基于PSO-BP的电动汽车锂离子电池SOC估算

针对BP神经网络算法对电动汽车锂离子电池荷电状态(SOC)估算的缺陷,提出粒子群(PSO)优化BP神经网络的方法,采用温度、电压、电流、充放电倍率作为PSO-BP神经网络的输入向量,以SOC作为输出向量,进行网络学习和训练,并不断进行神经网络权值、阈值的调整优化。在Matlab中进行仿真验证,实验结果表明BP神经网络算法和PSO-BP神经网络算法均可以使误差减小,但是使用PSO-BP神经网络算法估算SOC效果更优、误差更小、收敛性更佳,可将误差减小到4%以内。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

电动汽车电池剩余量的估测方法

为有效地对电动汽车锂电池荷电状态(SOC)进行估算,采用自适应神经网络模糊推理系统(ANFIS)建立电池组电压降模型,再通过编写Matlab程序对BP神经网络进行训练,并用所建BP神经网络模型对SOC进行预测.经实验验证,此法精度较高且能有效预测电池的开路电压和SOC的映射关系,对延长电池寿命具有重要意义.     

基于QPSO-BP神经网络的锂电池SOC预测

电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测.在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC.仿真实验验证了方法的准确性.结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性.     

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。     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态SOC(state of charge)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播BP(back propagation)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络的初始权值及阈值,优化后的BP网络简称SAMEA-BP神经网络。结合充放电实验数据,将SAMEA-BP神经网络与标准BP神经网络、思维进化算法优化的BP(MEA-BP)神经网络用于锂离子电池的SOC估计,并对3种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。     

基于MPSO-LM算法的车用电池组SOC预测

在对车用氢镍电池组进行了不同工况和温度下的充放电实验,获取了大量能真实反映电池动态行为和特征的实验数据的基础上,建立了一个Back-propagation神经网络的车用动力电池组的仿真模型,实现对电池SOC的预测.为提高BP算法的训练速度和估算精度,设计了一种将改进粒子群算法(MPSO)与Leyenberg-Marquardt(LM)算法组合使用的混合算法(MPSO-LM)用于优化训练BP神经网络.仿真结果表明.所提议的MPSO-LM算法比BP算法更有效.具有较快的收敛速度和较高的预测精度.测试结果中97%数据达到5%的误差或更小.     

基于BP神经网络的动力电池SOC估算

电池荷电状态(SOC)的预测是影响电动汽车发展的关键技术之一,采用经典BP神经网络控制算法完成了动力电池的SOC估算研究。通过设计工况实验,在Matlab中对该算法进行了仿真验证,结果表明该算法能够很好地拟合动力电池充放电特性,误差可以减小到5%以内。     

BP神经网络预估锂离子电池SOC训练数据选择

采用BP神经网络对电动汽车用动力锂离子电池荷电状态(SOC)预估进行研究,分析了BP神经网络的模型原理及锂离子电池极化现象。对比采用恒流实验数据训练BP神经网络,提出改进BP神经网络训练数据选择方法,以适应变电流的实际循环中,锂离子电池因极化现象而产生的动态非线性,并进行了电池SOC值的预估。实验表明,采用改进训练数据训练的BP神经网络,在电流剧烈变化的实际工况环境下具有更高的SOC预估精度。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。