基于物理-數(shù)據(jù)融合模型的鋰離子電池荷電狀態(tài)估計(jì)
發(fā)布時(shí)間：2021-01-14 02:50
近年來,鋰離子電池作為新一代環(huán)保型儲(chǔ)能電池在各個(gè)領(lǐng)域都得到了廣泛地發(fā)展及應(yīng)用,而對(duì)其在當(dāng)下以及未來的應(yīng)用和發(fā)展,也始終是學(xué)界所關(guān)注的熱門問題。這其中,關(guān)于如何提高鋰離子電池荷電狀態(tài)在線估計(jì)精度的問題一直是鋰離子電池研究領(lǐng)域的重點(diǎn),也是難點(diǎn)問題。本文首先對(duì)鋰離子電池的工作原理以及特性進(jìn)行詳細(xì)介紹,與當(dāng)前常見動(dòng)力電池性能進(jìn)行對(duì)比,說明了鋰離子電池作為動(dòng)力電池的優(yōu)勢(shì),并針對(duì)鋰離子電池荷電狀態(tài)在線估計(jì)的問題,著重對(duì)當(dāng)前國內(nèi)外常見荷電狀態(tài)估計(jì)方法進(jìn)行詳細(xì)的分析比較,說明了各種方法的優(yōu)缺點(diǎn)。其次,本文使用MATLAB/Simulink模塊庫中的鋰離子電池構(gòu)建放電仿真模型,分別獲取兩組不完全相同的電池電壓、電流及鋰離子電池荷電狀態(tài)數(shù)據(jù),為后續(xù)研究提供數(shù)據(jù)上的支持。本文重點(diǎn)對(duì)提高鋰離子電池荷電狀態(tài)的估計(jì)精度做出以下幾點(diǎn)研究。首先,為提高鋰離子電池荷電狀態(tài)的在線估計(jì)精度,本文對(duì)安時(shí)積分法進(jìn)行研究,針對(duì)該方法的估計(jì)誤差隨時(shí)間不斷累積的問題,以機(jī)器學(xué)習(xí)中的極限學(xué)習(xí)機(jī)算法為基礎(chǔ),通過對(duì)電池電流及相同電流下由安時(shí)積分法估計(jì)得到的荷電狀態(tài)的估計(jì)誤差的學(xué)習(xí),得到安時(shí)積分法的誤差預(yù)測(cè)模型,并將其輸出值作為校正項(xiàng),對(duì)安...
【文章來源】：蘭州理工大學(xué)甘肅省
【文章頁數(shù)】：69 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
OCV-SOC曲線
BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層前饋網(wǎng)絡(luò)模型中的一種。神經(jīng)網(wǎng)絡(luò)模擬人類大腦的特性,網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn)被稱為神經(jīng)元,大量的神經(jīng)元相互連接就構(gòu)成了復(fù)雜的神經(jīng)網(wǎng)絡(luò)。作為BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ),傳統(tǒng)用作單輸出預(yù)測(cè)的單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-hidden layer feedforward neural networks,SLFNs)結(jié)構(gòu)如圖1.2所示[29],其中輸入層有n個(gè)神經(jīng)元,對(duì)應(yīng)n個(gè)輸入量,在鋰離子電池SOC估計(jì)中,輸入量通常選為電池的電流、電壓、溫度等外特性;隱含層有L個(gè)神經(jīng)元;輸出層輸出鋰離子電池的荷電狀態(tài);為輸入層和隱含層之間的權(quán)值;為輸出層和隱含層之間的權(quán)值;隱含層神經(jīng)元閾值為為輸出層神經(jīng)元閾值。劉春光等學(xué)者利用BP神經(jīng)網(wǎng)絡(luò)建立了SOC的估計(jì)模型,并利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,使最終得到的預(yù)測(cè)模型的預(yù)測(cè)誤差始終低于2%[30]。此外,有學(xué)者利用自適應(yīng)的人工神經(jīng)網(wǎng)絡(luò)對(duì)電池SOC進(jìn)行在線估計(jì),結(jié)果表明,自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)SOC進(jìn)行估計(jì)時(shí)同樣擁有較高的精度[31]。(2)SVM
