基于神经网络的老化锂电池SOC估算方法的研究

针对锂离子电池循环次数的增加出现的老化现象以及锂离子电池性能的下降的问题,本文分析了锂离子电池老化相关参数的变化情况,建立了对应的锂离子电池等效模型并根据实际的电池数据拟合了参数的衰减曲线。同时,基于神经网络自学习的方法设计了针对老化后锂离子电池SOC估算方法。最后,通过数据证明了所提方法能够实现对老化锂离子电池的较为准确的预测。     

基于神经网络的磷酸铁锂电池SOC预测研究

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。     

基于EKF的动力锂电池SOC状态预测

在研究与分析影响SOC值的因素及传统SOC估算方法优缺点的基础上,提出一种基于扩展Kalman滤波(EKF)的算法对SOC进行估算,依据Thevenin模型建立了电池的非线性状态空间方程,通过引入库仑效率因子计算出电量的动态变化量,并利用此变化量对状态方程进行扩展,使得极化效应的影响大大减弱。实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

基于神经网络的动力电池SOC研究

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。     

基于GA-BP神经网络的锂离子电池SOC估计

电池荷电状态(state of charge,SOC)的估计是电动汽车电池管理系统(battery management system,BMS)的最为重要的关键技术之一。为此,提出了一种基于改进型遗传算法(genetic algorithms,GA)的BP神经网络的锂离子电池SOC估计。利用MATLAB人工神经网络工具箱和谢菲尔德(Sheffield)遗传算法工具箱共同建立GA-BP神经网络模型,用于预测锂离子电池在任一状态下的SOC。经仿真实验表明,与经典的BP神经网络预测方法相比,基于改进型GA-BP神经网络的锂离子电池荷电状态估计精度有效提高了,且具备良好的收敛性。     

基于电动汽车锂电池的SOC动态估算策略

针对实际运行中电池参数的变化,建立了基于Thevenin模型的锂离子动力电池状态空间模型,采用递推最小二乘法进行模型参数在线辨识,对参数做出实时修正,同时克服广义卡尔曼滤波(EKF)估算的不足,提出了基于无色卡尔曼滤波(UKF)估算锂电池SOC估算的新方法。实验结果验证了在同等条件下,UKF比EKF具有更好的滤波估算精度,提高了系统的适应性。     

基于噪声模型的锂离子电池SOC预测

为提高电池荷电状态(SOC)的估算精度和缩短预测时间,提出一种基于噪声模型的耦合估算策略,预估动力锂离子电池的SOC。在新标欧洲循环测试(NEDC)工况下,通过充放电实验进行仿真验证。耦合估算算法具有较高的估算精度,SOC仿真预测误差不超过2%,预测时间为0. 326 2 s。     

基于ARWLS-AEKF的锂电池SOC估计

根据SOC在电池管理系统中的应用需求,针对锂离子电池的模型准确度低、SOC估算精度差的问题,提出了一种ARWLS-AEKF联合算法。该方法以二阶R-C网络模型为基础,通过加权自适应算法引入自适应遗传因子,优化参数辨识精度,并搭建MATLAB仿真平台联合自适应扩展卡尔曼滤波算法(AEKF)算法对SOC进行在线估算。将三种测试工况下的算法仿真结果与电池实验平台所得测量数据进行对比,结果表明:ARWLS-AEKF算法相对于离线EKF算法有更高的准确度与适应性,能适应随机变化的噪声环境。在LA_92、UDDS、HWFET工况下,ARWLS-AEKF算法的误差在2%以内,MAE分别为0.45%、0.74%、0.87%,RMSE值分别为0.54%、0.71%、0.42%。     

基于EKF算法的神经网络估算锂电池SOC

荷电状态是电池的一个重要参数,为了精确地估计电池的SOC值,建立了Thevenin等效电路模型,将EKF与神经网络结合,利用EKF算法实时更新神经网络模型的权值和阈值.Matlab仿真结果证明,EKF神经网络比BP神经网络精度高,拟合效果好,可以更精确地估算锂电池SOC.最后通过实验验证,在HPPC工况下,二阶RC锂电池模型仿真结果和实验结果的误差在2％以内,在UDDS工况下仿真结果和实验结果的误差在4％以内,模型在两种工况下的精度均符合要求.     

基于BP神经网络的电池SOC估算

针对传统动力电池的SOC估计方法的不足,通过编写Matlab程序建立了基于Levenberg-Marquardt (LM)算法的BP神经网络,对其进行了训练及检验.用所建神经网络模型对电池剩余电量进行预测,最大误差小于0.1％.结果满足精度要求,从而验证了所建BP神经网络能够有效地预测蓄电池电压、电流、温度和SOC之间的映射关系.对提高动力电池的能量效率,延长电池的使用寿命具有重要意义.实验表明,此方法提高了电池SOC计算的精度,达到了井下移动救生舱的应用要求.     

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。     

基于SVM的锂电池SOC估算

以锂电池SOC作为研究对象,将基于VC维和结构最小化理论为基础的支持向量机(SVM)的方法引入到锂电池SOC的估算中。充分利用支持向量机的对锂电池非线性独特的功能,综合考虑锂电池的电压、温度及电流等因素对SOC的影响,提出了支持向量机估算电池SOC的算法,并将其在锂电池充放电实验中验证。结果表明,支持向量机在估算锂电池SOC时,可以获得更高的估算精度,为电池管理系统提供一种实用的SOC估算方案。     

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。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电...     

基于神经网络的动力电池组SOC辨识方法

目前电动汽车动力电池荷电状态(SOC)的辨识误差约在8%左右,且主要集中在电池恒流放电过程的辨识,对电池交流放电状态中SOC的辨识研究不是很多.在实际应用中,尤其是在混合动力电动汽车中,电池多处于变流放电状态中,而且电流幅值变化较大.为此,提出了基于电池时变特性的径向基神经网络SOC辨识法.该方法摒弃了以电池单点时刻状态参数作为网络输入的做法,采用动力电池变流放电参数为输入,使辨识精度提高到3%.此方法尤其对动力电池处于交流放电状态时,效果更加明显.     

基于忆阻神经网络的锂电池SOC检测技术研究

锂电池荷电分布状态(SOC)是衡量电动汽车锂电池状态的工作标准之一。在分析SOC检测技术的基础之上,提出了利用BP神经网络技术来构建电池组SOC数据模型的研究思路。并结合实际的仿真数据对BP神经网络进行了有效的改造,从而形成了以忆阻器为神经元突触的神经网络SOC检测体系。仿真结果表明,该方法适应性好,对实际具有良好的指导作用。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。