10.19799/j.cnki.2095-4239.2019.0268
基于反馈最小二乘支持向量机锂离子状态估计
锂离子电池荷电状态(SOC)的准确估计,直接影响电动汽车的安全运行,也是电池管理系统(BMS)重要的参数之一.然而在SOC估计过程中,会受到如测量设备的精度、荷载等因素的干扰.为了提高SOC的估计精度,本工作提出了一种新的基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型.将测量的锂离子电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,来训练LSSSVM模型.不同的是,为提高SOC的估计精度,将上一时刻估计的SOC值作为反馈向量,加入到输入向量中,用来估计当前时刻的SOC.通过实验工况采集的数据,并与传统的LSSVM、支持向量机(SVM)、神经网络(NN)比较,实验结果表明,该模型可以提高SOC的估计精度,估计误差可以控制在2%以内,验证了该模型的有效性.
锂离子电池、SOC、最小二乘支持向量机(LSSVM)
9
TM911
国家自然科学基金青年项目;河南省交通运输厅科技计划项目
2020-05-14(万方平台首次上网日期,不代表论文的发表时间)
共7页
951-957