基于神经网络的动力电池SOC估算

在电动汽车电池管理系统(BMS)中,实现对电池组荷电状态(SOC)的精确估计非常重要,笔者提出一种基于神经网络的电池组SOC估计方法,较为详细描述了将MATLAB神经网络函数转换成C/C++函数的全过程,并且进行了验证比对,实验结果表明基于MATLAB神经网络的动力电池Soc估计算法可成功转换成C/C++函数,并能在工程中进行应用。     

动力电池SOC估算复杂方法综述

荷电状态(SOC)是动力电池管理系统的重要参数。准确估算动力电池SOC是促进电动汽车发展的关键技术。因为动力电池的工作环境复杂多变,传统方法难以准确估算其SOC。首先分析了SOC估算的影响因素,然后对不断改进的复杂方法进行了综述,分析并对比各自的优缺点。最后对动力电池SOC估算复杂方法进行总结并提出展望。     

锂离子电池SOC估算方法研究

本文针对快速、准确估算锂离子电池荷电状态(State of Charge,SOC)这一课题展开深入研究.在分析锂电池组充、放电特性的基础上,通过支持向量机(Support Vector Machine,SVM)以锂离子电池老化程度、暂态电压的量作为输入,剩余容量作为输出.然后通过相应的公式,可以预测出锂离子电池SOC....     

基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准确和累计误差的问题。     

基于小波变换的卡尔曼滤波动力电池SOC估算

混合动力电动汽车的动力电池和电池管理系统的工程实际应用环境是非常恶劣的,导致信号采样过程中包含大量的系统噪声和测量噪声.因此,提出一种基于小波变换的卡尔曼滤波动力电池SOC估算方法,通过在一系列充放电实验所建立的动力电池系统模型上,利用小波变换自相似过程的去相关作用和多尺度多分辨的特性对噪声进行抑制,实时对测量信号多尺度滤波分解,再采用卡尔曼滤波的迭代递推的线性无偏最小方差估计特性对电池SOC进行估算.实验结果表明,提出的基于小波变换的卡尔曼滤波SOC估算方法效果优于标准的卡尔曼滤波算法,在实际工况中,具有较强的适应性.     

基于双卡尔曼滤波的电池SOC估算

为有效解决储能电池中剩余电量的管理问题,提出基于双卡尔曼滤波的电池荷电状态(state of charge,SOC)估算研究方法.分析二阶戴维南电池等效模型,获得其状态空间方程和输出方程,利用泰勒公式对其进行线性化处理,对比分析锂离子电池的离线参数辨识和在线参数辨识结果,结合协同滤波算法进一步提升卡尔曼滤波算法的辨识精度.在M at-lab环境下编写基于双卡尔曼滤波算法的SOC估算以及验证程序,在算法初值准确和有误差两种情况下进行验证,并与其它算法进行比较,验证了双卡尔曼滤波算法精度高,收敛性好.     

基于AEKF的锂离子电池SOC估算

针对拓展卡尔曼滤波（Extended Kalman Filter, EKF）算法进行锂离子电池荷电状态（State of Charge, SOC）估算时噪声信息固定从而导致估算精度低的问题,提出噪声信息协方差能够自动匹配的自适应拓展卡尔曼滤波（Adaptive Extended Kalman Filter, AEKF）算法。首先基于电池的双极化（Dual Polarization, DP）等效电路模型进行参数辨识,建立精确的等效模型;然后在动态应力测试（Dynamic Stress Test, DST）工况下对比了EKF滤波算法与AEKF滤波算法噪声协方差矩阵变化情况以及对电池SOC的估算效果,结果表明AEKF滤波算法具有更高的估算精度;最后设置了几组不同的SOC初始偏差,验证了AEKF滤波算法在估算电池SOC时具有鲁棒性强的优点。     

基于FFRLS和EKF算法的磷酸铁锂电池SOC估算研究

准确估计荷电状态是磷酸铁锂电池安全工作和电动汽车正常使用的基础,以混合的简化电化学模型为基础,使用遗忘因子递推最小二乘法(FFRLS)对模型的参数进行辨识。对安时积分法进行参数修正,降低了充放电倍率,温度等因素的影响,并对扩展卡尔曼滤波(EKF)进行改进,使得观测值的修正能力提高。以参数修正过的按时积分法的方程为状态方程,结合开路电压法,利用改进过的EKF进行SOC的估计。与安时积分法相比,SOC的估算效果提高了不少,使估算偏差保持在3%以内。     

电动汽车动力电池组SOC均衡控制算法仿真

采用当前算法均衡控制电动汽车动力电池组的SOC(电池荷电状态)时,得到电动汽车动力电池组SOC估计值与实际值之间的误差较大,并且存在SOC估计精准度低和控制效果差的问题。提出电动汽车动力电池组SOC均衡控制算法,建立电动汽车动力电池组的Thevenin等效电路模型,在Thevenin等效电路模型的基础上采用扩展卡尔曼滤波算法估算电动汽车动力电池组的SOC,引入标准差判断电动汽车动力电池组的工作状态,根据判断结果对电动汽车动力电池组SOC进行均衡控制。仿真结果表明,所提方法估算SOC的精准度较高、均衡控制效果好,均衡控制后电动汽车动力电池组的容量利用率较高。     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑...     

基于神经网络的动力电池荷电状态的预测

介绍了一种将电池对脉冲电流信号的响应参数作为人工神经网络的输入来预测电池SOC(state of charge)的方法.网络的输出为SOC,网络的输入为电池对脉冲电流的响应参数.结果表明,用这种方法来预测SOC其预测精度能达到在电动车上应用的要求.     

