基于改进神经网络模型的锂电池SOC预测方法研究

发布时间：2021-02-17 04:36

　　中国最近成为了世界上第五个宣布逐步淘汰化石燃料传统汽车的国家,我国大力推广电动汽车普及的步伐,拟将电动汽车作为真正可持续发展的交通方式。电池属于电动汽车的关键技术之一,其中电池剩余容量（SOC）的预测是对于电池来说是非常重要的。首先,本文通过对锂电池SOC预测现状研究分析,确定了本文的研究方法;然后概述了锂离子电池的工作原理以及影响其SOC的因素。本文提出了两种基于神经网络的预测模型:一种是将元胞自动机这种传统的人工生命模型引入到人工神经网络,利用两者相结合的方法构造出元胞神经网络模型,而另外一种模型是将NEAT算法与BP神经网络相结合,然后再引入人工生命算法中的量子行为粒子群算法来优化NEAT-BP模型,进而得到QPSOBP-NEAT这种改进人工神经网络模型。为了验证本文提出的模型是否有效,分别进行了仿真模型数据实验和实际放电实验来测试模型的有效性和可靠性。在仿真模型实验中,利用ADVSOR和锂离子电池模型设置UDDS、10-15和FTP75三种不同的工况,进而来获取对应工况下的电压、电流和SOC值,最后再获取五种不同的倍率放电情况下的数据,归一化完样本数据之后再利用这些数据对所提出... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

典型的BP神经网络结构模型

图 2.4 人工神经元模型其中，人工神经元的输入向量为1 2( , , )nX = x x x(2.4)其相应的连接权向量为：( )1 2, ,j j jmW = w w w(2.5)则神经元 j 的净输入为：1nj ji i jiS w x θ== (2.6)上式(3.3)中，jθ 表示神经元的阈值，又被称为门限。净输入（含门限jθ ）通过激活函数 f ( )后，得到神经元的输出iy( )n ny f S f w x θf w x = = = (2.7)

18图 2.5 BP 神经网络的流程图 神经网络的局限性经网络的学习过程可以看成是在给定学习样本情况下一个非解过程，从本质上来说是一个静态网络，只能实现非线性的有动态信息处理能力，也就是说它不是一个非线性的动力学

【参考文献】：
期刊论文
[1]浅析新能源汽车的发展意义及发展阶段[J]. 李佳星,胡楠,许正锐.  南方农机. 2017(01)
[2]基于LabVIEW的锂电池监测系统及SOC预测研究[J]. 陈林,张持健,殷安龙,许矛盾.  电子设计工程. 2016(15)
[3]锂电池SOC预测方法综述[J]. 张持健,陈航.  电源技术. 2016(06)
[4]优化的BP神经网络在预测电动汽车SOC上的应用[J]. 周美兰,王吉昌,李艳萍.  黑龙江大学自然科学学报. 2015(01)
[5]浅议新能源汽车的产业特色与发展展望[J]. 付海洋.  无线互联科技. 2014(02)
[6]自适应神经模糊系统的LiFePO4电池SOC预测[J]. 尹安东,周斌,江昊,赵韩.  电子测量与仪器学报. 2014(01)
[7]基于遗传神经网络的电动汽车锂电池SOC预测[J]. 黄耀波,唐海定,章欢,翁国庆.  机电工程. 2013(10)
[8]基于QPSO-BP神经网络的锂电池SOC预测[J]. 刘征宇,杨俊斌,张庆,张利,赵爱国.  电子测量与仪器学报. 2013(03)
[9]基于神经网络的磷酸铁锂电池SOC预测研究[J]. 尹安东,张万兴,赵韩,江昊.  电子测量与仪器学报. 2011(05)
[10]电动汽车电池的现状及发展趋势[J]. 宋永华,阳岳希,胡泽春.  电网技术. 2011(04)

博士论文
[1]量子行为粒子群优化算法研究[D]. 孙俊.江南大学 2009
[2]粒子群优化算法的改进及应用[D]. 王俊伟.东北大学 2006
[3]元胞自动机的语法复杂性[D]. 江志松.苏州大学 2001

硕士论文
[1]主动均衡型电动自行车锂电池智能保护器研究[D]. 陈欢.重庆邮电大学 2016
[2]负端保护型电动自行车智能锂电池保护器系统研究[D]. 刘波.重庆邮电大学 2016
[3]关于电池BMS系统SOC估测算法的研究[D]. 庞瀛洲.长安大学 2015
[4]电动汽车锂电池组SOC预测研究[D]. 段玲玲.沈阳理工大学 2012
[5]遗传进化神经网络算法在分类问题中的设计和研究[D]. 尤一帆.浙江大学 2011
[6]人工鱼自学习理论及方法研究[D]. 刘燚.苏州大学 2009
[7]基于遗传算法的BP网络优化研究及其应用[D]. 郑卫燕.哈尔滨工程大学 2008
[8]元胞自动机及其在创新扩散中的应用[D]. 周奇.大连理工大学 2006



本文编号：3037440