一种应用于异步电机的基于Laguerre函数的模型预测控制电流调节器

电动汽车用异步电机复杂的运行工况,造成电机参数改变,传统同步PI控制性能不甚理想。基于复矢量比例积分(PI)控制和模型预测控制(MPC)的电流调节器,使得其控制效果得到一定改善,但仍然存在响应时间长和超调大的问题。针对电动汽车用异步电机控制器,设计一种基于Laguerre函数的模型预测控制(LMPC)电流调节器,该电流控制器根据过去和现在的信息,对系统的状态量进行多步预测,并综合考虑控制对象的预期值和控制量的变化等评价指标,得到最优的控制律。仿真和实验结果表明,该调节器相比于复矢量PI控制和模型预测控制,具有更快的动态响应和更好的参数鲁棒性。     

基于输出能效最优的感应电能传输系统耦合线圈设计

无网受流列车作为一种新型城市轨道交通车辆,摆脱了传统的架空接触网,借助耦合线圈进行电能传输,耦合线圈作为重要的传输媒介,其配置与布局既要与应用目标车型相匹配,又要保证感应电能传输系统的传输性能及稳定性.基于此,该文首先提出一种适用于实际工程应用的耦合线圈设计及配置方法,从硬件设计的角度出发,综合考虑系统能效因素,给出一...     

动车组钛酸锂电池荷电状态估计

蓄电池作为应急供电电源,被广泛应用于动车组辅助供电系统中,电池的荷电状态可以反映充放电过程中电池的剩余电量,是动车组电池管理系统的重要参数.准确估计电池荷电状态,可以有效提高电池的使用效率及使用寿命.但是电池内部的化学反应复杂且难以测量,目前的电池荷电状态大多只能通过间接测量计算的方法得到.该文以中国标准动车组钛酸锂电池作为研究对象,搭建二阶RC等效电路模型,基于扩展卡尔曼滤波法(EKF)的在线辨识方法,并通过电池工况实验对比辨识精度.为克服常规卡尔曼滤波法估计过程中噪声方差固定的缺点,提出了自适应卡尔曼滤波方法(AEKF)对电池荷电状态进行估计,并在Matlab中针对动车组锂电池实际应用工况,验证了其估计电池荷电状态的准确性.     

基于GAPSO-FNN神经网络的锂离子电池传感器故障诊断北大核心CSCD

新能源汽车的动力电池内部存在多种传感器用来进行电池系统的安全监测,而传感器故障会导致荷电状态等指标出现误差,严重时会触发电池热失控的风险。为了有效准确地进行电池传感器故障诊断,提出基于遗传算法优化粒子群算法(genetic algorithm optimized particle swarm optimization,GAPSO)和模糊神经网络(fuzzy neural network,FNN)的锂离子电池传感器故障诊断方法对锂离子电池的传感器进行故障诊断,该方法使识别故障准确率迅速提升。本工作首先通过硬件平台和Matlab/Simulink环境相结合的方式获取电池传感器故障的数据,然后对故障数据进行预处理及特征提取,最后采用GAPSO-FNN算法对电池传感器进行故障诊断,并与传统神经网络和模糊神经网络方法的结果进行对比。仿真结果表明,基于GAPSO-FNN的锂离子电池传感器故障诊断方法相比于传统的神经网络方法测量准确率提升了25%,相比于模糊神经网络准确率提升了10%,故障诊断准确率能够达到95%,在减少故障诊断所需信息量的同时,有效地提升了故障诊断的准确率。