为充分发挥远程监控平台的监控和故障预警作用,针对电动汽车动力电池荷电状态(State Of Charge,SOC)精准估算对汽车控制和安全运行的重要性,利用车辆上传监控平台的运行数据进行SOC估算研究。通过减聚类算法计算隐层中心数,用量子粒子群...为充分发挥远程监控平台的监控和故障预警作用,针对电动汽车动力电池荷电状态(State Of Charge,SOC)精准估算对汽车控制和安全运行的重要性,利用车辆上传监控平台的运行数据进行SOC估算研究。通过减聚类算法计算隐层中心数,用量子粒子群(Quantum Particle Swarm Optimization,QPSO)算法优化径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的参数及结构,确定RBF神经网络中的核函数的宽度、中心、连接权值等,在MATLAB中进行仿真实验。实验表明远程监控平台采集的数据和优化的神经网络模型能够实现更准确、快速的SOC估算。并通过汽车行驶工况试验获取SOC数据训练网络,测试结果显示该方法能避免对原车SOC输出值的依赖及其偏差,有效地并行监测电动汽车运行过程中的电池状况。展开更多
文摘为充分发挥远程监控平台的监控和故障预警作用,针对电动汽车动力电池荷电状态(State Of Charge,SOC)精准估算对汽车控制和安全运行的重要性,利用车辆上传监控平台的运行数据进行SOC估算研究。通过减聚类算法计算隐层中心数,用量子粒子群(Quantum Particle Swarm Optimization,QPSO)算法优化径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的参数及结构,确定RBF神经网络中的核函数的宽度、中心、连接权值等,在MATLAB中进行仿真实验。实验表明远程监控平台采集的数据和优化的神经网络模型能够实现更准确、快速的SOC估算。并通过汽车行驶工况试验获取SOC数据训练网络,测试结果显示该方法能避免对原车SOC输出值的依赖及其偏差,有效地并行监测电动汽车运行过程中的电池状况。