检索结果-南通市图书馆

检索条件"主题词=状态联合估计"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

电动汽车锂离子动力电池状态联合估计方法研究

电动汽车锂离子动力电池状态联合估计方法研究

引用

作者：吴志强华南理工大学

学位级别：硕士

发展电动汽车是实现“双碳”目标的有效途径,但电动汽车的安全性和续航里程尚无法满足大规模增长的发展需求,仍然制约着其发展。锂离子电池作为电动汽车的动力来源,面对电池内部复杂的电化学反应以及多变的车辆应用场景,精准地估计电池... 详细信息

发展电动汽车是实现“双碳”目标的有效途径,但电动汽车的安全性和续航里程尚无法满足大规模增长的发展需求,仍然制约着其发展。锂离子电池作为电动汽车的动力来源,面对电池内部复杂的电化学反应以及多变的车辆应用场景,精准地估计电池的各项状态(State of x,SOX),包括荷电状态(State of Charge,SOC)、能量状态(State of Energy,SOE)与健康状态(State of Health,SOH)等,是保障动力电池安全高效运行、提高电池寿命的重要前提。因此,本文为实现锂离子动力电池SOC、SOH和SOE三种重要状态的精准联合估计,将通过构建基于双自适应扩展卡尔曼滤波(Double Adaptive Extended Kalman Filter,DAEKF)的锂离子电池等效电路模型和考虑电化学机理的神经网络模型,并以18650锂离子电池充放电实验和实车行驶过程作为状态估计方法验证;通过对比基于模型构建和基于数据驱动的两种估计方法,得到在不同情境下锂离子动力电池更适合更精准的状态估计方法。首先,在分析锂离子电池状态估计方法的国内外研究现状后,概述了锂离子电池充放电过程的基本工作原理和电池SOC、SOH和SOE的基本定义公式,总结归纳了常见的锂离子电池状态估计方法,包括基于等效电路模型、电化学机理模型和神经网络模型的估计方法,最后搭建锂离子电池实验平台,进行锂离子电池特性测试。随后,构建二阶RC等效电路模型,采用带遗忘因子的最小二乘法进行模型参数的在线辨识,为解决扩展卡尔曼滤波(Extended Kalman Filter,EKF)不能很好地适应电动汽车动力电池在行驶中受到复杂多变噪声干扰和SOC、SOH、SOE三种电池重要状态的联合估计问题,构建DAEKF的状态空间方程,在不同时间尺度下实现基于DAEKF算法的锂离子电池多时间尺度SOC、SOH和SOE在线状态联合估计。最后以18650锂离子电池充放电实验以及电动汽车实际行驶过程进行方法的检验,通过与EKF算法的结果对比表明,基于DAEKF算法的锂离子电池SOC、SOH和SOE状态联合估计方法能够有效地实现锂离子电池的多状态在线联合估计,具有更好的估计精度和稳定性表现。为进一步地提高锂离子动力电池状态联合估计的精度,尝试构建考虑锂离子电池内部电化学反应机理的长短期记忆(Long Short-Term Memory,LSTM)神经网络模型,再通过所构建的LSTM神经网络模型进行锂离子电池状态联合估计方法研究,并以18650锂离子电池充放电实验以及电动汽车实际行驶过程进行状态估计方法的检验。初步验证结果表明,考虑电化学机理建模的LSTM神经网络模型能够有效地实现锂离子电池的状态联合估计,相较循环神经网络(Recurrent Neural Network,RNN)具有更高的准确性、更好的收敛性和稳定性。与基于DAEKF算法的锂离子电池状态联合估计方法相比,考虑电化学机理建模的LSTM神经网络模型状态联合估计方法具有更高的估计精度和稳定性,特别在实车验证工况下,SOC、SOH和SOE平均估计误差分别降低了2.44%、1.49%、2.30%。

