共查询到10条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
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. 相似文献
5.
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。 相似文献
6.
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。 相似文献
7.
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. 相似文献
8.
9.
BP神经网络预估锂离子电池SOC训练数据选择 总被引:1,自引:0,他引:1
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。 相似文献
10.
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。 相似文献