《表3 整车技术参数:基于神经网络的电池SOC估算及优化方法》
模型的输入为负载功率P、电流I、温度T及随机干扰信号D,输出为SOC预测值。训练数据采用温度为20℃下,纯电动车整车在CYC_NEDC(新欧洲行驶循环)工况下的8次循环中电池包的电流、负载功率、温度的0.1s采样值,使用经预处理的15 381个高质量数据样本对模型进行训练和预测。整车参数如表3。8次新欧洲行驶工况曲线如图3,其对应的电池组参数变化曲线如图4,可看出SOC变化是高度非线性,并且受到老化、温度等多因素影响。使用如图5所示的干扰信号模拟随机因素对SOC估计的干扰。运算时间在Intel(R)Core(TM)i7-4510UCUP@2GHz处理器,Matlab平台上对对电池包实验数据进行训练和预测所计算得到,因为不同的芯片运算性能不同,SOC预测时间也不同,但是模型的优化效果具有相同的趋势,这里对模型运算时间进行定性分析。
图表编号 | XD00164293900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.25 |
作者 | 李永颖、张振东、朱顺良 |
绘制单位 | 上海理工大学机械工程学院、上海理工大学机械工程学院、国家机动车产品质量检测与监督中心新能源研究所 |
更多格式 | 高清、无水印(增值服务) |