针对长时间充放电后锂电池模组之间荷电状态(state of charge,SOC)不一致的问题,传统集中式均衡电路存在均衡速度过低的缺陷,以对称式开关阵列、Boost变换器与LC准谐振电路作为均衡主电路,提出了一种基于连续集模型预测控制(continuous ...针对长时间充放电后锂电池模组之间荷电状态(state of charge,SOC)不一致的问题,传统集中式均衡电路存在均衡速度过低的缺陷,以对称式开关阵列、Boost变换器与LC准谐振电路作为均衡主电路,提出了一种基于连续集模型预测控制(continuous control set model predictive control,CCS-MPC)的均衡控制策略。首先,对均衡系统进行建模,构建离散状态空间方程;然后,根据状态方程设计多步模型预测算法,并以SOC预测值和参考值、变换器开关管当前输入和上一时刻输入之间的误差作为价值函数;最后,对价值函数进行二次规划,在线求解出一组控制最优解,并应用于均衡系统,通过动态调整占空比以控制均衡电流的大小。相较于单步预测,多步预测需要考虑被控量在多个周期内保持最优,可以保证在每个均衡周期内均衡器都能输出最优的均衡电流,有效防止均衡器失稳。仿真结果表明,所提模型预测算法实现了各电池组SOC一致,保证了均衡电流的稳定输出,相比常规PI算法缩短了17%的均衡时间。展开更多
针对传统方法在电动汽车锂电池荷电状态(State of Charge,SOC)预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法。该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁...针对传统方法在电动汽车锂电池荷电状态(State of Charge,SOC)预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法。该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性。研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题。展开更多
为了实现退役动力锂电池荷电状态(State of Charge,SOC)的预测,针对退役锂离子电池特殊的非线性关系,提出自适应法和列文伯格算法(Levenberg-Marquardt,LM)相结合优化BP神经网络估算退役锂电池SOC的VLLM动态模型,并验证了随机工况下退...为了实现退役动力锂电池荷电状态(State of Charge,SOC)的预测,针对退役锂离子电池特殊的非线性关系,提出自适应法和列文伯格算法(Levenberg-Marquardt,LM)相结合优化BP神经网络估算退役锂电池SOC的VLLM动态模型,并验证了随机工况下退役锂电池SOC预测的可靠性。实验结果表明,该模型用优化神经网络法估算SOC的误差能控制在1%以内,随机工况误差在5%以内,提高了退役锂电池SOC的预测精度,为退役锂电池的梯次利用奠定了基础。展开更多
文摘针对长时间充放电后锂电池模组之间荷电状态(state of charge,SOC)不一致的问题,传统集中式均衡电路存在均衡速度过低的缺陷,以对称式开关阵列、Boost变换器与LC准谐振电路作为均衡主电路,提出了一种基于连续集模型预测控制(continuous control set model predictive control,CCS-MPC)的均衡控制策略。首先,对均衡系统进行建模,构建离散状态空间方程;然后,根据状态方程设计多步模型预测算法,并以SOC预测值和参考值、变换器开关管当前输入和上一时刻输入之间的误差作为价值函数;最后,对价值函数进行二次规划,在线求解出一组控制最优解,并应用于均衡系统,通过动态调整占空比以控制均衡电流的大小。相较于单步预测,多步预测需要考虑被控量在多个周期内保持最优,可以保证在每个均衡周期内均衡器都能输出最优的均衡电流,有效防止均衡器失稳。仿真结果表明,所提模型预测算法实现了各电池组SOC一致,保证了均衡电流的稳定输出,相比常规PI算法缩短了17%的均衡时间。
文摘针对传统方法在电动汽车锂电池荷电状态(State of Charge,SOC)预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法。该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性。研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题。
文摘为了实现退役动力锂电池荷电状态(State of Charge,SOC)的预测,针对退役锂离子电池特殊的非线性关系,提出自适应法和列文伯格算法(Levenberg-Marquardt,LM)相结合优化BP神经网络估算退役锂电池SOC的VLLM动态模型,并验证了随机工况下退役锂电池SOC预测的可靠性。实验结果表明,该模型用优化神经网络法估算SOC的误差能控制在1%以内,随机工况误差在5%以内,提高了退役锂电池SOC的预测精度,为退役锂电池的梯次利用奠定了基础。
