一种改进T-S模糊神经网络估计锂电池SOC的方法
发布时间：2021-08-16 09:37
针对传统模糊神经网络估计锂电池荷电状态（SOC）方法精度低、收敛速度慢的问题,采用模糊规则优化算法对神经网络的结构进行优化,加快了网络的收敛速度。通过分析锂电池实际使用工况,将影响电池当前容量的两个参数,即循环次数与循环之间的静置时间,与电池电压、电流、温度统一作为影响SOC估计精度的因子。MATLAB仿真结果表明,改进后的模糊神经网络算法的精度和收敛速度较传统的模糊神经网络算法更优。
【文章来源】：电源技术. 2020,44(09)北大核心
【文章页数】：4 页
【部分图文】：
图１?放电过程中容量对ＳＯＣ值的影响??本文采用的实验数据是ＮＡＳＡ?ＰＣｏＥ研究中心公开的电??池数据集选取其中的３组电池数据进行分析
??池数据集选取其中的３组电池数据进行分析。电池数据采??集的实验信息如表１所示。??表?１?ＮＡＳＡ?电??＆数据ｉ??義实验信息??电池编号??５??６??７??充电电流／Ａ??１．５??１．５??１．５??放电电流／Ａ??２??２??２??充电截止电压／Ｖ??４．２??４．２??４．２??放电截止电压／Ｖ??２．７??２．５??２．２??环境温度／°ｃ??２４??２４??２４??额定容量／Ａｈ??２??２??２??寿命终止容量／Ａｈ??１．４??１．４??１．４??图２为５、６、７号电池在整个充放电循环测试期间电池容??量与循环次数的曲线图。观察图２中的３条曲线可以发现，随??着循环次数增加，电池容量逐渐衰减，但该曲线并不严格单调??递减，会出现一些容量回升的循环，在图２的曲线上标记了容??量出现回升的循环次数。分析相关数据发现容量回升与循环??间的静置时间长短存在关系，其中在短期范围内电池静置时??间长短与容量回升值成正比，而长期静置下的电池容量回升??到某个值后基本保持不变。表２列出了部分容量回升循环对??０?２０?４０?６０?８０?１００?１２０?１４０?１６０?１８０??循环次数??图２?５号、６号、７号电池容Ｍ曲线??表２?部分容量回升循环的静置炉??ｈ司与容量回升值??容量回升点编号??静置时间／ｈ??容量回升值／Ａｈ??６??０．１８??０．００１?１??３１??３５．０７??０．０４７?７??４８??６９．９２??０．０５７?５??１０４??２．４１??０．０１０?２??１２０??１６．７８??０．０２５?８??１５０??１１．０６??０．０２０?９??－－５巧屯池容？曲Ｈ
集??合；第二种方法是将模糊规则后件表示为输人变量的线性组??合，由于该模型是Ｔａｋａｇｉ和Ｓｕｇｅｎｏ首先提出的，所以通常称??之为Ｔ－Ｓ模型％??氏：ＩＦ?＇?ｉｓ?ａｎｄ?ｊｃＸ?ａｎｄ?？?？?？?ａｎｄ?ｊｃＸ??ｎ?ｄ??ＴＨＥＮ尸办＆?ｗ??式中：凡为第Ｊｃ条模＾规则；ｆ［Ｘｉ?，灸，？?？？，?ｘＪＴ为输人变量，每??个分量与（ｉ＝ｌ，?２?＞…，ｉｉ）均为模糊语言变量；Ａ／为及的第ｊ?ＣＨ，??２，…，ｍ）个语言变量值；ｂ，为真值参数；ｙ为输出变量。??图３为Ｔ－Ｓ模糊神经网络简化结构示意图。它由输入层、??模糊化层、模糊规则层、去模糊化层和输出层构成。??＊５?１??５＇??．ｙ，－??输ＡＪｇ?場糊（ｆｃｇ提蝴＃Ｗｉｇ去模椒化层?输⑴层??图３?Ｔ－Ｓ模糊神经网络简化结构图??输人层的每个节点表示影响ＳＯＣ估计值的一个参数，包??括电池电压、电流、温度、循环次数和循环之间的静置时间５??个参数。??模糊化层的每个节点代表一个语言变量值，用于计算每??个输人参数对应每个语言变量值的隶属度。采用高斯函数作??为隶属度函数：?ｘ??＝＾Ａｊ｛ｘｌ）?＝?ｅ?＇?（４）??式中：ｑ和巧分别为隶属度函数的中心值和宽度；；ｕ／（Ｍ，２，…，??５；戶１，２，－，蚴为第；个输人参数的第＿／个语言变量值，其中ｍ，??为４的模糊分割数。??模糊规则层的每个节点代表一条模糊规则。用于计算出??每条规则的适用度，即：??（５）??式中：％为适用度；｛１，２，…，ｍｊ，?｛１，２，（ｅ?｛１，??对于给定的输人值，只有在输人点附近的语言变量值才??有较大的隶属度值，远离输入点的语言变量值
【参考文献】：
期刊论文
[1]基于多时间尺度的锂离子电池状态联合估计[J]. 印学浩,宋宇晨,刘旺,刘大同. 仪器仪表学报. 2018(08)
