【摘要】：針對混合動力電動汽車(HEV)電池荷電狀態(tài)(SOC)預測問題,引入貝葉斯極限學習機(BELM)方法。對極限學習機和貝葉斯線性回歸的基本原理進行詳細介紹,為提高極限學習機的擬合和泛化能力,采用貝葉斯方法來優(yōu)化極限學習機輸出層的權(quán)重。在循環(huán)工況條件下選擇電池的工作電壓、工作電流和表面溫度參數(shù)用來預測電池SOC的實時值,同時兼顧HEV再生制動時的能量回饋過程。高級車輛仿真軟件ADVISOR下的仿真結(jié)果和實際實驗結(jié)果均表明:所設(shè)計的預測模型具有較高的準確度,能夠?qū)崟r準確地預測出SOC值,實用性強且有效性高。
[Abstract]:Aiming at the (SOC) prediction of charge state of (HEV) battery in hybrid electric vehicle (HEV), the (BELM) method of Bayesian limit learning machine is introduced. The basic principle of limit learning machine and Bayes linear regression is introduced in detail. In order to improve the fitting and generalization ability of limit learning machine, the Bayesian method is used to optimize the weight of output layer of limit learning machine. Under the condition of cycle, the working voltage, working current and surface temperature parameters of the battery are selected to predict the real-time value of the battery SOC, and the energy feedback process of HEV regeneration braking is taken into account at the same time. The simulation results and practical experimental results under the advanced vehicle simulation software ADVISOR show that the designed prediction model has high accuracy and can predict the SOC value in real time and accurately, which is practical and effective.
【作者單位】： 江蘇理工學院電氣信息工程學院;江蘇大學機械工業(yè)設(shè)施農(nóng)業(yè)測控技術(shù)與裝備重點實驗室;南京工程學院電力工程學院;
【基金】：國家自然科學基金(51377074) 江蘇省優(yōu)勢學科建設(shè)工程項目(蘇政辦發(fā)[2011]6號) 江蘇省自然科學基金青年基金(BK20150246) 江蘇高校自然科學基金(15KJB470004) 江蘇理工學院人才引進項目(KYY15009)資助
【分類號】：TM912;U469.72

【相似文獻】

相關(guān)期刊論文 前10條

1 王福忠;鄧坤;;基于區(qū)域極點配置電池荷電狀態(tài)的估計方法[J];節(jié)能;2013年04期

2 趙凱;朱黎明;;無跡卡爾曼濾波的電池荷電狀態(tài)估計試驗研究[J];汽車工程學報;2013年05期

3 程博;韓琳;王軍平;曹秉剛;;利用免疫進化網(wǎng)絡(luò)的鎳氫電池組荷電狀態(tài)預測[J];西安交通大學學報;2007年11期

4 李革臣;古艷磊;;電化學阻抗譜法預測鋰電池荷電狀態(tài)[J];電源技術(shù);2008年09期

5 夏晴;劉志遠;;電動汽車動力電池荷電狀態(tài)的滑模估計方法[J];東南大學學報(自然科學版);2011年S1期

6 麻友良,陳全世,朱元;變電流下的電池荷電狀態(tài)定義方法探討[J];電池;2001年01期

7 何鵬林;王曉冬;;串聯(lián)鋰離子電池組荷電狀態(tài)評估方法對比[J];安全與電磁兼容;2011年01期

8 沈江;張文斌;全小紅;周嵩;陳景玲;;鈦酸鋰電池荷電狀態(tài)的試驗研究[J];新技術(shù)新工藝;2014年01期

9 葉林;陳政;趙永寧;;考慮電池荷電狀態(tài)的光伏功率分段平滑控制方法[J];電網(wǎng)技術(shù);2014年07期

10 余運俊;諶新;萬曉鳳;;電動汽車電池荷電狀態(tài)估計研究綜述[J];電源學報;2014年03期

相關(guān)會議論文 前3條

1 孫駿;李寶輝;;電動汽車電池荷電狀態(tài)的估算方法研究及展望[A];2012安徽省汽車工程學會年會論文集[C];2012年

2 張秀玲;宋建軍;;基于RBF神經(jīng)網(wǎng)絡(luò)的MH-Ni電池荷電狀態(tài)預估模型[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)交流會論文選編[C];2005年

3 程艷青;高明煜;;基于卡爾曼濾波的電動汽車SOC估計[A];浙江省電源學會第十一屆學術(shù)年會暨省科協(xié)重點科技活動“高效節(jié)能電力電子新技術(shù)”研討會論文集[C];2008年

相關(guān)博士學位論文 前1條

1 鄒幽蘭;基于退役鋰動力電池容量、內(nèi)阻和荷電狀態(tài)的建模與參數(shù)估計[D];中南大學;2014年

相關(guān)碩士學位論文 前10條

1 羅志亮;鋰電池荷電狀態(tài)自適應(yīng)估計算法研究[D];哈爾濱工業(yè)大學;2016年

2 張樹鵬;電動汽車電池荷電狀態(tài)及行動力分析研究[D];上海交通大學;2015年

3 夏晴;電動汽車用鋰離子電池荷電狀態(tài)估計算法的研究[D];哈爾濱工業(yè)大學;2011年

4 和曉念;鋰電池荷電狀態(tài)預測方法研究[D];河南師范大學;2012年

5 馬巍;電動汽車鉛酸蓄電池特性建模與荷電狀態(tài)估計[D];長安大學;2009年

6 于洋;動力鋰電池荷電狀態(tài)估計策略的研究[D];天津理工大學;2012年

7 郝國亮;超級電容荷電狀態(tài)計算方法的研究[D];華北電力大學;2012年

8 張洪近;電動汽車電池組主控及荷電狀態(tài)估測單元設(shè)計與開發(fā)[D];南京航空航天大學;2013年

9 張亞軍;基于MARS的車用鋰離子電池荷電狀態(tài)估計的研究[D];長春工業(yè)大學;2015年

10 肖雪峰;鋰電池荷電狀態(tài)（SOC）自適應(yīng)卡爾曼濾波估算及實現(xiàn)[D];湖南工業(yè)大學;2014年

，

本文編號：2520391