为实现起重机节能环保和延长电池组的寿命,以电池的剩余容量作为集装箱龙门起重机能源系统健康状态的评价标准,建立BP神经网络和最小二乘支持向量机(least squares support vector machine,LSSVM)两种电池剩余容量预测模型。分别采用梯...为实现起重机节能环保和延长电池组的寿命,以电池的剩余容量作为集装箱龙门起重机能源系统健康状态的评价标准,建立BP神经网络和最小二乘支持向量机(least squares support vector machine,LSSVM)两种电池剩余容量预测模型。分别采用梯度下降算法和标准粒子群优化算法对两种预测模型中的参数进行优化。利用训练好的模型进行电池剩余容量预测。将两种模型的预测值与实测值进行对比分析,结果表明这两种模型都具有高的预测精度,而LSSVM模型是更合适的预测模型。展开更多
针对集装箱龙门起重机的具体工况需求和特点,构建一种适用于集装箱龙门起重机的增程式混合动力系统,提出并分析该动力系统的能量智能控制策略,设计相应的智能控制模型.通过以动力电池组的荷电状态(State Of Charge,SOC)和集装箱龙门起...针对集装箱龙门起重机的具体工况需求和特点,构建一种适用于集装箱龙门起重机的增程式混合动力系统,提出并分析该动力系统的能量智能控制策略,设计相应的智能控制模型.通过以动力电池组的荷电状态(State Of Charge,SOC)和集装箱龙门起重机运行能量需求为模糊输入,以动力电池组的充电功率为模糊输出,实现了对增程式混合动力系统的智能控制.仿真结果验证了该控制策略和控制模型的可行性和有效性.展开更多
文摘为实现起重机节能环保和延长电池组的寿命,以电池的剩余容量作为集装箱龙门起重机能源系统健康状态的评价标准,建立BP神经网络和最小二乘支持向量机(least squares support vector machine,LSSVM)两种电池剩余容量预测模型。分别采用梯度下降算法和标准粒子群优化算法对两种预测模型中的参数进行优化。利用训练好的模型进行电池剩余容量预测。将两种模型的预测值与实测值进行对比分析,结果表明这两种模型都具有高的预测精度,而LSSVM模型是更合适的预测模型。
文摘针对集装箱龙门起重机的具体工况需求和特点,构建一种适用于集装箱龙门起重机的增程式混合动力系统,提出并分析该动力系统的能量智能控制策略,设计相应的智能控制模型.通过以动力电池组的荷电状态(State Of Charge,SOC)和集装箱龙门起重机运行能量需求为模糊输入,以动力电池组的充电功率为模糊输出,实现了对增程式混合动力系统的智能控制.仿真结果验证了该控制策略和控制模型的可行性和有效性.