[2]基于滑动窗自适应滤波的锂电池SOC/SOH联合估计[J]. 汪秋婷,姜银珠,陆赟豪. 电源技术. 2017(01)
本文编号：3345431
【文章来源】：电源技术. 2020,44(09)北大核心
【文章页数】：4 页
【部分图文】：
图１?放电过程中容量对ＳＯＣ值的影响??本文采用的实验数据是ＮＡＳＡ?ＰＣｏＥ研究中心公开的电??池数据集选取其中的３组电池数据进行分析
??池数据集选取其中的３组电池数据进行分析。电池数据采??集的实验信息如表１所示。??表?１?ＮＡＳＡ?电??＆数据ｉ??義实验信息??电池编号??５??６??７??充电电流／Ａ??１．５??１．５??１．５??放电电流／Ａ??２??２??２??充电截止电压／Ｖ??４．２??４．２??４．２??放电截止电压／Ｖ??２．７??２．５??２．２??环境温度／°ｃ??２４??２４??２４??额定容量／Ａｈ??２??２??２??寿命终止容量／Ａｈ??１．４??１．４??１．４??图２为５、６、７号电池在整个充放电循环测试期间电池容??量与循环次数的曲线图。观察图２中的３条曲线可以发现，随??着循环次数增加，电池容量逐渐衰减，但该曲线并不严格单调??递减，会出现一些容量回升的循环，在图２的曲线上标记了容??量出现回升的循环次数。分析相关数据发现容量回升与循环??间的静置时间长短存在关系，其中在短期范围内电池静置时??间长短与容量回升值成正比，而长期静置下的电池容量回升??到某个值后基本保持不变。表２列出了部分容量回升循环对??０?２０?４０?６０?８０?１００?１２０?１４０?１６０?１８０??循环次数??图２?５号、６号、７号电池容Ｍ曲线??表２?部分容量回升循环的静置炉??ｈ司与容量回升值??容量回升点编号??静置时间／ｈ??容量回升值／Ａｈ??６??０．１８??０．００１?１??３１??３５．０７??０．０４７?７??４８??６９．９２??０．０５７?５??１０４??２．４１??０．０１０?２??１２０??１６．７８??０．０２５?８??１５０??１１．０６??０．０２０?９??－－５巧屯池容？曲Ｈ
集??合；第二种方法是将模糊规则后件表示为输人变量的线性组??合，由于该模型是Ｔａｋａｇｉ和Ｓｕｇｅｎｏ首先提出的，所以通常称??之为Ｔ－Ｓ模型％??氏：ＩＦ?＇?ｉｓ?ａｎｄ?ｊｃＸ?ａｎｄ?？?？?？?ａｎｄ?ｊｃＸ??ｎ?ｄ??ＴＨＥＮ尸办＆?ｗ??式中：凡为第Ｊｃ条模＾规则；ｆ［Ｘｉ?，灸，？?？？，?ｘＪＴ为输人变量，每??个分量与（ｉ＝ｌ，?２?＞…，ｉｉ）均为模糊语言变量；Ａ／为及的第ｊ?ＣＨ，??２，…，ｍ）个语言变量值；ｂ，为真值参数；ｙ为输出变量。??图３为Ｔ－Ｓ模糊神经网络简化结构示意图。它由输入层、??模糊化层、模糊规则层、去模糊化层和输出层构成。??＊５?１??５＇??．ｙ，－??输ＡＪｇ?場糊（ｆｃｇ提蝴＃Ｗｉｇ去模椒化层?输⑴层??图３?Ｔ－Ｓ模糊神经网络简化结构图??输人层的每个节点表示影响ＳＯＣ估计值的一个参数，包??括电池电压、电流、温度、循环次数和循环之间的静置时间５??个参数。??模糊化层的每个节点代表一个语言变量值，用于计算每??个输人参数对应每个语言变量值的隶属度。采用高斯函数作??为隶属度函数：?ｘ??＝＾Ａｊ｛ｘｌ）?＝?ｅ?＇?（４）??式中：ｑ和巧分别为隶属度函数的中心值和宽度；；ｕ／（Ｍ，２，…，??５；戶１，２，－，蚴为第；个输人参数的第＿／个语言变量值，其中ｍ，??为４的模糊分割数。??模糊规则层的每个节点代表一条模糊规则。用于计算出??每条规则的适用度，即：??（５）??式中：％为适用度；｛１，２，…，ｍｊ，?｛１，２，（ｅ?｛１，??对于给定的输人值，只有在输人点附近的语言变量值才??有较大的隶属度值，远离输入点的语言变量值
【参考文献】：
期刊论文
[1]基于多时间尺度的锂离子电池状态联合估计[J]. 印学浩,宋宇晨,刘旺,刘大同. 仪器仪表学报. 2018(08)
[2]基于滑动窗自适应滤波的锂电池SOC/SOH联合估计[J]. 汪秋婷,姜银珠,陆赟豪. 电源技术. 2017(01)
本文编号：3345431
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3345431.html
