基于ASSA-RBF联合算法的三元锂离子电池SOC估计

准确估计三元锂电池的荷电状态(SOC)是保障电动汽车安全稳定运行的基础。针对传统BP神经网络估计精度不高,而RBF神经网络也容易陷入局部最优的问题,提出一种基于自适应麻雀搜索算法与RBF神经网络联合的三元锂电池SOC估计方法。首先,对标准麻雀搜索算法进行改进,采用精英混沌反向机制初始化麻雀种群,采用柯西-高斯变异策略优化麻雀种群中跟随者位置更新公式;然后,使用改进后的麻雀搜索算法对RBF神经网络的初始权值和宽度参数进行寻优,以提升算法对SOC的估计精度;最后,基于三元锂电池的充放电实验数据进行模型验证。结果表明,动态应力测试工况下,所提联合算法模型SOC估计均方根误差为0.694%,平均百分比误差为3.15%,能很好的应用于三元锂电池SOC估计。

基于IGWO-BP神经网络锂电池SOC估算

针对传统BP神经网络估算电池SOC过程中,存在初始权值和阈值对预测精度影响较大的问题,引入Tent混沌映射和自适应收敛因子对灰狼算法(GWO)进行改进,改善灰狼算法易陷入局部最优、后期迭代效率不高的缺点。将改进灰狼算法(improved grey Wolf algorithm,IGWO)与BP神经网络模型结合,得到BP神经网络最优初始权值和阈值,提高预测精度和收敛速度。对锂电池充放电实验数据预处理,得到样本数据。利用MATLAB进行仿真验证,结果表明,IGWO-BP神经网络算法的预测精度相较于传统BP神经网络算法、GWO-BP神经网络算法更优,基于改进灰狼优化BP神经网络估算电池SOC的方法的绝对误差能控制在1.53%以内,有效提高了预测精度和收敛速度。

基于CNN-LSTM的锂离子SOC估计

电池荷电状态(SOC)是锂离子电池管理技术中最重要的参数之一,高精度的SOC估计有利于储能电站的并网和控制。电池充放电数据不仅具有时序性,特征变量之间也存在一定空间关系,为提高估算方法的准确性和通用性,提出一种基于CNN-LSTM联合网络结构的锂离子电池SOC估计方法,先通过CNN特征提取获取了锂离子电池不同维度数据间的特征关系,然后经过LSTM网络结构提取其中的时间序列关系,联合网络充分获取了电池数据集的空间时间特性。实验结果表明,基于CNN-LSTM联合网络模型预测电池SOC平均误差控制在0.65%,较单独的CNN网络预测平均误差降低4.4%左右,较单独的LSTM网络预测的平均误差降低0.2%左右,具有较好的应用前景。

不同温度下的基于BPNN-AUKF的新型自动水下航行器SOC估计器

本研究提出了一种基于反向传播神经网络(BPNN)和自适应无迹卡尔曼滤波器(AUKF)的SOC(state of charge)估计方法。首先针对电池SOC与端电压之间在不同温度下的关系,研究设计了一系列温度补偿策略,以提高在低温、低SOC条件下的估计精度。其次,利用反向传播神经网络(BPNN)建立了一个耦合了温度补偿策略的电池模型。这个模型能更好地适应低温和低SOC条件下的电池状态变化,提高了SOC估计的准确性。最后,基于BPNN电池模型建立了BPNN-AUKF的SOC估计框架,通过利用测量值与测量预测值之间的信息和残差序列,对系统过程和测量噪声协方差进行估计修正。通过实验验证,发现该方法在低温环境下具有明显优势,相比传统方法能够更准确地估计电池的SOC,且具备较好的泛化能力。这种基于BPNN-AUKF方法的SOC估计器不仅适用于自主无人潜水器(AUV),而且对于其他在复杂环境中工作的车辆也具有广泛的应用价值。

基于WOA-BP神经网络估算锂离子电池SOC

准确的荷电状态(SOC)估算可为电动汽车的可靠运行提供安全保障。提出将鲸鱼优化算法(WOA)和BP神经网络相结合的锂离子电池SOC估算方法。电池模型采用一阶RC电路,基于遗忘因子递推最小二乘法对模型参数进行辨识,通过电池实际状况自适应地调整校正,并采用WOA-BP神经网络算法,克服BP神经网络易陷入局部极小值和收敛速度慢的难点。与传统BP神经网络算法相比,基于WOA-BP的SOC估算方法,平均绝对误差降低1.9%,均方根误差减小4.1%,表明具有更高的鲁棒性和精确性。

基于PSO-GRU的锂电池SoC预测

电池荷电状态(State of Charge,SoC)是预防新能源汽车电池过充或过放的重要指标。文章提出一种基于粒子群优化算法-门循环单元(Particle Swarm Optimization-Gate Recurrent Unit,PSO-GRU)的锂电池SoC预测方法。该方法使用粒子群优化算法优化GRU神经网络的超参数,可避免超参数使GRU神经网络训练产生局部最优问题。实验证明,设计方法比只使用GRU神经网络具有更好的预测性能。

基于LSTM-Attention的锂电池SoC预测

电池荷电状态(Stateof Charge,SoC)对新能源汽车安全行驶非常重要。文章提出一种基于长短期记忆网络(Long Short-Term Memory,LSTM)和注意力机制(Attention)的锂电池SoC预测方法。该方法将电池放电电流、电压、温度等电池工作历史参数作为输入,通过在LSTM神经网络中训练,并在LSTM神经网络中引入注意力机制,聚焦对当前SoC影响更大的历史参数,实现更为精确的锂电池SoC预测。实验证明,本方法比LSTM神经网络具有更好的预测性能,有较好的应用前景。