关键词：电动汽车锂离子动力电池状态联合估计 LSTM神经网络 DAEKF算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据驱动的锂电池状态及剩余充电时间估计方法研究

基于数据驱动的锂电池状态及剩余充电时间估计方法研究

引用

作者：于程程烟台大学

学位级别：硕士

随着新能源汽车的迅速普及,锂电池因其优异的充放电性能而成为新能源汽车的首选动力来源,被广泛应用其中。为确保电池的稳定高效运行以及延长电池循环寿命,高效的电池管理系统(Battery Management System,BMS)至关重要。在BMS中,荷电状... 详细信息

随着新能源汽车的迅速普及,锂电池因其优异的充放电性能而成为新能源汽车的首选动力来源,被广泛应用其中。为确保电池的稳定高效运行以及延长电池循环寿命,高效的电池管理系统(Battery Management System,BMS)至关重要。在BMS中,荷电状态(State of Charge,SOC)、能量状态(State of Energy,SOE)以及剩余充电时间(Remaining Charge Time,RCT)是其监测关键指标,直接影响电池的运行安全性和稳定性。因此,本文提出了基于数据驱动框架的方法,以实现准确的电池状态联合估计(SOC与SOE)和RCT估计。并通过实验室锂电池充放电实验和实车充电实验验证了该方法的有效性,主要展开以下工作:(1)针对锂电池运行场景复杂多变下联合估计模型精度低的问题,提出了基于CNN-Bi LSTM的SOC与SOE联合估计模型。通过融合卷积神经网络(Convolutional Neural Network,CNN)和双向长短时记忆网络(Bidirectional Long Short-Term Memory,Bi LSTM),设计了合理的CNN-Bi LSTM网络框架,以更有效地捕捉电池充放电过程中的时空信息,提高估计模型的精度。此外,在输入数据中采用了滑动窗口技术对其进行切割,形成“多时域”输入结构,使得模型更好的学习不同时序内的数据特征。最后,在恒温充、放电场景下进行了12组实验验证,并且在变温条件下对比了LSTM、Bi LSTM等三个深度模型的估计性能。结果表明,CNN-Bi LSTM在不同应用场景下SOC与SOE的平均RMSE分别为0.56%和0.59%。(2)针对不同区间和电池数据间存在的分布不一致性,导致模型的适应性差的问题,提出了一种基于迁移学习(Transfer Learning,TL)的CNN-Bi LSTM模型。首先,利用源域数据进行训练,得到预训练模型。然后,采用基于模型的迁移学习方法对模型进行微调,以使其适应于目标数据集。最后,通过在不同放电区间和不同类型电池的数据上验证模型的泛化能力,并与未迁移学习模型性进行了12组实验对比。实验结果表明,基于CNN-Bi LSTM-TL模型SOC与SOE的平均RMSE分别降低了0.91%和1.15%。(3)在(1)和(2)准确估计的基础上,针对真实充电场景的多变性和充电过程的复杂性,提出了一种基于深度学习的多场景充电数据估计框架,用于估计RCT。通过深入对多场景充电数据进行分析,采用具有较强泛化能力的时间卷积网络(Temporal Convolutional Network,TCN)模型来估计RCT。针对电池系统的非线性特性,基于动态学习率(Dynamic Learning Rate,DLR)机制和早期停止策略(Early Stop,ES),设计了DLR-ES-TCN模型,以平衡模型收敛速度和精度之间的关系。最后,在多场景多模型下进行了5组实验验证。结果表明,DLR-ES-TCN方法具有更高的精度和泛化能力,其MAPE最大为1.82%。

关键词：锂电池数据驱动深度学习状态联合估计剩余充电时间迁移学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于H∞滤波的锂电池SOC与SOP联合估计研究

基于H∞滤波的锂电池SOC与SOP联合估计研究

引用

作者：刘雨洋西南科技大学

学位级别：硕士

随着世界能源格局的转变,锂离子电池已成为新能源储能领域的重要组成部分。准确的电池状态估算对电能的高效使用和延长电池使用寿命起到关键作用,而电池的荷电状态与功率状态则是关系锂电池使用过程中有效性与安全性的关键参数。本文的... 详细信息

