電池荷電狀態(tài)（SOC）作為電池管理系統(tǒng)（BMS）重要參數(shù)之一,準確估計SOC尤為重要。由于SOC在估計過程中常會受到電壓、電流、充放電效率等眾多因素的影響,因此很難準確估計SOC。為了提高SOC的估計精度,本工作提出了基于最小二乘支持向量機（LSSVM）機器學習的鋰離子電池SOC估計模型。將該電池的電流、電壓和溫度作為模型的輸入向量,SOC作為模型的輸出向量,為了更好的獲得LSSVM模型的參數(shù),提出了利用自適應(yīng)粒子群算法來進行參數(shù)優(yōu)化,從而獲得高精度SOC估計模型。通過恒流充放電實驗采集的數(shù)據(jù),并和未優(yōu)化的粒子群優(yōu)化的LSSVM、支持向量機（SVM）神經(jīng)網(wǎng)絡(luò)（NN）相比,所提模型的SOC估計精度誤差為1.63%,驗證了算法的有效性。 

【文章來源】：儲能科學與技術(shù). 2020,9(04)CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

2 NN估計的絕對誤差

1 NN預(yù)測圖

0 SVM估計的絕對誤差

【參考文獻】：
期刊論文
[1]基于高斯過程回歸的鋰離子電池SOC估計[J]. 李嘉波,魏孟,葉敏,焦生杰,徐信芯.  儲能科學與技術(shù). 2020(01)
[2]基于UKF的在線鋰離子電池SOC估算研究[J]. 徐勁力,馬國慶.  電源技術(shù). 2019(10)
[3]基于BP人工神經(jīng)網(wǎng)絡(luò)的動力電池SOC估算方法[J]. 蘇振浩,李曉杰,秦晉,杜文杰,韓寧.  儲能科學與技術(shù). 2019(05)
[4]基于在線參數(shù)辨識和AEKF的鋰電池SOC估計[J]. 田茂飛,安治國,陳星,趙琳,李亞坤,司鑫.  儲能科學與技術(shù). 2019(04)
[5]鋰電池SOC拐點修正安時積分實時估算方法[J]. 劉東,黃碧雄,王一全,嚴曉,王影.  儲能科學與技術(shù). 2019(05)
[6]基于模糊卡爾曼濾波的鋰電池SOC估算研究[J]. 黃宇航,陳勇.  北京信息科技大學學報(自然科學版). 2019(03)
[7]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)蓄電池壽命預(yù)測研究[J]. 吳海洋,繆巍巍,郭波,呂順利,吳昊,滕欣元.  計算機與數(shù)字工程. 2019(05)
[8]基于雙時間尺度擴展卡爾曼粒子濾波算法的電池組單體荷電狀態(tài)估計[J]. 劉征宇,湯偉,王雪松,黎盼春.  中國機械工程. 2018(15)
[9]基于開路電壓法的電池荷電狀態(tài)估計誤差校正[J]. 鮑慧,于洋.  中國民航飛行學院學報. 2014(05)

碩士論文
[1]基于平方根容積卡爾曼濾波的退役動力電池SOC估算研究[D]. 袁鑫.新疆大學 2019



本文編號：3480697