针对纯电动汽车动力电池健康状态(state of health,SOH)预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线...针对纯电动汽车动力电池健康状态(state of health,SOH)预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55ms内,预测效果比现有方法显著提高.展开更多
在分析蓄电池充电时间与容量之间的相关性的基础上,提出一种基于相关向量机(relevance vector machine, RVM)的蓄电池在线健康状态估计(state of health, SOH)方法,可以实现对应急电源(Emergency Power Supply, EPS)蓄电池健康状态的实...在分析蓄电池充电时间与容量之间的相关性的基础上,提出一种基于相关向量机(relevance vector machine, RVM)的蓄电池在线健康状态估计(state of health, SOH)方法,可以实现对应急电源(Emergency Power Supply, EPS)蓄电池健康状态的实时监测,对保证EPS的高效稳定运行和提高系统寿命有重要意义。展开更多
文摘针对纯电动汽车动力电池健康状态(state of health,SOH)预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55ms内,预测效果比现有方法显著提高.
文摘在分析蓄电池充电时间与容量之间的相关性的基础上,提出一种基于相关向量机(relevance vector machine, RVM)的蓄电池在线健康状态估计(state of health, SOH)方法,可以实现对应急电源(Emergency Power Supply, EPS)蓄电池健康状态的实时监测,对保证EPS的高效稳定运行和提高系统寿命有重要意义。
