基于神经网络的动力电池SOC研究

利用神经网络进行了动力电池荷电状态(SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了动力电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于混合智能模型的分布式风力发电预测方法

进行准确的多尺度风功率预测对分布式风电机组的可靠和经济运行至关重要。提出了一种基于人工智能算法的混合模型,包括最小冗余最大相关(mRMR)准则的输入变量选择(IVS)模块,以及元启发式随机算法优化的自适应神经模糊推理系统(ANFIS)。所提混合模型将可利用的相关数据,包括历史风电功率时间序列和区域数值天气预报(NWP),利用最小冗余最大相关(mRMR)的滤波方法来自动选择不同预测步长的输入变量;然后对于具备最优特征的输入数据,通过自适应神经模糊推理系统来进行监督学习;模型应用粒子群优化(PSO)算法对ANFIS参数训练以达到最优预测效果;最后通过实际分布式风电机组的运行数据对所提出的混合智能模型进行评估,实验结果证实了模型的有效性。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,SOC）预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt（LM）算法建立了磷酸铁锂电池的BP（back propagation）神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

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池充电过程的SOC预测精度更优.     

基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模

飞灰含碳量是煤粉锅炉运行过程中的重要参数,对其进行建模预测具有重要意义。本文采用自适应神经模糊推理系统(ANFIS)对某660 MW机组四角切圆煤粉锅炉的飞灰含碳量进行建模。根据相关知识和运行经验,确定模型的初始输入参数;利用减法聚类算法自适应确定初始模糊规则和结构参数;利用由最小二乘估计算法和误差反向传播算法构成的混合学习算法对模糊神经网络的参数进行学习,完成飞灰含碳量模型的初始构建;对模型输入参数进行敏感性分析确定最终输入参数,以降低输入参数对模型预测精度和复杂度的影响,完成飞灰含碳量预测模型的建立。该模型预测得到的结果精度较高,可真实反映飞灰含碳量的变化情况。在此基础上,将ANFIS模型和最小二乘支持向量机(LSSVM)及BP神经网络模型的预测结果进行对比。结果表明:在训练样本数足够多的情况下,ANFIS模型对飞灰含碳量具有更高的预测精度和更强的泛化能力;而在小样本情况下,LSSVM模型的预测精度和泛化能力更好。     

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。     

基于极限学习机的磷酸铁锂电池SOC估算研究

SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。     

基于改进卡尔曼滤波算法的磷酸铁锂电池SOC动态估计

对锂电池荷电状态(SOC)进行快速精确地动态估计能有效提高其使用寿命。针对传统磷酸铁锂电池等效电路模型无法反映其对应的电气动态特性问题,提出了一种改进的戴维南电池模型。考虑到传统卡尔曼滤波算法在磷酸铁锂电池SOC动态估计过程中对模型依赖性较强的局限性,引进算法增益因子及修正观测噪声协方差,提出一种改进的卡尔曼滤波算法对磷酸铁锂电池SOC进行动态估计。仿真结果表明所提算法在锂电池SOC估计上具有很好的精度。     

基于模糊推理系统的多因素电力负荷预测

在多因素负荷预测的建模中，模糊推理系统是一种较为有效的方法。输入变量选择和输入空间划分是模糊建模的基础，也是难点所在。数据挖掘中的分类思想有助于解决此问题。文中采用分类和回归树(CART)算法对解决这一问题进行了尝试，并构造ANFIS网络进行参数辨识。建模过程几乎完全基于数据进行，不需要人工的过多干预，保证了模型能客观地反映相关变量与负荷值之间的复杂关系。用该方法与普通BP算法分别对浙江省多地区进行了一个月的日负荷预测实例分析，该方法较好的收敛性和预测精度说明，CART算法与ANFIS相结合，是基于数值的模糊建模的一种有效方法。     

典型蓄电池的建模与荷电状态估算的对比研究

研究不同蓄电池荷电状态(state of charge,SOC)的变化特征有助于在实际应用过程中对蓄电池类型进行选择。基于铅酸电池、磷酸铁锂电池、全钒液流电池3种典型蓄电池模型,采用电池容量修正过的改进安时计量法和改进安时-卡尔曼预测法(Ah-Kal法),对各电池在不同充放电模式下,用MATLAB软件编程得到两种估算方法下的SOC变化曲线。通过SOC对比曲线可以发现铅酸电池的自放电较严重,循环寿命短;磷酸铁锂电池可迅速提供大功率;而全钒液流电池适合作为长期大容量储能支持。同时,改进安时计量法和Ah-Kal的估算结果基本相同,验证了Ah-Kal法的正确性。     

