基于ABP-EKF算法的锂电池SOC估计

电池荷电状态(state of charge,SOC)的准确估计是电动汽车合理实施电池管理的前提条件和重要依据.针对目前电动汽车对动力电池SOC估计精度的不断提高这一问题,利用联合估计法对锂电池SOC进行研究.基于Thevenin电池模型与修正的安时积分算法,推导出了锂电池的输出方程以及状态空间模型,通过采集实验过程中的相关数据并应用递推最小二乘法对电池模型参数作出辨识.分析了扩展卡尔曼滤波(EKF)算法以及自适应BP神经网络算法的原理,联合两种算法并在此基础上提出了自适应BP-EKF算法(ABP-EKF).运用所提出的算法对锂离子电池SOC进行联合估计,最后通过对比ABP-EKF与EKF两种算法估计锂电池SOC的数据,研究结果表明:所提出ABP-EKF算法相比于EKF算法在均值误差项与均方根误差项分别减少了3.9％和3.79％.     

基于六参数RC等效电路模型的锂离子电池SOC估计

为提高电动车锂离子动力电池荷电状态(SOC)的估算精度,提出了一种基于六参数RC等效电路的电池模型,采用扩展卡尔曼滤波开展对电池SOC的估算方法研究。在考虑未知干扰和环境噪声的影响下,进一步提出了在扩展卡尔曼滤波的基础上的自适应卡尔曼滤波算法,并开展了对电池SOC的在线估算。仿真结果表明:虽然扩展卡尔曼滤波和自适应卡尔曼滤波都对电池SOC有较好的估算精度,但在未知干扰和噪声的影响下自适应卡尔曼滤波具有更好的鲁棒性。     

基于粒子群优化模糊控制器的电动汽车再生制动控制策略研究

为提高电动汽车一次续驶里程,引入双锂离子电池组供电模式和电机再生制动能量回收系统,设计电动汽车的动力系统结构.通过对电动汽车制动模式进行分析,提出了基于粒子群优化算法的电机制动力矩模糊控制策略,并给出粒子群优化策略的算法实现.通过硬件在环仿真,证实了该控制策略能提高能量利用率.     

电动汽车行驶里程与电池SOC 相关性分析与建模

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系.首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识.利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证.实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度.     

基于外部观测温度的锂离子电池电极温度在线实时预测系统

为有效估算锂离子电池内部电极温度,基于经典热传导理论及能量守恒定律,建立以时间、环境温度、单体电流为输入参量的电池内部电极温度预测模型,将控制方程进行离散化处理,采用恒流充放电试验有效辨识模型参数。试验与仿真结果表明:该模型计算精度高,可在线实时、准确预测锂离子电池电极温度,为纯电动汽车动力电池组合的"电极材料-壳体"精确均衡热管理研究提供可靠依据。     

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

�綯������ʻ�������SOC ����Է����뽨ģ

为解决电动汽车驾驶员里程焦虑问题,并为车辆行驶里程预测提供重要依据,本文提出一种基于数据驱动的方法来探讨电动汽车行驶里程和电池SOC之间的关系。首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和电池SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识。利用北京市运营物流电动车的数据对建立的模型及参数辨识结果进行验证。实验结果表明,本文采用的基于数据驱动预测行驶里程的方法是可行的,所建立的行驶里程与电池SOC模型具有较高的准确度。     

基于改进卡尔曼滤波锂离子电池SOC估计

为了估算锂离子电池的剩余电量，考虑估计过程中的噪声影响，采用卡尔曼滤波方式进行电池的荷电状态估计研究。以戴维南等效电路模型为基础进行了电池参数的辨识，利用Simulink建立基于卡尔曼滤波的电池荷电状态估计模型。分析了电池在不同的放电电流的工况下，测量误差对电池荷电状态估计的影响，提出了改进卡尔曼滤波算法。仿真结果表明：与拓展卡尔曼滤波算法相比，改进卡尔曼滤波算法精度更高。     

