-
题名基于双模型混合的电动汽车SOC和剩余里程估计
- 1
-
-
作者
张怀志
林文文
张岳君
项薇
-
机构
宁波大学机械工程与力学学院
浙江工商职业技术学院机电工程学院
-
出处
《电工电能新技术》
CSCD
北大核心
2024年第7期23-31,共9页
-
基金
国家自然科学基金项目(22078164)。
-
文摘
为了缓解电动汽车车主里程焦虑的问题,本文提出了一种基于滤波器和神经网络混合的电动汽车荷电状态(SOC)估计方法,该方法可以准确估计电动汽车SOC和剩余里程。首先,利用降维算法和分类算法从实车数据集中分离出5类能够反映车辆能耗的驾驶行为作为模型输入的一部分。其次,搭建卡尔曼滤波和双层双向长短时记忆神经网络结合的混合模型,该模型可以降低实时数据的噪声,并结合历史数据计算电动汽车SOC和剩余里程。最后将不同的模型输入特征和模型结构作对比,证明提出方法具有较高的精度。
-
关键词
电动汽车
SOC估计
剩余里程估计
驾驶行为分析
深度学习
卡尔曼滤波
-
Keywords
electric vehicles
SOC estimates
remaining mileage estimate
driving behavior analysis
deep learn⁃ing
Kalman filtering
-
分类号
U469
[机械工程—车辆工程]
-
-
题名电动汽车剩余里程估计
被引量：1
- 2
-
-
作者
梁莹
-
机构
上海理工大学机械工程学院
-
出处
《农业装备与车辆工程》
2022年第2期121-125,共5页
-
文摘
基于MATLAB/Simulink建立电动汽车整车模型,并通过该模型选择工况特征参数进行工况的聚类分析,从而得到对应工况的能耗,最后根据剩余能量和能耗计算并由模型输出剩余里程。电池能量状态与能耗估计相结合不仅可以提高剩余里程估计的精度,也可以解决工况急剧变化的情况下估计结果的波动问题。
-
关键词
电动汽车
剩余里程估计
工况聚类
-
Keywords
electric vehicles
remaining mileage estimation
working condition of clustering
-
分类号
U469.722
[机械工程—车辆工程]
-
