量回归算法(ε-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性,对电动汽车动力电池的荷电状态(State of Charge,简称SOC)估计方法进行了研究,确立了动力电池的电压、电流、输入输出功率与SOC之间的非线性关系.通过对比BP神经网络算法进行了仿真实验.结果表明,利用ε-SVR算法能更准确地逼近实际SOC值,获得更好的估计效果.     

电动汽车动力电池荷电状态估计方法探讨

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。     

动力电池SOC预估方法研究进展

SOC估计是电动汽车电池管理系统的重要功能。动力电池在使用过程中,对荷电状态准确地进行估算可以有效提高电池的使用效率,提高电池的使用寿命。电池SOC不能直接测量,需要通过其它参数和方法间接获得。研究人员为了提高电动汽车电池SOC估计的准确性做了大量研究工作,采用的主要方法有:安时积分法、开路电压法、神经网络法和卡尔曼滤波法及其改进的方法等。主要介绍了各种SOC估计方法的原理及应用中存在的优缺点,评价了各种SOC估计方法。     

基于在线LS-SVM的动力电池SOC估算方法研究

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%。     

基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法

锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件,对其进行准确的荷电状态(SOC)估计对于正确决策、安全控制和维护具有重要意义.针对锂离子电池SOC估计问题,本文采用长短期记忆(LSTM)神经网络搭建锂离子电池SOC估计模型,将电池电压、电流、温度作为输入,建立多层LSTM预测模型,采用Adam优化算法与Dro...     

动力电池SOC估算的模糊最小二乘支持向量机法

提出了应用模糊最小二乘支持向量机的方法对电池组的剩余电量(SOC)进行估算.为了与实际情况相一致,采用了prius车型在10-15典型工况下采集的电池在变电流充放电状态下的数据,以电池的工作电压、电流及温度为输入,电池SOC为输出建立了估算模型,使估算的最大误差小于1％,估算精度高,为一种有效的改进SOC实时估算的方法,此方法尤其适用于电动汽车变电流充放电状态.     

电动汽车电池管理系统研究现状及发展趋势

电池管理系统(BMS)监测动力电池的各种状态,具有荷电状态(SOC)估计、电池均衡、热管理和CAN通讯等功能,是电动汽车关键零部件之一.在此回顾了BMS的国内外研究现状并且论述了其总体结构、动力电池SOC估计方法、电池均衡技术和电池热管理技术.最后,展望了BMS未来发展趋势.     

基于分数阶模型的锂离子电池SOC与SOH协同估计

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.     

电动车蓄电池荷电状态估计的神经网络方法

针对电动车蓄电池电能容量判别问题,将神经网络方法应用于电动车蓄电池荷电状态估计.对多种神经网络方法的估计性能进行了分析,包括多层感知器网络、径向基函数网络、线性支持向量机、使用MLP核函数的支持向量机、使用RBF核函数的支持向量机.实验结果表明:神经网络经过训练后,可以通过蓄电池的工作电压、工作电流和表面温度参数估计蓄电池的SOC实时值,其中多层感知器和支持向量机估计性能最好,同时,支持向量机较多层感知器有更高的噪声容忍能力.     

基于PSO-ELM的储能锂电池荷电状态估算

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。     

基于MARS的电池荷电状态估计

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。     

基于支持向量回归的300MW电站锅炉再热汽温建模

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。     

用于短期风速预测的优化核心向量回归模型

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。     

基于电压偏移序列的电池健康状态估计方法

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。     

基于Prophet与XGBoost混合模型的短期负荷预测

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。     

基于SOFM和支持向量机回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量机(SVM)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略对训练样本集进行聚类分析,将其分为若干相似子类,再针对每一子类构造一个支持向量机回归模型;使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了基于SOFM和SVM的网络结构;采用河北省某市的实际负荷数据选择样本进行预测。算例表明该方法能够缩短训练时间,提高预测精度。