-
题名数据驱动的动力电池能量特性预测研究
- 1
-
-
作者
王燕
闵海涛
霍云龙
杨钫
-
机构
吉林大学
中国第一汽车股份有限公司研发总院
高端汽车集成与控制全国重点实验室
-
出处
《汽车技术》
CSCD
北大核心
2024年第8期22-26,共5页
-
基金
国家自然科学基金项目(52372384)
吉林省重大科技专项(20210301023GX)。
-
文摘
为实现纯电动汽车电池能量信息的准确预测,提出了一种基于充电型纯电动汽车大数据的电池能量分析和预测方法。首先,通过大数据平台获取搭载相同型号电池车型的不区分地域大数据,然后使用区间平均法和支持向量回归(SVR)方法对总数据和典型地域数据进行里程-总能量关系的拟合,完成电池总能量衰减的预测,最后,将预测结果与长短时记忆(LSTM)神经网络的预测结果进行对比,并利用实车试验验证所提出方法的准确性。验证对比结果表明:基于SVR的模型能够对分散电池容量进行量化拟合,具有较高的预测精度。
-
关键词
新能源汽车大数据
电池能量衰减
支持向量回归
-
Keywords
New energy vehicle big data
Battery energy degradation
Support Vector Regression(SVR)
-
分类号
U469.72
[机械工程—车辆工程]
-
-
题名数据驱动的锂电池健康状态估算方法比较
被引量：21
- 2
-
-
作者
陈翌
白云飞
何瑛
-
机构
同济大学汽车学院
-
出处
《储能科学与技术》
CAS
CSCD
2019年第6期1204-1210,共7页
-
文摘
回顾了人工神经网络、支持向量回归、高斯过程回归三种主流数据驱动方法在动力电池健康状态(stateof health,SOH)估算方面的研究进展。人工神经网络适合模拟动力电池,能达到很高的精度;支持向量回归计算量小,理论基础完善,在动力电池SOH估算研究中应用广泛;高斯过程回归精度高并能给出预测结果的置信区间,近年相关文献数量呈现增长趋势。针对现行SOH定义未能反映锂电池额定电压衰退的弊端,提出了利用电池满充能量定义SOH。进而分别建立了BP神经网络、支持向量回归、高斯过程回归模型,利用新能源汽车大数据,对电池充电能量进行了预测,定量对比结果验证了三种方法在计算量和精确度方面的特点。最后展望了数据驱动方法与新能源汽车大数据在动力电池SOH估算研究方面的应用前景。
-
关键词
动力电池
健康状态
数据驱动方法
新能源汽车大数据
-
Keywords
power battery
state of health
data-driven methods
new energy vehicle big data
-
分类号
TK9
[动力工程及工程热物理]
-
