一种混合动力电动汽车电池荷电状态预测的新方法

发布时间：2019-07-29 08:49

【摘要】：针对混合动力电动汽车(HEV)电池荷电状态(SOC)预测问题,引入贝叶斯极限学习机(BELM)方法。对极限学习机和贝叶斯线性回归的基本原理进行详细介绍,为提高极限学习机的拟合和泛化能力,采用贝叶斯方法来优化极限学习机输出层的权重。在循环工况条件下选择电池的工作电压、工作电流和表面温度参数用来预测电池SOC的实时值,同时兼顾HEV再生制动时的能量回馈过程。高级车辆仿真软件ADVISOR下的仿真结果和实际实验结果均表明:所设计的预测模型具有较高的准确度,能够实时准确地预测出SOC值,实用性强且有效性高。
[Abstract]:Aiming at the (SOC) prediction of charge state of (HEV) battery in hybrid electric vehicle (HEV), the (BELM) method of Bayesian limit learning machine is introduced. The basic principle of limit learning machine and Bayes linear regression is introduced in detail. In order to improve the fitting and generalization ability of limit learning machine, the Bayesian method is used to optimize the weight of output layer of limit learning machine. Under the condition of cycle, the working voltage, working current and surface temperature parameters of the battery are selected to predict the real-time value of the battery SOC, and the energy feedback process of HEV regeneration braking is taken into account at the same time. The simulation results and practical experimental results under the advanced vehicle simulation software ADVISOR show that the designed prediction model has high accuracy and can predict the SOC value in real time and accurately, which is practical and effective.
【作者单位】： 江苏理工学院电气信息工程学院;江苏大学机械工业设施农业测控技术与装备重点实验室;南京工程学院电力工程学院;
【基金】：国家自然科学基金(51377074) 江苏省优势学科建设工程项目(苏政办发[2011]6号) 江苏省自然科学基金青年基金(BK20150246) 江苏高校自然科学基金(15KJB470004) 江苏理工学院人才引进项目(KYY15009)资助
【分类号】：TM912;U469.72

【相似文献】

相关期刊论文 前10条

1 王福忠;邓坤;;基于区域极点配置电池荷电状态的估计方法[J];节能;2013年04期

2 赵凯;朱黎明;;无迹卡尔曼滤波的电池荷电状态估计试验研究[J];汽车工程学报;2013年05期

3 程博;韩琳;王军平;曹秉刚;;利用免疫进化网络的镍氢电池组荷电状态预测[J];西安交通大学学报;2007年11期

4 李革臣;古艳磊;;电化学阻抗谱法预测锂电池荷电状态[J];电源技术;2008年09期

5 夏晴;刘志远;;电动汽车动力电池荷电状态的滑模估计方法[J];东南大学学报(自然科学版);2011年S1期

6 麻友良,陈全世,朱元;变电流下的电池荷电状态定义方法探讨[J];电池;2001年01期

7 何鹏林;王晓冬;;串联锂离子电池组荷电状态评估方法对比[J];安全与电磁兼容;2011年01期

8 沈江;张文斌;全小红;周嵩;陈景玲;;钛酸锂电池荷电状态的试验研究[J];新技术新工艺;2014年01期

9 叶林;陈政;赵永宁;;考虑电池荷电状态的光伏功率分段平滑控制方法[J];电网技术;2014年07期

10 余运俊;谌新;万晓凤;;电动汽车电池荷电状态估计研究综述[J];电源学报;2014年03期

相关会议论文 前3条

1 孙骏;李宝辉;;电动汽车电池荷电状态的估算方法研究及展望[A];2012安徽省汽车工程学会年会论文集[C];2012年

2 张秀玲;宋建军;;基于RBF神经网络的MH-Ni电池荷电状态预估模型[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

3 程艳青;高明煜;;基于卡尔曼滤波的电动汽车SOC估计[A];浙江省电源学会第十一届学术年会暨省科协重点科技活动“高效节能电力电子新技术”研讨会论文集[C];2008年

相关博士学位论文 前1条

1 邹幽兰;基于退役锂动力电池容量、内阻和荷电状态的建模与参数估计[D];中南大学;2014年

相关硕士学位论文 前10条

1 罗志亮;锂电池荷电状态自适应估计算法研究[D];哈尔滨工业大学;2016年

2 张树鹏;电动汽车电池荷电状态及行动力分析研究[D];上海交通大学;2015年

3 夏晴;电动汽车用锂离子电池荷电状态估计算法的研究[D];哈尔滨工业大学;2011年

4 和晓念;锂电池荷电状态预测方法研究[D];河南师范大学;2012年

5 马巍;电动汽车铅酸蓄电池特性建模与荷电状态估计[D];长安大学;2009年

6 于洋;动力锂电池荷电状态估计策略的研究[D];天津理工大学;2012年

7 郝国亮;超级电容荷电状态计算方法的研究[D];华北电力大学;2012年

8 张洪近;电动汽车电池组主控及荷电状态估测单元设计与开发[D];南京航空航天大学;2013年

9 张亚军;基于MARS的车用锂离子电池荷电状态估计的研究[D];长春工业大学;2015年

10 肖雪峰;锂电池荷电状态（SOC）自适应卡尔曼滤波估算及实现[D];湖南工业大学;2014年

，

本文编号：2520391