电动车电池SOC估计的径向基函数神经网络方法

被引：60

作者：

雷肖

陈清泉

刘开培

马历

机构：

[1] 武汉大学电气工程学院

来源：

电工技术学报 | 2008年 / 05期

关键词：

电动车; 荷电状态; 神经网络; 径向基函数; 广义生长剪枝;

D O I：

10.19595/j.cnki.1000-6753.tces.2008.05.014

中图分类号：

U463.633 [];

学科分类号：

摘要：

结合电池容量估计问题,将广义生长剪枝径向基函数神经网络方法用于判断电动车蓄电池的荷电状态。通过神经网络输入参数的选择,文章设计标准模型、递推模型和安时模型三种不同的估计模型。实验结果表明:估计模型经过训练后,可以通过,蓄电池的工作电压、工作电流和表面温度参数估计蓄电池的荷电状态实时值,其中安时模型的训练时间、估计精度、网络的规模较其他两种模型更为出色。同时,本文引入解耦卡尔曼滤波器算法,有效提高了广义生长剪枝径向基神经网络的训练速度,在保证精度的前提下,将模型的训练时间缩短了1/2。

引用

页码：81 / 87

页数：7

共 5 条

[1]

最优估计及其应用[M]. 科学出版社 , 贾沛璋, 1984

[2] A new battery available capacity indicator for electric vehicles using neural network [J].

Shen, WX ;

Chan, CC ;

Lo, EWC ;

Chau, KT .

ENERGY CONVERSION AND MANAGEMENT, 2002, 43 (06) :817-826

[3]

The available capacity computation model based on artificial neural network for lead–acid batteries in electric vehicles[J] . C.C Chan,E.W.C Lo,Shen Weixiang.Journal of Power Sources . 2000 (1)

[4]

Universal battery parameterization to yield a non-linear equivalent circuit valid for battery simulation at arbitrary load[J] . Evgenij Barsoukov,Jong Hyun Kim,Chul Oh Yoon,Hosull Lee.Journal of Power Sources . 1999 (1)

[5] A sequential learning scheme for function approximation using minimal radial basis function neural networks [J].

Lu, YW ;

Sundararajan, N ;

Saratchandran, P .

NEURAL COMPUTATION, 1997, 9 (02) :461-478

← 1 →