排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
电池荷电状态(state of charge,SOC)的精确估计是判断电池是否过充或过放的重要依据,是电动汽车安全、可靠运行的重要保障.传统基于扩展卡尔曼滤波(extended Kalman filter,EKF)的SOC估计方法过度依赖于精确的电池模型,并且要求系统噪声必须服从高斯白噪声分布.为解决上述问题,基于模糊神经网络(fuzzy neural network,FNN)建立模型误差预测模型,并藉此修正扩展卡尔曼滤波测量噪声协方差,以实现当模型误差较小时对状态估计进行测量更新,而当模型误差较大时只进行过程更新.仿真和实验结果表明,该算法能有效消除由于模型误差和测量噪声统计特性不确定而引入的SOC估计误差,误差在1.2%以内,并且具有较好的收敛性和鲁棒性,适用于电动汽车的各种复杂工况,应用价值较高. 相似文献
2.
锂离子电池广泛应用于电动汽车和储能等领域,准确的价值评估对于电动汽车及储能系统的长期稳定运行至关重要。传统基于单参量的价值评估方法未考虑参数间复杂的耦合关系,既不准确也不客观。为此,提出了一种基于多参量的动力电池剩余使用价值(Remaining useful value, RUV)定义与评价方法。所提方法考虑了影响电池性能的关键指标,如健康状态(State of health, SOH)、剩余寿命(Remaining useful life, RUL)、容量衰减率等,采用熵权法对各指标进行客观赋权。通过最大最小法计算各评价指标得分,从而综合定义并评估电池的剩余使用价值。通过在MIT数据集验证可知,所提方法能够合理有效地评估电池价值,计算方法简单,鲁棒性强。所提方法能够为电池剩余使用价值的综合评估提供新思路,有助于电池管理及合理回收利用。 相似文献
3.
随着用户对供电服务、供电质量的要求不断提高,供电企业对提高供电可靠率的工作要求也随之提高。在电网运行中,提高供电可靠率的重要举措之一就是缩短故障停电时间。接地故障因其故障的复杂性和隐蔽性,故障处理时间较长,在各类故障处理中占用时间比例最大。因此,找出接地故障处理时间长的原因并加以解决,对提高供电可靠率有着重要的意义。 相似文献
4.
5.
准确快速预测锂离子电池剩余使用寿命(Remaining useful life, RUL)对系统安全稳定运行至关重要。然而,电池内部退化机理复杂,外部运行工况多变,给RUL预测带来了极大挑战。为此,提出了一种基于电池膨胀应力的RUL预测方法。提取电池膨胀应力信息,分别分析可逆膨胀和不可逆膨胀与容量之间的关系,并计算相关性。将可逆膨胀和不可逆膨胀作为特征参数,构建并训练长短期记忆(Long short-term memory, LSTM)神经网络,实现RUL精准快速预测。通过在UMBL公开数据集上验证,利用膨胀应力特征能更好地学习电池老化状态,捕捉电池容量下降趋势。结果表明,在不同循环起点和多种老化条件下,RMSE和MAE分别小于0.82%和0.70%,所提出的方法能够精准快速预测RUL,鲁棒性强。 相似文献
6.
7.
锂离子电池(Lithium-ion batteries, LIBs)广泛应用于储能系统(Energy storage system, ESS)、电动汽车(Electric vehicles,EVs)等领域。然而,电池在运行过程中容量会逐渐下降直至退役。传统方法以80%健康状态(State of health, SOH)作为退役标准,未考虑电池实际衰退速率,不仅不能充分利用健康电池,而且难以有效保障非健康电池的安全性。同时,SOH相等但电池老化特性和衰退速度不一定相同。仅以SOH评价无法准确反映电池老化差异。为此,提出一种锂离子电池全寿命周期个性化退役标准和老化评价方法。以容量衰退梯度和SOH为特征,首次定义全新退役指标(Index of decommissioning,IoD),计算IoD在80%SOH下的分布,获取退役阈值,并以此阈值为标准定义电池退役时刻。提出一种全新的健康状态评价指标—电池容量跳水度(Terminal diving rate,TDR),评价电池在使用过程中出现的非线性老化现象。通过在MIT公开数据集上验证,所提方法计算简单、鲁棒性强,能够实现电池个性化退役,更有效... 相似文献
1