基于神经网络的电动汽车电池SOC估算研究

论文首先分析了当前电动汽车电池管理系统中存在的问题,特别是电池电压的精确测量和剩余电量的准确预测问题一直亟待突破,因此,论文在分析电池荷电状态(SOC)影响因素的基础上,进行了动力电池的充放电实验,建立了BP网络电池模型,通过对网络进行训练,应用神经网络模型进行SOC估算,实验表明:建立的BP网络具有较好的适应性,能有效预测锂离子动力电池电压、电流和放电容量间的映射关系。可以准确地对电动汽车电池进行SOC估算。     

基于布谷鸟算法优化BP神经网络的锂电池健康状态预测

锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖;为了验证算法的泛化性,利用美国国家航空航天局开源锂电池数据集6号电池和7号电池进行仿真实验,仿真得到该算法预测SOH的均方根误差(RMSE)分别为0.2658和0.2620,平均绝对百分比误差(MAPE)分别为0.3319%和0.2605%;通过与BP神经网络、粒子群优化的BP神经网络(PSO-BP)、遗传算法优化的BP神经网络(GA-BP)对比,布谷鸟算法优化的BP神经网络(CS-BP)具有更小的预测误差。     

基于神经网络的电池SOC估算及优化方法

鉴于锂电池高度非线性和时变性使其剩余电量难以精确估算,影响电池的管理和控制。基于BP神经网络模型,在具有随机噪声干扰下,分析和比较不同架构的深度学习模型对电池剩余电量估算的运算时间和泛化性能,并根据粒子群算法（PSO）、基于Nesterov动量的RMSProp变学习率算法优化模型,结合数学规划设计出不同深度的最优构架,并与多种神经网络模型进行比较。根据实验数据和模型估算结果对比表明：此优化算法能有效减少模型的运算时间,在双隐层最优构架下,SOC平均估算误差在0.1左右。     

基于BP与RBF神经网络经济预测模型的研究

该文结合经济预测理论和BP神经网络算法和RBF神经网络的特点,研究浙江省基于BP神经网络算法和RBF神经网络算法的人工神经网络的经济增长预测.实证研究数据结果表明,人工神经网络具有较好的预测精度,但是各种神经网络进行经济增长预测的数据不一样,有些误差非常大.人工神经网络可以为宏观经济部门决策提供很好的参考依据.     

基于levy飞行优化BOA-BP网络的电池SOC估计

目前电动汽车动力输出的来源主要是动力电池，其荷电状态（State of Charge,SOC）表示电池的剩余电量情况，精确估算SOC对于电池的使用安全有重要意义。将蝴蝶优化算法（Butterfly Optimization Algorithm,BOA）进行改进并用于优化BP神经网络估算动力电池SOC，解决了普通BP网络估计SOC时遇到的训练时间长、收敛慢、精度较低、易陷入局部最优解的问题；同时提升了全局搜索速度，选取电压和电流为输入变量、SOC为输出变量，根据误差的大小调整神经网络的权值和阈值。仿真结果表明，优化后得到的SOC估计结果误差率控制在1.1%以内，该方法寻优速度快，具有更好的鲁棒性。     

铅酸蓄电池组容量测试与活化技术研究与实现

针对当前国内外铅酸蓄电池容量测试及活化设备智能化程度低、容量快速预测误差大和功能简单等问题,提出一种基于遗传退火优化BP神经网络的蓄电池剩余容量快速预测算法和劣化蓄电池活化诊治方法。研制了基于ARM9和μC／OS-Ⅱ嵌入式操作系统平台的蓄电池容量预测与活化诊治系统。系统由总控、充电和放电三个单元组成,各单元通过RS-485总线构成分布式测控系统,具有蓄电池充电、放电、剩余容量快速预测和劣化电池活化等功能。     

电动车用电池动态性能分析及剩余容量预测

电动车用动力电池剩余容量(SOC)的精确的实时辨识,是电池管理系统的一个关键技术.为有效的对电池剩余容量进行预测,文中对湖南大学开发的纯电动汽车(EV-3)所使用的镍氢动力电池组作充放电性能测验,给出了电流、电压、容量曲线,实验证明镍氢电池是现阶段较适合用于电动汽车的动力电池.并在此实验基础上,利用开环电压与剩余容量的对应关系,运用广义回归神经网络(GRNN)建立蓄电池的电压降模型,并进一步建立反向传播网络(BP网络)得到了开路电压与剩余容量的对应关系,网络预测结果和实验数据误差较小.实验和仿真结果证明人工神经网络可以建立一个精确而有效的SOC智能预测系统.     

基于CAN总线电动汽车电池组监控系统设计

由于电池的本身特性决定了对电池电量的预测成为电动汽车开发的一个难点，目前世界上对锌空电池的电量预测方面的研究刚起步，特别是对电动汽车用锌空电池电量监测的研究很少，在可以获得资料中少有对锌空电池的电量预测技术开发；文中研究了CAN总线在电动汽车电池监控系统的应用，并主要介绍了用于电动汽车燃料电池即锌空气燃料电池的监控系统的软硬件设计；根据具体电池组分成9通道循环检测的设计，通过模拟具体工况，分步把电流和电压测得，并利用了一种方法——修正电量累积法来预测锌空电池的剩余电量，并给出了电压和电量变化曲线；研究证明，此方法能简单而精确的检测锌空电池电量。     

基于混沌粒子群算法的神经网络短时交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的神经网络交叉路口短时交通流量预测方法;利用混沌粒子群算法对BP神经网络权值和阈值进行优化,克服易陷入局部极小和引起振荡效应现象,从而提高了网络的预测精度;实验仿真结果说明,与标准粒子群算法相比较,新算法可以有效提高预测精度,减少预测误差,最大绝对误差下降至12.15%,相对预测误差在10%以内的预测数据提高至57.5%,并且很好地反应了交通流的特点,是一种可行的预测方法.     

基于机器学习的电动汽车动力电池SOC预测分析

近年来,随着大数据的发展,机器学习的方法备受关注,大数据驱动的机器学习方法在电池健康状态的评估与预测中有着多方面的优势。基于此,采用Xgboost、线性回归和支持向量机(SVM) 3种模型对比,以均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)为模型评价指标对新能源汽车电池剩余电量(SOC)进行回归预测分析,并取得了不错的效果。