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。...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。展开更多
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...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。展开更多
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...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。展开更多
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...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。展开更多
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...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。展开更多
文摘针对传统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。
文摘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。
文摘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。
文摘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。
文摘电池荷电状态(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。