基于多模型和辅助粒子滤波的机动目标跟踪算法研究

机动目标跟踪的本质是随机动态混合系统中的状态估计问题,其难点在于每一时刻运动模式的高度不确定性.在实际问题中,系统状态往往还呈现非线性、非高斯、不完全观测的特点.文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的机动目标跟踪算法——MM APF.仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在计算量相当的情况下,具有更高的滤波精度和较好的稳定性.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

基于车流特征分区算法的地磁传感器单节点车速估计

地磁车辆检测器是近年来兴起的新型交通流信息检测技术,而利用单节点检测数据完成车速估计是该技术研究的重点之一. 本文首先对地磁车辆检测技术予以简要介绍,然后基于对道路车辆车长分布规律的分析,在合理假设的前提下,提出了车流特征分区的车速估计算法. 该算法充分考虑实际应用中各类车型组成情况,应用最大类间方差法实现大型车与小型车的分类,基于城市道路小型车居多且车长分布集中的特点,仅利用小型车通过时间检测数据完成对平均车速的估计. 最后,选取实际路段开展试验,并基于Matlab平台对该算法进行了验证. 结果表明,本文提出的车流特征分区算法稳定性好,平均准确率达到85％以上.     

���ڳ������������㷨�ĵشŴ��������ڵ㳵�ٹ���

地磁车辆检测器是近年来兴起的新型交通流信息检测技术,而利用单节点检测数据完成车速估计是该技术研究的重点之一. 本文首先对地磁车辆检测技术予以简要介绍,然后基于对道路车辆车长分布规律的分析,在合理假设的前提下,提出了车流特征分区的车速估计算法. 该算法充分考虑实际应用中各类车型组成情况,应用最大类间方差法实现大型车与小型车的分类,基于城市道路小型车居多且车长分布集中的特点,仅利用小型车通过时间检测数据完成对平均车速的估计. 最后,选取实际路段开展试验,并基于Matlab平台对该算法进行了验证. 结果表明,本文提出的车流特征分区算法稳定性好,平均准确率达到85％以上.     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

基于数据驱动的物流电动汽车充电行为分析

为研究城市配送中物流电动汽车用户的充电行为规律,本文采集70辆物流电动车2014年一年的充放电数据,并采用数据挖掘相关分析方法,建立考虑物流电动汽车的充电电量状态及充电时刻的充电行为模型.研究结果表明:用户一般在SOC为30%~50%时为车辆进行充电,车辆开始充电时的剩余电量服从μ=0.48、σ=0.22的正态分布;车辆开始充电时刻主要集中在14:00-16:00之间.通过数据实验证明本文所建立的充电行为模型具有较高的精确性,同时具有较好的实用性,为车辆的充电调度和用户的出行安排提供科学的决策支持.     

多采样率卡尔曼滤波器在汽车状态估计中的应用

为了改善复杂系统中单采样率控制策略的控制品质,在深入研究多采样率数字控制系统和卡尔曼滤波算法的基础上,提出了输入多采样率的卡尔曼滤波算法.将该算法应用于汽车主动前轮转向系统中,对横摆角速度、质心侧偏角和纵向车速进行估计,通过Carsim与Simulink的联合仿真以及蒙特卡罗试验,验证了算法的有效性.研究结果表明:多采样率卡尔曼滤波算法有利于融合多个输入量的信息,能改善状态估计器的性能,比单采样率卡尔曼滤波算法具有更高的稳定性,且估计误差减小4.0%～48.7%.     

基于EKF的自动泊车系统位姿估计算法设计

利用车辆2个后轮轮速信号和方向盘转角信号,基于扩展卡尔曼滤波技术设计一种车辆位姿估计算法,并在veDYNA中仿真试验。仿真结果表明,算法的估计精度比较理想,可满足泊车系统对自身车辆定位的需求。以定位精度2 cm（1σ）的GPS信号为参考,实车试验结果表明,位置估计误差控制在3%以内,此精度的估计结果可以为泊车系统提供车辆定位信息,为增强泊车安全性奠定基础。     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。