电动汽车用动力镍氢电池SOC建模与仿真

设计了一套镍氢电池充放电试验建模方案,对其充放电特性进行了研究和分析;得出了一系列镍氢电池的开路电压测试曲线;提出了一种考虑了温度对电池参数影响的集总参数等效电路模型。在此基础上,建立了一种基于状态空间的SOC递推算法,对镍氢电池的SOC值进行了仿真分析。     

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.     

功率型锂离子动力电池的内阻特性

为了深入分析功率型锂离子电池的内阻特性及影响因素之间的关系,本文利用混合脉冲功率特性测试方法（HybridPulsePowerCharacterization,HPPC）测试锂离子电池在不同温度环境、荷电状态（StageofCharge,SOC）下的内阻变化规律,实验结果表明锂离子电池内阻在低温环境和较低SOC下变化明显．最后利用多项式最小二乘法拟合得到锂离子电池内阻与环境温度之间的关系表达式,为下一步实现电池功率在线预测提供了数据支持和理论基础．     

基于多项式回归算法的锂电池SOC估测

针对锂离子电池提出了一种非常实用的估测电池SOC的方法,即采用了开路电压法与安时计量法相结合的方法.首先通过实验获得电池静态开路电压与对应的静态初始SOC,然后基于多项式回归分析法拟合出电池静态开路电压与电池静态初始SOC的曲线方程;而电池充放电时的SOC变化量则用安时计量法计算.经过实验验证,此方法能够较为准确地估测...     

�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。     

基于等效模型扩展卡尔曼滤波锂电池SOC估算

电池管理系统(BMS)的主要任务是对电池荷电状态(SOC)、续航里程和防止电池过充过放等进行实时诊断,其中电池荷电状态的快速精确的估计是BMS的核心技术。基于锂电池这一动态非线性系统,提出了一种更接近于真实的、改进的PNGV电池等效模型;基于改进的PNGV电池等效模型,对比了卡尔曼滤波算法(KF)和扩展卡尔曼滤波算法(EKF)诊断电池荷电状态的实验结果;分析了扩展卡尔曼滤波算法诊断的实验误差。研究表明:采用扩展卡尔曼滤波算法对电池荷电状态进行诊断得到的结果更加精确,其误差能够一直保持在5%以内。     

人工免疫粒子滤波算法估计电动汽车电池SOC

准确预测电池的荷电状态（SOC）对纯电动汽车的安全可靠的运行具有重要意义.标准的粒子滤波算法对锂离子动力电池的非线性特征有一定的适应性,能够对电池的 SOC做出估计.但是在标准粒子滤波运算过程中普遍存在粒子退化现象,导致算法效率和预测精度降低.因此,本文提出一种新的人工免疫粒子滤波算法,将人工免疫算法的原理引入标准粒子滤波算法的粒子更新过程中,对锂离子动力电池SOC的估计进行优化,以提高SOC估计的准确性.利用北京市实际运营的纯电动汽车电池数据,对所提出的电池SOC算法进行实证研究.实验结果表明,相对于标准粒子滤波算法,人工免疫粒子滤波算法能够增加粒子的多样性,具有更好的SOC预测精度和有效性.     

无轨电车用锂离子电池管理系统的研究

为了配合锂离子电池在无轨电车上的应用,提出了一种针对无轨电车运行环境的锂电池管理系统,能够对车载电池进行故障诊断、分级报警和优化充电．本文主要分析了无轨电车环境下电池运行模式的特点,针对原有铅酸电池的使用和管理问题,提出了更加优化合理的锂离子电池使用方法和控制策略,就电池的故障分级、电池荷电状态（SOC：State of Charge）估算、电池有效利用容量区间、充电电流的计算方法进行了深入研究,提出了多种特殊处理方法,较好配合了锂离子电池在无轨电车上的安全高效使用．     

基于MS9S12DG128单片机的电动汽车电池管理系统设计

根据动力电池组在电动汽车上的使用特点和要求,采用了带MSCAN、且具有强大功能模块的嵌入式微处理器MS9S12DG128,完成了电动汽车用电池管理系统的硬件设计,实现了对电压、电流、温度的实时精确采集、SOC的精确估计和CAN通讯。实验表明,本系统各方面性能优越。     

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。     

动力电池管理系统及其应用分析

1动力电池管理系统概述 动力电池管理系统通过对无轨电车电池组中串联单体电池电压、电流等数据的采集、分析、决策,接口与充电器、PC机、指示仪表等外部设备实现功能联动,实时对电池组工作状态检测,无论车辆在运行过程中还是在充电过程中都能够可靠的完成电池状态的实时监控和故障诊断,并通过CAN总线告知车辆主控制器,以便采用更加合理的控制策略．从而安全高效地使用电池并延长电池组使用寿命。     

基于双向长短期记忆网络的公交到站时间预测模型

为实现准确预测公交到站时间，提高城市公交出行分担率，本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型。通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超参数寻优，并增加Attention机制以提高双向LSTM处理信息能力，构建改进海鸥算法优化增加Attention机制的双向LSTM(ISOA-BiLSTM-Attention)预测模型。使用中国江西省南昌市220路公交GPS数据分方向和分时段预测车辆到站时间，验证模型预测精度。结果表明：整体上来说，Attention机制优化后的双向LSTM模型比单独采用双向LSTM模型预测精度更好；改进的海鸥算法可对双向LSTMAttention模型实现较好的优化效果，相较于现有模型及标准海鸥算法(SOA)优化双向LSTMAttention模型，ISOA-BiLSTM-Attention对于不同方向及不同时段公交到站时间预测的平均绝对百分比误差、均方根误差及平均绝对误差至少分别降低5.96%、9.87%及7.99%；同时，ISOABiLSTM-Attention具有最大的模型...     

