基于聚类算法的蓄电池SOC模糊预测

为了实现对蓄电池的准确在线估算,研究了利用蓄电池电动势、内阻与荷电状态(state of charge,SOC)之间的关系,设计了基于模糊C-均值聚类的模糊控制器。该控制器将模糊C-均值聚类方法与模糊控制系统有机结合,能有效地进行数据划分和构建模糊控制规则。实验表明,该方法将SOC预估误差控制在3%之内,很好地反映了铅酸蓄电池的能量状态。与现有的模糊预测控制器相比,准确度更高,具有一定的实用性。     

基于dSPACE的铅酸蓄电池SOC估计

首先通过大量实验测试,对处于不同电池荷电状态(SOC)下铅酸电池的等效模型参数进行了辨识,使传统的恒定参数电池模型得以改善.建立了基于数字信号处理和控制系统(dSPACE)的SOC估算测试平台,以dSPACE充当快速控制原型对铅酸电池进行SOC实时估计.此处给出了详细的SOC估计算法,以及基于dSPACE试验平台的开发...     

基于相关向量机的蓄电池荷电状态预测

针对蓄电池荷电状态预测模型复杂以及预测精度不高的问题,提出了基于相关向量机的预测方法。建立了以径向基函数为核函数的多元线性预测模型,选择测量电压、测量电流和表面温度为模型输入,给出了数据预处理方法和权重学习算法。通过调解模型权重的先验分布来控制预测模型的复杂度;基于贝叶斯框架对不确定因素进行管理。同支持向量机相比,具有预测精度高,预测模型更加稀疏等优点。     

电动车蓄电池荷电状态估计的支持向量机方法

结合电动车蓄电池容量判断问题,将支持向量机方法用于蓄电池荷电状态估计。针对蓄电池本身的非线性特性,使用核函数为非线性核的最小二乘支持向量机算法完成估计器的设计,得到了基于多项式核函数和径向基核函数的估计器。通过实验分析了两种核函数对估计器性能的影响。从实际应用出发,分析了如何合理简化估计器模型的复杂性。结果表明基于多项式核函数的估计器精度较低,但应用过程简单;基于径向基核函数的估计器精度较高,但其应用时需要存储部分训练数据,增加了应用的复杂性。具体应用可以根据实际环境,合理选择核函数,提高估计器的综合性能。     

蓄电池SOC的研究及预测方法

通过电池荷电状态(SOC)的定义,分析了影响SOC的诸多因素,对比了不同的估算方法,为建立有效的蓄电池智能管理系统打下坚实基础,有利于提高蓄电池使用效率,具有较大的现实意义。     

基于EKF的动力锂电池SOC状态预测

在研究与分析影响SOC值的因素及传统SOC估算方法优缺点的基础上,提出一种基于扩展Kalman滤波(EKF)的算法对SOC进行估算,依据Thevenin模型建立了电池的非线性状态空间方程,通过引入库仑效率因子计算出电量的动态变化量,并利用此变化量对状态方程进行扩展,使得极化效应的影响大大减弱。实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

车用锂离子动力电池SOC的预测研究

为了估算锂离子动力电池的荷电状态(SOC),在对影响SOC值的因素及传统SOC估算方法分析的基础上,依据实际情况,采用了一种新思路,即将电池的工作状况分为静止、恢复、充放电三种状态,分别对三种状态进行SOC估算。在估算过程中分散并消除影响SOC值的因素,特别在充放电状态下,使用了以库仑效率因子为基础的电量的动态恢复量对安时计量法进行改进,解决了安时计量法会产生累积误差的问题。经实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

基于ICS-LSSVM的电动汽车锂电池SOC预测

为了提高锂电池的荷电状态(state of charge, SOC)预测精度,将布谷鸟的卵被发现概率和步长控制量进行动态设置,对布谷鸟算法进行改进,采用改进布谷鸟算法(improved cuckoo search, ICS)对最小二乘支持向量机(least squares support vector machine, LSSVM)的惩罚参数和核函数宽度进行优化,建立基于ICS-LSSVM的电动汽车锂电池SOC预测模型,采用磷酸铁锂电池充放电数据进行仿真分析,并与其他模型对比。结果表明,基于ICS-LSSVM的电动汽车锂电池SOC预测模型的均方根误差、平均相对误差和决定系数分别为0.0193、3.14%和0.994,预测效果优于其他模型,验证了模型的正确性和实用性。     

基于EKF算法的铅酸蓄电池SOC在线估计

针对快速充电设备需要快速、准确检测蓄电池荷电状态(SOC)的应用需求,在分析传统SOC估计方法不足的基础上,采用了扩展卡尔曼滤波法进行铅酸蓄电池SOC的估计。通过对铅酸蓄电池充放电过程的分析,基于改进的Thevenin模型,建立了7-HK-182型铅酸蓄电池的等效电路模型。通过Matlab仿真,对比安时积分法估计SOC数据,验证了扩展卡尔曼滤波法能够实时、准确估计蓄电池SOC的变化。     

