排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
高精度的电池荷电状态估计是电动汽车电池管理系统的关键技术之一,其估计精度直接影响能量管理效率和汽车的续航里程。传统的滤波方法基于模型来估计电池SOC,但难以建立锂离子电池精确的数学模型。针对此问题,提出一种基于高斯过程回归的无迹卡尔曼滤波(UKF)锂离子电池SOC估计方法,使用高斯过程回归在有限的训练数据下建立等效电路模型的测量方程,在UKF和高斯过程回归之间建立关联。该模型能够充分联合利用现有实验数据和被预测实时状态数据,实现SOC估计。结果表明,与传统UKF相比,基于高斯过程回归的UKF算法具有较高精确性。 相似文献
2.
3.
电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。 相似文献
4.
锂离子电池的直接健康因子难以实现在线测量,针对此问题,提出一种基于动态神经网络时间序列的锂离子电池剩余寿命(Remaining useful life, RUL)间接预测方法。首先根据锂离子电池的放电数据,提出放电截止时间,恒流放电时间以及放电峰值温度时间三种间接健康因子并进行灰色关联分析(Grey relation analysis, GRA)。然后,基于非线性自回归(Nonlinear autoregressive models with exogenous inputs, NARX)动态神经网络建立锂离子电池RUL预测模型。最后将粒子群优化前馈神经网络(Back propagation neural network based on particle swarm optimization, BPNN-PSO),最小二乘支持向量机(Least square support vector machine, LS-SVM),极限学习机(extreme learning machine, ELM),闭环(Closed-loop)NARX和开环(Open-loop)NARX进行对比分析,验证了所提方法的优越性。 相似文献
5.
6.
为了提高续驶里程,针对某款越野车改装的电动汽车制动系统,提出一种基于ABS的电-液并联制动系统。此系统采用固定比例的前后轴制动力分配方式,结合恒定充电电流与最大回馈功率复合的再生制动控制方式,以基于滑移率的PID控制ABS系统来调节电、液制动力比例,在确保制动安全可靠的同时实现制动能量回收。根据上述理论建立数学模型,并利用AMESim和Simulink进行联合仿真,在3种典型工况下分析制动性能和能量回收效率。结果表明:基于ABS的电-液并联制动系统综合制动性能良好,且3种工况下的一次制动最小能量回收效率分别达到28%、28%和11%。 相似文献
7.
8.
1