基于反激变换器的电池均衡系统双闭环控制器仿真设计

设计了一种基于反激变换器的电池均衡系统双闭环控制器。首先分析了反激变换器的工作模式,然后采用开关器件平均模型法建立了小信号模型,在此基础上设计了电流内环和电压外环的PI调节器参数。最后在Matlab/Simulink环境下搭建了双闭环控制系统的仿真模型,通过对比论证,验证了该方法具有一定的优越性。     

基于多Agent的锂电池主动均衡策略控制仿真研究

【目的】针对锂电池的荷电状态均衡管理问题,提出一种基于多智能体的电池组荷电状态一致性均衡方案。【方法】首先,将多智能体控制策略引入电池管理的下垂控制中,实现了主动均衡电路拓扑下的自主均衡;其次,建立领航跟随者模型,利用参数已知的虚拟智能体使各个荷电状态不一致的电池的状态向其靠近,实现充放电模式下的荷电状态均衡;最后,对二阶多智能体荷电状态均衡控制策略进行仿真验证。【结果】实验结果表明,相比一阶均衡控制策略,自主均衡时间减少了43.02%,充电模式中均衡时间减少了16.13%,放电模式中均衡时间降低了32.90%。【结论】多智能体系统在电池的均衡管理中能够实现荷电状态的均衡,有效地降低了锂电池荷电状态到达一致性的收敛时间。     

基于行驶轨迹的车辆换道行为预测方法研究

车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于NGSIM项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标：横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层LSTM模型对比。结果表明：级联LSTM模型预测准确率可达93.6%,具有良好的换道预测效果且高于单层LSTM模型，可为自动驾驶和深度学习提供一定的理论参考。     

燃料电池混合动力的功率跟随管理策略分析

为了提高燃料电池混合动力系统的经济性，基于燃料电池氢耗量和功率波动率，对功率跟随能量管理策略中参数和荷电状态（SOC）调节方式进行了分析，并定义了燃料电池的功率波动率；基于仿真软件ADVISOR中建立的燃料电池/超级电容混合动力系统模型，计算了不同的超级电容SOC限值和充电功率参数时的燃料氢耗量和波动率；设计了两种SOC调节方法，即Z曲线法和比例积分（PI）调节法，比较了不同SOC调节方法下的氢耗量和波动率. 研究结果表明:若SOC的下限增大，致使氢耗量和波动率增加，SOC下限为0.5时的氢耗量比0.25时增加7.10%，波动率增加3.85%；若SOC的上限增大，燃料电池波动率减小，0.95时的波动率比0.75时减小3.51%；充电功率参数在一定范围改变，能够减小燃料电池氢耗量和波动率；SOC调节方式中，当SOC初始值在 [0.28，0.52] 区间，PI调节法的波动率最优；当SOC初始值在 [0.75，0.90]，Z曲线法的波动率最优.      

面向多层级目标的汽车前围声学包优化研究

为了研究汽车声学包设计参数对其多性能目标的影响,首先,改进了传统的深度信念网络（DBNs）方法,并提出SVR-DBNs (support vector regression-deep belief networks)模型,提升了模型映射的准确度;其次,从车辆噪声传递关系与层级目标分解角度出发,提出了一种多层级目标预测与分析方法;最后,将所提方法应用于具体车型的前围声学包性能、重量与成本多目标预测与优化分析.研究结果表明：SVR-DBNs方法对前围声学包性能、重量与成本目标预测准确度均在0.975以上,优于传统的反向传播神经网络（BPNN）、SVR与DBNs模型;基于SVR-DBNs模型的优化结果与实测结果接近,两者加权目标相对误差为1.09%（平均传递损失（MTL）、重量和成本相对误差绝对值分别为1.44%、1.04%与0.71%）,优化后的实测结果较前围声学包原始状态性能、重量和成本分别提升了5.51%、9.01%与4.40%.     

基于深度学习的有效停车泊位预测模型

针对传统有效停车泊位预测方法无法刻画泊位前后时刻关联关系的问题,采用基于深度学习的LSTM(long short-term memcry)神经网络对其进行改进,提出了LSTM有效停车泊位预测模型,并基于此模型对不同类型的停车区域进行分析与预测.在构建模型的基础上,综合考虑了有效停车泊位预测的时空特性,选取目标区域内多个邻近停车场的历史停车数据组成数据集,并构建有效停车泊位预测的对比模型,以此检验模型的预测精度.研究结果表明:在不同类型停车区域的有效停车泊位预测中,LSTM模型预测结果与真实值一致性较好,预测精度均高于BP预测模型和ARIMA预测模型;LSTM模型在有效停车泊位预测方面可靠且有效.