随着世界能源格局的转变,锂离子电池已成为新能源储能领域的重要组成部分。准确的电池状态估算对电能的高效使用和延长电池使用寿命起到关键作用,而电池的荷电状态与功率状态则是关系锂电池使用过程中有效性与安全性的关键参数。本文的目的是获取高精度的电池等效模型参数和优化电池状态估算方法,并进行实验验证分析,以下是本文的主要研究内容。(1)对锂离子电池的工作原理和特性进行了分析,并进行了等效建模。同时,基于电池本身的特性进行了特定实验,获取锂离子电池在特定实验下的开路电压、脉冲响应特性和内阻效应的变化规律。基于实验结果进行分析设计,考虑了锂离子电池充放电时的动态特性结合二极管的单向导电性,构建了改进的PNGV等效电路模型,通过双RC并联回路体现锂离子电池的浓差极化与电化学极化效应,为后续参数辨识与状态估计提供依据。(2)基于动态粒子群寻优算法对遗忘因子的最小二乘法(Forgetting Factor Recursive Least Square,FFRLS)进行优化。通过对锂离子电池工作时的内部反应和外部影响因素的分析,使用粒子群寻优(Particle Swarm Optimization,PSO)算法对遗忘因子最小二乘法进行优化,通过寻优算法在迭代中寻找到最优的遗忘因子,通过动态化PSO中的惯性权重,提高锂离子电池的参数辨识速度,形成一种动态粒子群优化的遗忘因子最小二乘参数在线辨识方法。实验结果表明,改进的算法相比传统遗忘因子最小二乘法算法精度更高,通过电压模拟测试,误差在0.02V以下。(3)基于自适应H∞滤波算法的高精度SOC估算策略设计。为了提高传统荷电状态(State of Charge,SOC)估计算法的鲁棒性,设计一种基于Sage-Husa自适应的H∞滤波(H-infinity Flitering,HIF)算法,通过自适应匹配人为设定的固定值误差协方差矩阵,使噪声特性匹配系统当前状态,要在H∞滤波算法稳定性的前提下,提高估算精度,同时尽可能减少估计误差。仿真结果表明,对比扩展卡尔曼滤波(Extended Kalman Filter,EKF)与H∞滤波算法,改进的算法具有更高的估计精度,三种复杂工况的SOC估算误差均在2%以内,为荷电状态估算提供一种新思路。(4)基于多参数约束的功率状态(State of Power,SOP)估算研究。针对传统功率状态估计方法精度不高的问题,设计一种考虑温度多变的多参数约束的SOP估算策略,分别以电压约束、电流约束和SOC约束为条件,对锂离子电池SOP进行估算。为了进行锂离子电池SOP的估算,设计了一种基于多参数约束的SOP估计算法,并通过对不同温度下的动态应力测试(Dynamic Stress Test,DST)和北京公交动态应力测试(Beijing Bus Dynamic Stress Test,BBDST)工况进行验证分析,以验证所构建的SOP估算策略的有效性。由实验结果可知,本文构建的多参数约束SOP估算策略可以对瞬时和不同持续时间的SOP进行跟踪,且SOP的最大估算误差小于84W。综上所述,本文从电池特性的影响因素入手,通过建立一种动态粒子群优化的遗忘因子最小二乘在线辨识方法,以实现电池参数辨识过程中的精度提升;通过SageHusa方法对H∞滤波算法进行自适应改进,旨在减少噪声影响,增加估算准确度。在此基础上通过不同温度的工况实验,证明了所改进的算法具有较高精度,为电池的安全高效运行提供了理论依据。

关键词：锂离子电池荷电状态估算功率状态估算动态粒子群优化算法 H∞滤波状态联合估计

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：