SVM算法于1992年被Vapnik等人提出后便受到研究者的廣泛關(guān)注,當(dāng)前,該算法已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的標(biāo)準(zhǔn)工具[32]。與神經(jīng)網(wǎng)絡(luò)相似,SVM利用劃分超平面的思想,以電池的電壓、電流及溫度等外特性作為輸入,以SOC作為輸出,通過訓(xùn)練即可得到基于支持向量機(jī)的鋰離子電池荷電狀態(tài)預(yù)測(cè)模型,其工作方式如圖1.3所示[33]。盛瀚民等人利用SVM算法建立了適用于鋰離子電池SOC估計(jì)的預(yù)測(cè)模型,并利用粒子群優(yōu)化算法對(duì)模型進(jìn)行優(yōu)化,最終得到了基于SVM算法的,平均誤差為0.07%的SOC預(yù)測(cè)模型[34]。(3)ELM
本文編號(hào)：2976057
【文章來源】：蘭州理工大學(xué)甘肅省
【文章頁數(shù)】：69 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
OCV-SOC曲線
BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層前饋網(wǎng)絡(luò)模型中的一種。神經(jīng)網(wǎng)絡(luò)模擬人類大腦的特性,網(wǎng)絡(luò)中的各個(gè)節(jié)點(diǎn)被稱為神經(jīng)元,大量的神經(jīng)元相互連接就構(gòu)成了復(fù)雜的神經(jīng)網(wǎng)絡(luò)。作為BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ),傳統(tǒng)用作單輸出預(yù)測(cè)的單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-hidden layer feedforward neural networks,SLFNs)結(jié)構(gòu)如圖1.2所示[29],其中輸入層有n個(gè)神經(jīng)元,對(duì)應(yīng)n個(gè)輸入量,在鋰離子電池SOC估計(jì)中,輸入量通常選為電池的電流、電壓、溫度等外特性;隱含層有L個(gè)神經(jīng)元;輸出層輸出鋰離子電池的荷電狀態(tài);為輸入層和隱含層之間的權(quán)值;為輸出層和隱含層之間的權(quán)值;隱含層神經(jīng)元閾值為為輸出層神經(jīng)元閾值。劉春光等學(xué)者利用BP神經(jīng)網(wǎng)絡(luò)建立了SOC的估計(jì)模型,并利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,使最終得到的預(yù)測(cè)模型的預(yù)測(cè)誤差始終低于2%[30]。此外,有學(xué)者利用自適應(yīng)的人工神經(jīng)網(wǎng)絡(luò)對(duì)電池SOC進(jìn)行在線估計(jì),結(jié)果表明,自適應(yīng)人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)SOC進(jìn)行估計(jì)時(shí)同樣擁有較高的精度[31]。(2)SVM
SVM算法于1992年被Vapnik等人提出后便受到研究者的廣泛關(guān)注,當(dāng)前,該算法已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的標(biāo)準(zhǔn)工具[32]。與神經(jīng)網(wǎng)絡(luò)相似,SVM利用劃分超平面的思想,以電池的電壓、電流及溫度等外特性作為輸入,以SOC作為輸出,通過訓(xùn)練即可得到基于支持向量機(jī)的鋰離子電池荷電狀態(tài)預(yù)測(cè)模型,其工作方式如圖1.3所示[33]。盛瀚民等人利用SVM算法建立了適用于鋰離子電池SOC估計(jì)的預(yù)測(cè)模型,并利用粒子群優(yōu)化算法對(duì)模型進(jìn)行優(yōu)化,最終得到了基于SVM算法的,平均誤差為0.07%的SOC預(yù)測(cè)模型[34]。(3)ELM
本文編號(hào)：2976057
本文鏈接：http://sikaile.net/kejilunwen/dianlidianqilunwen/2976057.html
最近更新
教材專著
