【摘 要】
：
为提高行驶中电动汽车的动力电池荷电状态(SOC)估算精度,以磷酸铁锂电池为例,提出了一种基于粒子群优选遗忘因子最小二乘(PSO-FFRLS)在线辨识模型的电池SOC估算方法。首先建立电池二阶等效电路模型,然后运用粒子群优化(PSO)算法实时为遗忘因子递推最小二乘法(FFRLS)优选最佳遗忘因子,最后,在动态工况下,对比了常用定遗忘因子最小二乘和PSO-FFRLS的在线辨识端电压误差,并分别与扩展卡尔曼滤波(EKF)算法联合,对比2种方法的估算效果。结果表明,PSO-FFRLS的端电压在线辨识结果能更好地跟
【基金项目】
：
江苏省重点研发计划项目(BE2017008)。
论文部分内容阅读
为提高行驶中电动汽车的动力电池荷电状态(SOC)估算精度,以磷酸铁锂电池为例,提出了一种基于粒子群优选遗忘因子最小二乘(PSO-FFRLS)在线辨识模型的电池SOC估算方法。首先建立电池二阶等效电路模型,然后运用粒子群优化(PSO)算法实时为遗忘因子递推最小二乘法(FFRLS)优选最佳遗忘因子,最后,在动态工况下,对比了常用定遗忘因子最小二乘和PSO-FFRLS的在线辨识端电压误差,并分别与扩展卡尔曼滤波(EKF)算法联合,对比2种方法的估算效果。结果表明,PSO-FFRLS的端电压在线辨识结果能更好地跟
其他文献
消防应急照明和疏散指示系统是辅助人员安全疏散的建筑消防系统之一。结合国家标准GB 51309—2018《消防应急照明和疏散指示系统技术标准》与某剧场项目的设计经验,从消防应急灯具、配电、控制等多方面探讨了剧场建筑消防应急照明和疏散指示系统的设计原则或方法,可为相关电气设计人员提供参考。
电容柜的电气设计仅考虑计算补偿容量选择是远远不够的。介绍了环境温度与电容器使用寿命的关系,分析了低压电容补偿柜的各元件选择,给出了各核心元件选择的注意事项,并结合具体实例进行了分析。
结合甲类厂房的特点,介绍了在甲类厂房中设置等电位联结的必要性。并根据相关规范,对如何设置等电位联结、保护导体截面的选择等问题进行了分析说明,可为电气设计人员提供参考。
在研究配电房分布特点与管理现状的基础上,针对如何能有效、快捷地对配电房进行远程管理、智能运维的难题,运用物联网和信息技术,开发了一套对配电房进行智能化运维管理的云平台,其对配电房的电气设备、环境状况进行全方位不间断的智能监控与故障预警,实现大数据分析、视频监测、报警与视频联动等功能,实时掌握配电房的运行状况,并对异常情况及时处理,达到配电房真正意义上的“无人值守”效果。
结合武汉市青山楠姆方舱医院项目,从低压配电系统、照明插座系统、电气设备及管线安装、弱电系统等方面介绍了方舱医院的电气设计,其重点考虑是安全、可靠,线路配电满足灵敏度要求。
针对自动驾驶车辆的弯道转向控制问题,提出了一种基于驾驶员操纵数据分析和学习的控制方法。首先,建立了人-车-路软硬件综合模拟驾驶平台,采集了多位驾驶员在不同弯道上的转向操纵数据及车辆状态数据;然后,采用离散分析和拟合分析进行数据分析,并基于模糊综合评价算法建立转向行为评价体系进行数据评价与筛选;最后,将筛选后的驾驶员数据作为训练样本进行神经网络训练,建立基于神经网络的弯道转向控制器。仿真和实车验证结果表明,所设计的控制器能够很好地模拟熟练驾驶员在弯道上的转向行为,并能够保证车辆在弯道行驶的安全性和稳定性。
为了实现锂离子电池荷电状态(SOC)的精确估计,建立锂离子电池的二阶等效模型,提出基于加权自适应递推最小二乘法与扩展卡尔曼滤波(ARWEKF)的锂离子电池SOC估计方法。通过静态和动态工况下的仿真和试验进行验证,结果表明:ARWEKF算法的估计精度高于扩展卡尔曼滤波(EKF)算法和基于遗忘因子的递推最小二乘法(FFRLS),其模拟仿真的最大绝对误差为1.36%,均方根误差为0.42%,静态工况试验下的AE为0.67%,RMSE为0.21%,动态工况试验下的AE为1.86%,RMSE为0.56%。
家用配电箱在保障居民日常用电需求的同时,对安全性、可靠性、实用性有一定要求。介绍了相关标准规范中对家用配电箱设计的一些要求,分析了配电箱系统设计的3种方案,并对3种方案的优缺点进行比较,可为电气设计人员提供参考。
在由智能网联汽车(CAV)与网联人工驾驶汽车(CHV)组成的混合交通环境下,以提升网联信控交叉口的行车效率、降低燃油消耗量为目标,设计了网联信控交叉口场景,在完成车辆运动学、跟驰及油耗建模的基础上,提出了一种基于车辆编队的网联车辆协同诱导策略,以平均行驶延误时间和平均燃油消耗量为评价指标,基于SUMO平台完成仿真测试。测试结果表明:在稀疏、欠饱和及过饱和交通流量条件下,随CAV渗透率的提升,通行效率和燃油经济性不断提高;在CAV渗透率低于60%时,CHV驾驶员服从度对协同行车诱导策略性能的影响更为显著。
针对用单一方法难以准确预测锂离子电池剩余使用寿命(RUL)的问题,提出了非线性组合预测模型。对电池系统进行混沌判断,得到与实际容量相关性高的间接参数,利用重构后的数据对Elman网络及非线性自回归(NARX)网络进行训练和预测,得到表征电池性能退化的特征量;然后,用最小二乘支持向量机进行非线性组合,获得RUL的预测值。试验结果表明:非线性组合预测模型的预测精度优于Elman和NARX,具有更强的非线性预测能力。