基于BP神经网络的微电网蓄电池荷电状态估计

由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,学习时神经网络模型中各神经元间权值得到合理调整,并且提高了误差收敛效率。仿真结果表明,估计结果在预设精度要求的范围之内,平均误差不超过4%,证明经过优化学习算法的BP神经网络模型对蓄电池荷电状态的精确估计是有效可行的。     

基于GA-BP神经网络的锂离子电池SOC估计

电池荷电状态(state of charge,SOC)的估计是电动汽车电池管理系统(battery management system,BMS)的最为重要的关键技术之一。为此,提出了一种基于改进型遗传算法(genetic algorithms,GA)的BP神经网络的锂离子电池SOC估计。利用MATLAB人工神经网络工具箱和谢菲尔德(Sheffield)遗传算法工具箱共同建立GA-BP神经网络模型,用于预测锂离子电池在任一状态下的SOC。经仿真实验表明,与经典的BP神经网络预测方法相比,基于改进型GA-BP神经网络的锂离子电池荷电状态估计精度有效提高了,且具备良好的收敛性。     

遗传算法优化的BP神经网络压电陶瓷蠕变预测

针对压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,会严重影响其定位精度的问题,提出遗传算法优化BP神经网络的压电陶瓷蠕变预测算法。采用遗传算法优化了BP神经网络的权值和阈值,构建了基于遗传算法的BP神经网络(GA-BP算法)的蠕变预测模型。用GA-BP算法对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,获得的蠕变预测结果与实验数据的最大绝对误差均不超过0.2μm,最大蠕变误差均小于1.5%,最大均方误差仅为0.004 6,因此,GA-BP预测模型可作为预测压电陶瓷蠕变误差的一种有效手段。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于GA-F-RBF神经网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态的预测精度问题,提出基于遗传算法的弹性径向基函数神经网络动力电池荷电状态预测方法。该预测方法基于神经元的活跃度与神经元间的信息交互强度在线调整神经网络结构的大小,解决了径向基函数神经网络的结构调整影响荷电状态的预测精度问题。仿真结果证明,该方法比基于遗传算法的径向基函数神经网络的荷电状态预测结果精度更高,预测更加准确,能满足蓄电池管理系统对磷酸铁锂动力电池荷电状态预测的精度和实际使用的要求。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

一种基于电机电流的高压断路器与负荷开关弹簧操作机构故障诊断算法

为实现高压断路器与负荷开关的故障诊断,提高设备安全可靠性,有必要深入研究电机电流特性与高压断路器、负荷开关的弹簧操作机构状态之间的关系。由于传统BP神经网络存在易陷入局部最小点及网络收敛速度慢等缺陷,采用遗传算法对于BP神经网络进行优化可以提高判断准确率及诊断效率。诊断结果表明,GA-BP算法可以根据断路器、负荷开关电机电流数据快速准确判断设备所处的运行状态,且精确度高,对于工程实际具有广泛应用前景。     

基于GA优化BP神经网络的微电网蓄电池健康状态评估

由于微电网蓄电池在工作过程中其电力性能会发生退化,其性能退化具有明显的非线性和波动性的特征,传统的数学建模方法普适性差、不同工况条件下预测受限、精度不足,难以准确的评估其健康状态。针对上述问题,构建了标准BP神经网络和基于遗传算法优化的BP神经网络,借助微电网蓄电池每次放电过程中的可测参数对网络进行训练,使神经网络的权值和阈值得到较为准确的调整。通过测试集对建立的神经网络进行测试,结果表明,基于遗传算法优化的BP神经网络能有效提高评估结果的准确性,使误差结果控制在精度要求的范围内,最大误差在5%以内,平均误差2%。证明了基于遗传算法优化的BP神经网络对不同工况条件下的蓄电池SOH的精确评估是有效可行的。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

航空用蓄电池容量预则的新方法

研究了预测蓄电池容量的一种新方法.为有效预测航空用蓄电池的剩余容量,引入小波神经网络,建立了蓄电池内阻和荷电状态(SOC)的小波网络模型,通过实验数据对小波网络模型进行训练,得到了用于内阻和SOC预测的小波网络,最后将小波网络的预测结果和BP网络的预测结果进行对比,结果表明小波网络比BP的预测精度高,更适合用于航空用蓄...     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。     

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。     

Battery Management System Used in Electric Vehicles

A battery management system(BMS) which contains state of charge(SOC) determination,battery charging control and its optimization,and cell balancing is proposed.Thevenin’s model having a RC network characterizing the battery polarization is used for SOC determination.The polarization voltage of the battery model is identified using the nonlinear least square technique.The paper presents a new SOC definition method considering the SOC limit of each cell for battery pack in series.The relationship between the battery current and polarization voltage is analyzed.And then the battery charging approach that the charging current can be adaptively adjusted by the polarization voltage control system is investigated based on fuzzy logic control theory.Cell balancing control strategy is also proposed based on the principle of the maximum use for the capacity and energy of the battery pack.     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。     

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线 SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线 SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进 EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线 SOC 的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后 EKF方法的 SOC 估计误差小于0.5%,估计精度获得明显提高。     

锂电池的电量估计仿真研究

锂电池的荷电状态(SOC,State-of-Charge)直接反映电池的剩余电量,是电池组管理的核心参数。然而,电池循环次数的增加、瞬间大电流、温度等因素将导致电池特性发生变化,因此使用扩展卡尔曼滤波(EKF,extended kalman filtering)对锂电池的荷电状态进行估计会引入较大的误差甚至算法发散。为了有效抑制参数扰动和系统的非线性,基于一种改进的二阶RC等效电路模型,应用粒子滤波算法(PF,particle filtering)实现了锂电池荷电状态的估计。最后,根据锂电池放电实验所得数据进行仿真,结果显示了该算法的优越性。     

Open-circuit voltage-based state of charge estimation of lithium-ion power battery by combining controlled auto-regressive and moving average modeling with feedforward-feedback compensation method

Being one of the important parameters describing the state of power battery, state of charge (SOC) is essential for the electric vehicle battery management system (BMS). SOC estimation method, which combines the constructed controlled auto-regressive and moving average (CARMA) model with the feedforward-feedback compensation method used for revising SOC by the deviation of terminal voltage, is presented in this paper. Fully taken into account the measurement errors of voltage and current, the CARMA model is employed to estimate the battery open-circuit voltage (OCV). With the good consistency of the OCV-SOC curve under the process of battery charge and discharge cycles within a certain temperature range, OCV is adopted to estimate SOC. BP neural network rather than the high order polynomial approximation is used to capture the strong nonlinear relationship between OCV and SOC with the high precision. It is a big challenge for OCV-based SOC estimation that the flat area of OCV-SOC curve for lithium-ion power battery enlarges the measurement errors of OCV. By analyzing the flat characteristic of ΔSOC-OCV curve, the feedforward-feedback compensation for SOC is used for improving the accuracy of OCV-based SOC estimation. Experiment results confirm the effectiveness of the proposed approach that has evidently advantages over other estimation methods.     

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。     

风能电动汽车储能电池的建模与智能充电

分析了锂电池的结构特点和非线性的数学模型以及充电形式,在Matlab/Simulink中建立了锂电池的非线性仿真模型,采用模糊控制跟踪最大可接受充电电流,通过仿真,验证了锂电池的非线性模型的正确性,在最大可接受充电电流下,锂电池的输出电压和荷电状态(SOC)值缓慢上升到期望值,实现了智能充电。