近年来,能源危机和环境污染越来越成为公众所关注的重点,新能源汽车作为一种可以有效缓解危机的手段而得以快速发展。动力系统是新能源汽车不可或缺的储能系统,在一定程度上决定着新能源汽车的性能。动力电池的荷电状态(State of charge...
详细信息
近年来,能源危机和环境污染越来越成为公众所关注的重点,新能源汽车作为一种可以有效缓解危机的手段而得以快速发展。动力系统是新能源汽车不可或缺的储能系统,在一定程度上决定着新能源汽车的性能。动力电池的荷电状态(State of charge,简称SOC)是新能源汽车的动力系统所需要解决的关键问题之一。准确的SOC估计可以有效判断汽车的续航里程,可以为用户提供合理的整车控制意见,保证电池管理系统的可靠工作。同时对于动力电池而言,准确的SOC估计,可以有效避免动力电池组的过充和过放等对电池有永久损害的操作。因此动力电池的SOC估计作为新能源汽车发展的关键环节,具有十分重要的研究意义。本文通过对比选择了磷酸铁锂电池作为研究对象。为了让研究具有更高的现实意义,同时反映工业应用中的动力电池的整体性能,本文选用应用在实车上的磷酸铁锂电池包作为实验对象。首先,在了解了磷酸铁锂电池的电池特性和性能参数后,设计并进行了针对电池包自放电、放电电压、放电倍率、环境温度以及内阻的实验。通过实验分析了电池各种性能参数的特性以及对磷酸铁锂电池包SOC的影响,最后综合考虑选择放电电压、放电倍率、环境温度和内阻作为SOC估计的主要参数。其次,本文设计并在MATLAB平台上搭建了基于BP神经网络的SOC估计模型。通过实验采集了磷酸铁锂电池包在各种环境下的放电数据,并使用这些数据对SOC估计模型进行训练。对训练好的模型进行实验研究,分析了隐含层数目对SOC估计精度影响,最终得出了仅使用BP神经网络搭建的模型估计精度不足,且稳定性有待提高等结论。最后,针对BP神经网络搭建的SOC估计模型存在的问题,本文使用遗传算法对模型的权值阈值选择进行优化。通过研究,设计并使用MATLAB代码编写了针对BP神经网络SOC估计的遗传优化算法,将优化算法与估计模型融合。通过之前实验获得的数据对优化后的模型进行训练并进行实验分析。实验结果表明遗传算法对估计模型的精度和稳定性都有明显的优化效果,且在隐含层较小的前提下,即可获得满足实际应用需求精度的模型,对模型的拓扑结构有很大的简化效果,缩短了模型的训练和估计的时间。
暂无评论