磷酸铁锂电池SOC估算方法研究

磷酸铁锂电池宽的电压平台和严重的两端极化不利于SOC的估算,但电池的SOC对电池组不一致性和寿命有着重要的影响,因此本文在磷酸铁锂电池的现有SOC估算分析基础上,研究了反应电池电化学特征的伏安特性曲线,提出了不同充电倍率、不同老化程度下可靠和准确的△Q/△V分析方法,利用电池在充电过程中的峰值△Q修正电池SOC值。为电动汽车电池组在线均衡和智能电池系统的管理策略提供依据。     

动力锂离子电池离散特性分析与建模

离散化特征是目前锂离子电池组在电动汽车上大规模使用时需要认真研究的问题。对电池组工作电压离散特性的统计规律进行了研究,对电池组静态SOC离散程度进行了定量研究。以两种正极材料（磷酸铁锂和锰酸锂）的电池模块为试验对象,对在动态工作中电池模块的电压离散性进行了初步分析,提出了容量衰减系数的概念,并讨论了电流与温度对工作电压离散程度的影响。最后归纳总结了锂离子电池组离散度的影响因素,提出了改善电池组均匀性的控制方法。     

磷酸铁锂锂离子电池SOC的电流脉冲探测

在不同荷电状态(SOC)下,研究磷酸铁锂(LiFePO4)锂离子电池对充放电电流的响应程度,确定几组响应最强烈的电流.将电池组在实际装车运行中该电流下的脉冲数据与电池管理系统中的数据对照,作为辅助方法对当前计算的SOC进行校正,然后采取合适的策略对电池组均衡.试验证明,电池组的容量提高了10％以上.     

LiFePO4/Li4Ti5O12锂离子电池的制备及研究

使用磷酸铁锂(LiFePO4)和钛酸锂(Li4Ti5O12)做正、负极活性材料,制备锂离子电池,并测试其性能。用三电极法考察不同配比时正负电极充放电电位的变化,并据此确定了电池中正负极的容量配比。性能测试结果表明,所制备的锂离子电池具有优异的循环稳定性,容量发挥好。正负极容量配比1.4时,18650圆柱电池负极钛酸锂的容量发挥为160mAh/g。     

基于粒子群优化粒子滤波算法的 SOC 估算研究

准确的获得电池的荷电状态(SOC)有助于缓解汽车行驶过程中的里程焦虑。针对粒子滤波估算SOC中存在的粒子退化的问题,将粒子群算法与粒子滤波融合的改进粒子滤波算法(GPSO-PF)算法应用于SOC的估计。在迭代中不断优化粒子所处位置,从而解决了粒子贫化的问题,提高了SOC的估算精度。同时,针对SOC估算容易受到温度的影响,建立基于温度的等效电路模型,并将其应用于提出的SOC估算算法中。选取两节相同型号的磷酸铁锂电池,分别在不同工况下利用GPSO-PF算法估算SOC值,SOC的最大估算误差均低于0.72%。通过对比,与基于温度等效电路模型相结合后,GPSO-PF算法能够有效提高SOC的估算精度。     

一种基才多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型。该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力。为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络．采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值。仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型。     

陶瓷涂层隔膜对锂离子电池性能影响

采用锂离子电池聚乙烯（PE）隔膜为基体,在其两侧均匀涂覆厚度为1～2μm混有纳米氧化铝（Al2O3）粉末及胶凝剂的无机有机浆体,得到一种无机复合陶瓷涂层锂离子电池隔膜。通过对该电池隔膜及由此类隔膜制成的电池进行热烘箱测试结果表明：在150℃高温环境下,无机陶瓷涂层隔膜没有出现较大的热收缩,具有优越的热稳定性,能有效提高锂离子电池的热安全性能。由于无机纳米Al2O2颗粒具有较高的比表面积,使得涂覆后的隔膜对电解液具有良好的润湿性及保液性能。采用陶瓷涂层隔膜组装LiFePO2C体系电池并对电池进行1C充放电循环测试,结果表明涂覆后的隔膜能有效提高锂离子电池的容量保持性能。     

锂离子电池自放电的研究

采用三电极的方法分别通过分析锂离子电池正负极的电位变化来研究电池的自放电.锂离子电池存储过程中的自放电的影响因素主要有：存储温度和存储时电池的充电状态,温度越低,电池的充电状态越低（但电压范围有限制：3.8～4.2V）自放电越小.电池充放电过程中的自放电主要是由两部分组成,一是电池内部的副反应;二是内部微短路.内部微短路是由极片表面的颗粒及阴极极片边缘的金属毛刺所引起的电池内部微短路造成的.减小这些影响因素,可以降低电池的自放电.