科研之友
微信
新浪微博
Facebook
分享链接
摘要
电动汽车充电过程的安全性与动力电池组的健康状态(SOH)紧密相关,因此SOH的高性能实时估计是充电过程中安全检测的重要基础.由于动力电池组的SOH受复杂结构、电芯类型、驾驶习惯、环境温度和充电行为等因素的深度影响,使现有基于单个或少量特定电池电芯实验数据的方法研究在面对整车动力电池组实时SOH估计时遭遇模型复杂、数据缺失、实时性差、精度不足等难题.针对建模困难、实时性和精度不足等问题,应用多方法集成融合思想,在电池经验退化模型上引入径向基函数(RBF)优化的宽度学习(BLS)神经网络,提出一种高性能的动力电池组SOH估计方法.首先,该方法采用经验退化模型和离线历史充电数据得到初步的SOH值;然后,应用RBF神经网络给出一种BLS系统中初始权重矩阵的确定方法,建立经验退化与径向基函数优化的宽度学习神经网络(RBF-BLS);紧接着,采用RBF-BLS神经网络和实时充电数据训练得到估计误差,并对经验退化模型得到的SOH进行补偿,从而得到更高精度的SOH估计值;最后,采用基于充电运营企业实际充电数据的计算机仿真例子来验证新方法的有效性和优越性.
- 单位