汽车用铅酸蓄电池SOC预测研究

电池的开路电压与电池荷电状态(SOC)存在密切的关系,然而大量研究表明,当电池在恒定电流下充放电时,端电压与SOC的变化规律近似于开路电压与SOC的变化规律。但对于汽车用蓄电池来说,并没有文献明确地给出蓄电池在充放电电流变化状态下其端电压与SOC的对应关系表达式。通过对电动汽车用蓄电池进行充放电实验,利用Matlab对实验数据进行曲线拟合处理,得到变化工作电流下的蓄电池SOC与其端电压的数学关系,提出了蓄电池SOC估计的修正经验公式,为电动汽车续航里程的准确估计提供了新方法。     

LS-SVM在通信电源蓄电池SOC估计中的应用

结合统计学习理论的方法,将最小二乘支撑向量机(LS-SVM)用于通信电源中蓄电池的荷电状态(SOC)检测。选定径向基核函数为支撑向量机算法的核函数,并选取矩阵分块求逆的方法改进最小二乘支撑向量机的算法,在此基础上建立了蓄电池荷电状态估计的模型。通过仿真实验验证了该算法具有较好的SOC估计效果,对于实际应用,可以选择合理的剪辑标准,从而得到更好的估计效果。     

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。     

基于QPSO-BP神经网络的锂电池SOC预测

电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测.在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC.仿真实验验证了方法的准确性.结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性.     

电动汽车用铅酸电池管理系统SOC算法研究

SOC数据是电动车运行过程中一个重要的参数,它是防止电动车蓄电池过充和过放的主要依据。通过安时(Ah)积分法和开路电压法相结合的方法来估算电池荷电状态(SOC)。利用ADVISOR整车仿真软件,在MATLAB/Simulink仿真平台上搭建了SOC仿真模型验证估算方法的精确性。在电池管理系统硬件设计中,系统采用了分散采集集中处理的设计方案,采用MC9S12DP128MPV控制芯片进行信息处理计算,得出电池荷电状态和单体电池工作状态、电流、温度等信息,并在软件中实现了算法的嵌入式应用。     

基于推广卡尔曼滤波算法的SOC估算策略

为了估算锂离子动力电池的荷电状态,以Thevenin模型为基础,建立了数学关系简单,易于工程实现的状态空间模型.在此基础上,对模型进行了线性化处理,采用推广卡尔曼滤波算法实现了对电池荷电状态的估算.仿真结果表明,该模型能较好地体现电池的动静态特性,推广卡尔曼滤波算法在估算过程中能保持很好的精度,并对初始值的误差有很强的修正作用,对噪声有很强的抑制作用.     

基于PBES-LS-SVM的锂离子电池组SOC预测

针对锂离子电池组荷电状态(state of charge,SOC)难以预测的问题,提出应用主成分分析(principal component analysis,PCA)选取影响因素和秃鹰算法(bald eagle search,BES)优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的SOC预测模型。首先,采用PCA筛选出主成分特征值较大的因素后,将其组成多输入样本集合;其次,利用秃鹰搜索算法的全局搜索能力不断优化最小二乘支持向量机的惩罚系数C、核函数g,建立PBESLS-SVM预测模型;最后,应用某储能设备历史数据,采用GA-BP、BES-SVM和PBES-LS-SVM等模型分别对锂离子电池组的完整放电过程数据集与部分放电过程数据集进行仿真研究。结果表明,提出的模型SOC预测均方根误差、平均绝对误差、平均绝对百分比误差分别减小至1.79%、1.30%和3.39%。与其余预测模型相比,PBES-LS-SVM模型预测精度高、预测时间短,具备良好的收敛性、泛化性。     

基于EKF滤波算法的电动汽车电池SOC精准估算

电动汽车电池荷电状态(SOC)的快速精确估算是电池管理系统的核心技术。针对电动汽车电池的工作特性,在Thevenin电池模型的基础上,利用扩展卡尔曼滤波(EKF)算法,在不同温度、放电倍率及初始误差的情况下实现了对电动汽车电池SOC的精准估算,并与复合电池模型进行了对比仿真实验。实验表明,采用基于Thevenin电池模型的EKF滤波算法可以快速完成电池SOC的精准估算,误差在5%以内。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电...     

基于二维参数辨识的蓄电池SOC估计

针对铅酸蓄电池在工程应用中其荷电状态(SOC)难以准确估计的问题,本文结合常见的等效电池模型,采用等效电动势法对蓄电池SOC进行了实时估计。与普遍应用的恒参数的电池模型不同,本文通过统计辨识的手段,在不同SOC状态下以及不同的放电倍率条件下对等效模型进行了二维参数辨识。辨识结果表明,电池模型参数在不同的SOC状态下以及不同的放电倍率条件下均存在着较大差别;采用这种二维参数辨识方法估计出的电池SOC能够更加准确地跟踪电池的实际SOC。试验测试验证了这一SOC估计策略的准确性和实用性。