基于多元线性回归的锂动力电池荷电状态鲁棒预测

目前广泛使用的锂电池荷电状态(state-of-charge, SOC)预测方法的训练数据需要通过大量的仿真实验获取,而电动汽车在充电过程中产生的大量的充电记录数据并没有得到合理利用。为了能有效利用这些充电记录数据,将多元线性回归算法应用到SOC预测中。多元线性回归方法将电压、电流、电容等物理量作为与SOC直接相关的输入变量从而对SOC进行回归预测。由于SOC的时序特征,将SOC预测分为多个子预测过程,不断迭代计算,循环预测SOC的下一时刻输出值。同时为了克服异常样本对SOC预测精度的影响,采用两种常见的鲁棒回归算法(Theil-sen算法与RANSAC算法)来进行SOC预测。实验结果表明,鲁棒回归算法及多元线性回归算法能够很好地捕捉到SOC的增长规律,相比之下,Theil-sen算法精度更高,误差约1.398%,能够很好地满足SOC预测的实际需求。     

无人机锂电池电路等效和荷电状态智能计算估计

锂电池电池管理的核心是电池荷电状态(SOC)的实时准确估算。为精确实时估算SOC值,以无人机(UAV)锂电池为研究对象,建立戴维南等效电路模型,对电池进行试验测量、研究分析。首先,运用开路电压法标定锂电池的估算初值,在卡尔曼滤波算法的基础上进一步改良优化得到扩展卡尔曼滤波(EKF)算法。然后,将该算法运用到SOC估算中,即可在较短时间内高精度的估算出无人机锂电池的实时SOC值。在MATLAB/Simulink中搭建对应电池模型输入算法进行运行,并对得到的结果与实际数据进行比较、论证。试验表明,基于戴维南模型的EKF算法能很好地对无人机锂电池SOC进行估算,收敛效果好而且估算精度高于98.5%。扩展卡尔曼算法可以很准确地估算出无人机锂电池的实时SOC值。     

适用于线性回归和逻辑回归的场景分析

针对机器学习领域中两种常用的预测与分类算法,线性回归和逻辑回归,比较适用于两者的应用场景。基于python sklearn中的糖尿病数据集,采用两种算法建立三个不同模型,即一元线性模型、多元线性模型、逻辑回归模型对同一目标值进行预测并得出预测准确率进行比较。结果表明,在数据集各自变量呈离散分布并与因变量间缺少良好线性关系的情况下,使用线性回归方法所获得的准确率低于使用逻辑回归算法所获得的准确值。     

磷酸铁锂电池的SOC预测

电池荷电状态(SOC)准确预测是电池管理系统的关键任务.针对过去电池SOC预测精度低等问题,提出了一种采用极限学习机神经网络(ELM)的预测模型,以电池电压和电流作为模型的输入量,SOC作为输出量.在建模过程中,采用粒子群优化算法(PSO)对ELM随机给定的输入权值矩阵和隐层阈值进行寻优,降低了随机性给模型造成的影响,提高了模型预测精度.利用实验采集的数据进行模型训练和预测,结果表明,用粒子群算法优化后的极限学习机模型(PSOELM)与单纯的ELM以及传统的BP和SVM相比,具有更高的预测精度和泛化性能.为磷酸铁锂电池的SOC预测提供了一种新的方法.     

电动车用Ni/MH电池组剩余容量的非线性自回归滑动平均预测

准确的蓄电池荷电状态(SOC)决定了电动汽车剩余的行驶里程数.为准确评估电动车用Ni/MH电池组荷电状态(SOC)值,本文提出了一种非线性自回归滑动平均(NARMAX)模型的系统辨识方法.文中使用联邦城市行驶工况(FUDS)的试验数据,采用NARMAX模型线性简化逼近的辨识方法,对蓄电池SOC建立了多输入变量的模型,并使用这个模型进行实时预测;预测结果与试验结果进行了比较.结果表明,该方法是简单、有效的.预测的最大相对误差为1%.     

自适应卡尔曼对储能锂电池充放电状态的估算

为了提高对工作状态中动力锂电池组的锂电池荷电状态(SOC)估计,精准的电池模型能够有效地估计SOC值,即提出了非线性模型来描述锂电池的外部特性。自适应性卡尔曼滤波算法有效减小了卡尔曼滤波因为电池模型参数不准确而造成的误差。该算法使系统状态初始化,对下一时刻的不确定性的状态和误差协方差矩阵进行时间更新,计算卡尔曼增益并记录系统观测值,从而有效地修正当前锂电池的SOC估计值、提高滤波精度、降低噪声带来的影响。同时,迭代算法不断用变量的旧值递推新值的过程能够有效地计算卡尔曼增益,不断更新蓄电池工作的SOC而达到更好的收敛效果。根据试验的对比分析,可以得到自适应卡尔曼滤波法(AKF)在电池的SOC值估计上具有更高的精度。算法估计初期能更快收敛,能迅速减小估计误差,并将其计算值和估计值收敛到0.03%,从而有效地延长纯电动汽车的中蓄电池使用时长。     

基于ESN的锂电池SOC评估方法与仿真研究

以新能源车载锂电池为研究对象,建立基于回声状态网络（ESN）预测锂电池的荷电状态（SOC）评估模型。采用交叉验证方法优选回声状态网络参数,以此解决网络模型的参数选择困难。通过带遗忘因子的递归最小二乘法训练建立的回声状态网络模型,实时更新输出权值矩阵以此提高网络的适应性和精度。通过模型仿真分析验证了预测算法的可行性,进一步对比分析了所建立的ESN预测模型与BP神经网络算法、径向基（RBF）网络算法在UDDS、US06和NYCC工况条件下的锂电池SOC评估预测效果,结果表明所建立的回声状态网络模型方法用于锂电池SOC评估预测的性能和效果优于BP算法和RBF算法,具有较好的应用前景,可以为锂电池SOC长期长效预测评估提供参考。     

