共查询到19条相似文献,搜索用时 94 毫秒
1.
以磷酸铁锂电池为研究对象,针对电池在脉冲大倍率放电条件下,模型参数变化较大、荷电状态(SOC)难以准确估计的问题,以电池的二阶RC等效电路模型为基础,通过递推最小二乘算法动态辨识模型的参数,建立电池的时变参数模型。再通过时变参数模型建立电池的状态方程和观测方程,并应用二次方根容积卡尔曼算法实现电池的SOC估计。这种SOC估算方式能够适应模型的参数改变,且具有对初值误差的修正能力。经实验验证,在脉冲大倍率放电工况下,所建的时变参数模型可以准确模拟电池端电压的变化,所采用的SOC估算策略,在初值存在较大误差的条件下,依然能够准确估算出电池的SOC。 相似文献
2.
3.
锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低,稳定性差等问题,本文提出一种改进GRU模型算法对SOC进行估计。首先将1DCNN和Bi-GRU相结合并添加注意力机制,构建1DCNN-Bi-GRU-ATT模型。其次,为解决ReLU激活函数易出现死神经元现象,将其改进为PReLU激活函数。同时,为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题,改用Huber-Loss作为网络损失函数。最后,将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明,在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%,与改进前及其他模型相比,本文模型在12种情况中综合表现更为稳定和准确,有更高的泛化性。 相似文献
4.
5.
6.
基于神经网络的磷酸铁锂电池SOC预测研究 总被引:1,自引:0,他引:1
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。 相似文献
7.
蓄电池组是微电网储能系统重要的组成部分之一,对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态(SOC)与健康状态(SOH)在线准确测量的难题,提出基于长短期记忆(LSTM)神经网络的蓄电池SOC与SOH联合在线估算方法。该方法利用LSTM的动态逼近与长时间记忆能力,以电池端电压、电流及温度的时间序列数据,将阶段SOH均值引入SOC的估算中实现联合估算。采用NASA开放实验数据测试,基于LSTM网络的联合模型相比于单独模型及Bp传统网络具有更高的精确度和更稳定的估算效果。 相似文献
8.
针对锂电池等效电路模型参数不准确以及复杂工况噪声不确定导致荷电状态(SOC)估计精确度较低的问题,提出一种自适应扩展卡尔曼滤波(AEKF)融合带遗忘因子最小二乘法(FFRLS)的算法来解决此问题。在每一步SOC估计过程中,首先使用FFRLS算法跟随试验工况环境变化,实时辨识出一阶RC等效电路模型参数,增加模型精确度,准确描述锂电池工作时的动态特性;再使用AEKF算法实时更新与修正系统噪声并在线估计SOC。设计搭建动力锂电池试验平台,在动力动态测试(DST)和北京公交动力动态测试(BBDST)工况下,该方法估计值最大绝对误差均低于0.15%,平均绝对误差在0.077以下,均方根误差在0.007以下,相较于扩展卡尔曼滤波(EKF)算法,所提算法的估计效果有较大提升。 相似文献
9.
以锂电池的荷电状态估算为目的,对传统锂电池等效电路模型进行改进,提高了模型的准确性,使之能更好地反应锂电池内部状态。以标称容量为2 000 m Ah,额定电压为3.7 V的18650锂电池作为研究对象,采用最小二乘法分别对该锂电池模型进行充放电方向的参数辨识。运用双卡尔曼滤波算法估算锂电池的SOC,并设计了基于安时计量法的相关测试实验。研究结果表明,双卡尔曼滤波算法估算18650锂电池SOC的绝对误差值小于0.019,具有较高的估算精度,在锂电池SOC估算领域内具有很高的实用价值。 相似文献
10.
11.
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。 相似文献
12.
13.
精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全
性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元
(GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池
SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明,
在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提
高 SOC 的估计精度。 相似文献
14.
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. 相似文献
15.
在介绍磷酸铁锂电池基本性能的基础上,对几种常用的SOC估算方法进行了对比分析,最终选择了采用BP-神经网络的方法对电池的SOC进行估算。同时,为了提高估算的精确性,对训练样本进行了优化处理。仿真实验证明,改进后的SOC算法具有估算准确率高,实时性好的优点。 相似文献
16.
17.
在实际工况中,电池测量参数易受相关性较强的有色噪声干扰。仅考虑有色观测噪声满足一阶自回归模型,提出一种带有色观测噪声的自适应无迹卡尔曼滤波算法(CM-AUKF)。算法对荷电状态(SOC)估计的平均绝对误差为0.000 4,均方根误差为0.000 3,估计精度和稳定性较高,可克服对系统噪声方差初值敏感的问题,提高SOC估计的自适应能力。 相似文献
18.