基于LSTM循环神经网络的恶意加密流量检测

加密流量已经成为互联网中的主要流量,攻击者使用加密技术可以逃避传统的检测方法。在不对应用流量进行解密的情况下,网络管理者对传输内容进行深度包解析和恶意字符匹配进而检测恶意通信。针对该问题,在不对流量解密的情况下使用网络层的传输包序列和时间序列识别流量行为,使用过采样方法处理不平衡的黑白样本,基于LSTM循环神经网络建立检测模型。使用清华2017年-2018年边界网关的正常流量数据,在沙箱中采集恶意样本产生的流量数据进行检测实验,结果表明该模型能够较好地检测恶意软件的加密通信流量。     

基于幂基函数变步长神经网络求解数值积分

提出一种基于幂基函数变步长神经网络算法求解数值积分的新方法,证明了该算法的收敛性以及数值积分的求解定理及推论。通过典型数值积分算例,计算机仿真实验表明,提出的基于幂基函数变步长神经网络积分算法相比传统的数值积分方法,具有计算精度高、收敛速度快、算法稳定等特点。     

基于双向长短期记忆循环神经网络的网络流量预测

针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差、难以充分挖掘整个网络流量特征等问题,提出一种基于双向长短期记忆循环神经网络的网络流量预测方法,以提高网络流量预测的准确性。对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整地学习到网络流量的整体特征。仿真实验结果表明,改进后的方法相比原方法具有更好的预测效果。     

基于MATLAB的BP神经网络预测系统的设计

利用MATLAB设计了BP神经网络预测系统.介绍了MATLAB的BP神经网络工具箱函数和图形用户界面,详细介绍了BP神经网络预测系统的设计,并对所设计的预测系统进行了性能评价.系统具有良好的性能,在很多领域可以发挥较大的作用.     

基于小波神经网络的煤矿瓦斯涌出量预测

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,综合利用神经网络的自学习能力和小波变换的局部化性质,采用了一种基于黄金分割原理获得隐含层节点数的寻优算法,结合MATLAB强大的运算功能,建立了基于小波神经网络的煤矿瓦斯涌出量预测模型.仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果.     

改进的基于嵌入式SoC卷积神经网络识别模型

针对当前在FPGA上实现卷积神经网络模型时卷积计算消耗资源大,提高FPGA芯片性能代价较大等问题,提出一种改进的基于嵌入式SoC的优化设计方法。对卷积计算的实现方法和存储访问通道加以优化,以提高并行计算性能;将32位位宽的浮点数量化为16位定点数,加快前向传播的数据传输;结合硬件描述软件的高层次综合技术,将卷积神经网络映射到硬件平台成为一种同步数据流模型从而加快计算速度。通过实验证明,该方案较现有设计节约了89%的BRAM和72%的LUT,在工作频率为100 MHz的测试中,其处理速度比单独使用Cortex-A9的方案提升了42倍。     

基于LSTM循环神经网络的PM2.5预测

PM_(2.5)要素对空气质量影响较大。PM_(2.5)浓度变化是多种因素作用的结果,且过程突发、非线性,具有明显的不确定性,难以使用传统的方法进行预测。针对该问题,以气象、大气污染物因素作为PM_(2.5)预测指标,提出基于LSTM循环神经网络的PM_(2.5)预测模型。使用灰色关联度分析方法对多个气象、大气污染指标进行关联强度分析;对数据进行平滑处理,将时间序列问题处理为监督问题;搭建多变量的LSTM循环神经网络PM_(2.5)预测模型,实现PM_(2.5)日值浓度的准确预测。使用北京市2010年-2017年气象数据和大气污染物数据进行仿真实验,结果表明该模型能够较好地预测PM_(2.5)的日值变化趋势。     

基于Fluent和LSTM神经网络的超声波测风仪阴影效应补偿研究

超声波测风仪因其结构坚固,维修成本低等优点,在气象、生活及农业等领域有着广泛应用。但由于其结构特点造成的阴影效应,会导致其风速测量精度下降,是当前测风领域中不可忽视的问题。针对该问题,提出一种基于Fluent软件以及LSTM长短期记忆神经网络的超声波阴影效应的补偿算法,对不同风速风向以及不同温度下的阴影效应进行补偿。利用Fluent仿真得到样本数据完成LSTM预测模型训练;基于Fluent仿真数据对SVR和MLR等模型与LSTM模型对超声波测风仪阴影效应进行对比实验,验证LSTM算法模型的有效性及优越性;通过风洞数据对LSTM神经网络修正算法的可行性进一步验证。实验结果表明:该算法可对阴影效应所造成的误差进行有效补偿,其精确度得到显著提高,为减小超声波测风仪的阴影效应提供了一定的参考价值。     

基于MOSFLA与快速学习网的荷电状态预测

为解决锂离子电池荷电状态(state of charge,SOC)难以精确计算的难题,提出一种增强的混合蛙跳算法(mutation opposition shuffled frog-leaping algorithm,MOSFLA)优化快速学习网(fast learning network,FLN)的SOC预测模型。在混合蛙跳算法中引入几何中心变异策略和反学习策略增强算法的全局优化性能;为改善FLN的预测性能,采用MOSFLA优化FLN模型参数并建立MOSFLN-FLN模型;利用该模型对电池SOC进行预测,并将预测结果与其他模型预测结果相比较。结果显示,MOSFLA-FLN绝对误差不超过2.71,预测精度高,为SOC的精确计算提供了一种有效方法。