基于IndyLSTM的锂电池充电剩余时间预测

传统模型在锂电池充电剩余时间预测中的泛化能力受到一定约束.针对此问题,提出一种基于独立长短期记忆循环神经网络(IndyLSTM)的锂电池充电剩余时间预测方法.通过对锂电池充电过程数据的分析,利用IndyLSTM在处理序列化数据时可以长期记忆历史数据的优势,对充电剩余时间进行预测.采用美国国家航空航天局(NASA)公开的电池数据,与常规的LSTM和SVR模型进行实验对比,IndyLSTM预测结果在准确性和稳定性方面表现更好.     

基于Drift-Ah积分法的CKF估算锂电池SOC

锂电池荷电状态(SOC)是反映电池使用情况的重要参数之一.在锂电池实际工作过程中,电流传感器测量时的漂移电流会对SOC估计精度造成很大影响.对此,提出一种加入漂移电流的Drift-Ah积分法,建立SOC的噪声组合模型,并采用容积卡尔曼滤波算法(CKF)实现锂电池的SOC估计.最后,对锂电池进行模拟工况实验,仿真结果表明,所提出的估计算法可以有效抑制漂移电流的干扰,精度高且复杂度低.     

基于回归的唯一谓语中心词识别

为解决谓语中心词识别中的唯一性问题,提出一种基于回归模型的谓语中心词识别模型,使用回归网络与神经网络结合直接输出预测的谓语中心词结束位置与开始位置。对数据集进行预训练,利用BILSTM层捕捉句子上下文的信息,通过卷积神经网络对句子中的特征进行进一步提取,使用多元线性回归层对特征进行线性回归计算,预测唯一谓语中心词的位置,训练过程中不断修正预测值与真实值的距离。使用中国判决网上获取的判决文书作为数据集进行唯一谓语中心词识别的实验,结果达到了82.99%的F值评分,验证了该模型的可行性和有效性。     

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。     

基于Thevinin的锂离子动力电池建模实验研究

为了准确估算锂电池的荷电状态(SOC),对其等效电路模型进行了研究。通过充放电实验研究锂电池的电特性,利用充放电电压、电流数据辨识其欧姆内阻、极化内阻和极化电容参数,建立了较为精确的锂电池Thevenin模型。建立实验用磷酸铁锂电池的离散状态空间模型,在Matlab/Simulink环境下建立了该电池的仿真模型,并设计了放电实验。实验证明,建立的锂电池模型仿真数据与实测数据误差小于0.1 V,且随着充放电的进行误差逐渐减小,较好的跟随电池电压的变化,模型精度较高。     

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。     

一种新型锂电池充电技术

针对锂电池充电速度慢,效率低,单体电池成组充电时参数差异大等问题,从充电方法、停充检测和均衡控制三方面,提出了一种新型锂电池充电技术.改进了分阶段充电方法,使充电电流符合最佳充电曲线,有效提升了充电速度,减少了电池的析气量;提出了一种依据电压变化率的停充检测方法,避免过充的同时提升了电池剩余容量(SOC);针对单体电池成组充电,提出了一种电容均衡法,利用功率开关和电容器的储能特性实现能量转移,保证了充电过程中单体电池参数的一致性.实验结果表明:充电技术提高了锂电池充电速度和效率,并保证成组充电时单体电池参数的一致性.     

矿用锂离子电池组均衡管理系统研究

针对矿用大容量锂离子电池组在使用过程中,由于单体电池的性能差异,长时间充、放电过程中容量差异不断增大,最终导致锂离子电池组性能急剧下降缩短循环寿命缩短的问题,对多种电池组均衡充电技术进行研究并结合煤矿用防爆电气设备的结构特点,设计出一种适用于煤矿用锂离子电池电源的主动均衡型控制系统,该系统根据电池组中各单体电池的不同状态,在完成主充电状态后,通过均衡控制电路对电压较低的单体电池进行均衡充电,实现整组电池的均衡。通过实验和工业应用结果表明,该均衡控制系统可实现均衡充电误差小于30mV,锂离子电池组使用寿命大幅延长。     

结合Thevenin和PNGV模型的电池等效电路建模改进

为了对电池管理系统(BMS)中极为重要的一个参数——电池荷电状态(SOC)进行准确估算,选择更加精确并适合锂电池的等效电路模型,对比和分析了Thevenin模型和改进型PNGV模型在模拟锂电池的动静态工作特征方面的精度和具体误差产生原因,并提出了进一步改进的方向和建议.首先,对锂电池进行混合脉冲功率特性(HPPC)试验...     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义.选择合适的滤波算法是精确估算的前提.由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低.为提高SOC估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型.在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波...     

基于布谷鸟搜索优化神经网络的锂电池荷电状态预测

锂电池荷电状态(SOC)的预测是电动汽车锂电池管理系统中最为关键的技术之一;为实现对SOC的高精度的预测,提岀了一种基于布谷鸟搜索算法(CS)优化的误差反向传播(BP)神经网络的锂电池SOC预测方法,该方法的核心难点之一,在于优化BP神经网络的初始权值和阈值,从而可以改善易陷入局部最优的情况,减小算法对初始值的依赖;Matlab仿真结果表明,CS—BP神经网络算法的均方根误差值比BP算法的均方根误差值平均降低了0.010 6,CS—BP算法具有更高的预测精度和极强的泛化性能.