基于BiLSTM-MhSa-ResNet的储能电站SOC预测

储能电站荷电状态(SOC)评估对储能电站安全稳定运行起到重要作用。针对当前传统神经网络预测精度不足的问题,提出一种双向长短期记忆多头残差网络(BiLSTM-MhSa-ResNet)进行SOC预测。该模型使用多头自注意力机制提高了特征值的获取能力,通过残差神经网络解决了梯度异常问题,应用双向长短期记忆网络捕获了长期依赖关系,从而提高了预测能力。实验结果表明,采用BiLSTM-MhSa-ResNet进行充电SOC预测时,平均绝对误差为1.02%,均方根误差为1.31%,决定系数为0.998,提高了SOC预测的准确性。进行放电SOC预测实验时,该模型也具有较好的训练效果。

遗传算法优化神经网络整包电池SOC估计模型

针对Back Propagation(BP)神经网络建立的动力电池荷电状态(State of Charge,简称SOC)估计模型存在的精度、稳定性等问题,使用遗传算法(Genetic Algorithm,简称GA),对SOC估计网络模型进行优化。使用以轮盘赌算法配合最佳个体保存法做为遗传算法核心选择算法,避免传统选择算法中最佳个体可能丢失的情况。实验对象选用新能源氢电混动重卡4X2/6X2T FCV的辅助动力电池包。模型考虑了环境温度、放电电压、放电倍率以及直流内阻的影响,对不同隐含层数量对模型估计精度的影响进行了对比分析。测试结果表示,使用遗传算法优化后的神经网络SOC估计模型的精度和稳定性得到大幅提升。

基于树木切割机器人铅酸电池SOC特征值估计

为优化用于修剪靠近输电线路树木枝杈的树木切割机器人的特性,对机器人的铅酸电池展开研究。通过建模铅酸电池,选用电池荷电状态(State of Charge,SOC)作为模型的输出,完成缺失特征数值SOC的计算;根据电压、电流、电池容量以及温度建立神经网络模型,并通过数据拟合得到电池容量与电池剩余电量SOC的关系曲线,构建电池容量与剩余电量关系的模型。通过神经网络拟合验证算法的置信度,并使用卡尔曼滤波验证估计值与测试数据的关系。

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。

基于神经网络模型的动力电池SOC估计研究

针对电动汽车动力电池荷电状态(SOC)的估计问题,对动力电池的荷电状态估计方法进行了研究。对电池荷电状态的影响因素进行了归纳,提出了基于反向传播神经网络(BP神经网络)的动力电池荷电状态估计方法。利用汽车仿真软件ADVISOR对电动汽车行驶典型的汽车测试工况进行了模拟,得到了电动汽车动力电池荷电状态与电池的充放电电流、温度之间的关系。对得到的训练样本数据进行了归一化处理,经过训练,得到基于BP神经网络的动力电池荷电状态估计模型。同样,利用ADVISOR软件得到的测试数据,对得到的神经网络模型进行了测试。研究结果表明,该模型的估计值和输出值之间的误差最大值为4%左右,模型的精度符合动力电池荷电状态估计的使用要求。

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。

利用人工神经网络预测电池SOC的研究

能源和环境与人类社会的生存和发展密切相关,能源短缺和环保的要求推动了混合动力车的发展。电池是混合动力车的动力源之一,准确和可靠地获得电池荷电状态(Stateofcharge,SOC)是电池管理系统的主要任务之一。在总结现有SOC预测方法的基础上,尝试使用人工神经网络的方法预测动力电池SOC。结果表明人工神经网络对多变量的非线性系统非常有效。另外,不同的数据样本对训练效果存在影响,试验表明用处理后的数据进行预测的结果明显较好。

基于BP神经网络的动力电池SOC预测模型与优化

锂离子动力电池内部化学反应复杂,充放电特性易受温度、老化等因素影响,致使其SOC值预测具有很强的非线性特性。而BP神经网络具有较强的非线性逼近能力,所以研究了基于BP神经网络的锂离子动力电池SOC预测模型。针对模型预测误差较大这一问题,采用遗传算法优化BP神经网络的权值和阈值。通过测试得到模型的预测误差绝大部分在2%以内,并通过仿真验证了模型的可行性。

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。

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AUKF-BP神经网络的锂电池SOC估算

电池荷电状态(SOC)的估算作为车载电池管理系统(BMS)的核心技术之一,其准确预估可以延长电池使用寿命,确保整车的正常行驶。本文以锂离子电池为研究对象,提出一种基于自适应无迹卡尔曼滤波(AUKF)和BP神经网络相结合的电池SOC估算方法。该方法通过采样策略自适应性提高了UKF的估算精度,并利用训练好的BP神经网络SOC输出值作为UKF的观测量。使用Arbin电池测试平台采集的不同温度下的混合工况和FUDS工况电池测试数据为基础,比较AUKF-BP算法和BP算法的准确性。结果表明,不同温度下的AUKF-BP算法的平均均值误差为0.82%,BP算法的平均均值误差为1.63%,基于AUKF-BP的SOC估计方法具有更高的鲁棒性和准确性。

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。