原文传递
HEV电池组SOC模型参数辨识及其智能预估研究
| 论文题名： | HEV电池组SOC模型参数辨识及其智能预估研究 |
| 关键词： | 混合动力汽车;SOC预测;支持向量机;最小二乘法;遗传算法;电池组 |
| 摘要： | 随着混合动力汽车的大力发展及应用，作为混合动力汽车动力源之一的动力电池及其管理系统对整车的性能起到了关键作用。一个好的电池管理系统，不但可以实时监测电池电压、充放电电流和温度等可诊断电池状况的特性参数，而且还可以实现电池的荷电状态(State Of Charge，SOC)和最大允许充放电电流预测，提升电池的性能和寿命。但目前电池管理系统的研究与开发面临着SOC预测精度不高和电池的均衡性较差等难题。目前，如何有效开展电池管理系统研发工作，有效解决SOC预测精度不高和电池的均衡性较差等难题是摆在混合动力领域专家以及工程技术人员面前亟待解决的首要任务。为此，论文以湖南大学“985工程”项目和江苏省重点实验室开放基金项目为依托，对混合动力汽车(Hybrid ElectricVehicle，HEV)电池组SOC模型参数辨识及其智能预估进行了研究，选题既具有理论意义，又具有实用价值。 论文作者采用Simulink仿真软件、支持向量机技术、遗传算法以及仿真实验等相结合的方法，开展了混合动力汽车电池组SOC模型参数辨识及其智能预估研究，论文主要研究工作和创新之处为： (1)针对混合动力汽车动力电池的优缺点，综合评估了镍氢电池安全性与充放电性能，并对其工作原理与充放电特性进行了研究分析，为镍氢动力电池模型参数辨识奠定了较好的理论基础。 (2)针对PNGV标准电池模型，采用辅助变量法和最小二乘法相融合的方法应用于混合动力镍氢动力电池在线参数辨识，仿真分析结果显示，混合动力镍氢动力电池在线参数辨识最大误差为4.2V，平均误差为0.57V，能精确反映电池真实充放电情况。 (3)采用遗传算法优化最小二乘支持向量机参数，进行了电池SOC的最小二乘支持向量机估算。对比结果显示，经遗传算法优化的最小二乘支持向量机估算方法最大误差为2.36％，平均误差为0.48％，且训练时间短，有利于电池SOC的实时在线估算。 |
| 作者： | 钱承 |
| 专业： | 动力机械及工程 |
| 导师： | 朱浩;邓元望 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2011 |
| 正文语种： | 中文 |
检索历史
应用推荐
