【摘 要】
：
燃料汽车的尾气污染在大气污染中占比大,导致生态环境破坏严重。随着我国绿色经济政策稳步实施,污染较少的电动汽车正逐步取代燃料汽车。所以电动汽车的动力核心电池管理系统技术的创新与发展成为当今社会研究的热门课题之一。而电动汽车的电池荷电状态（State of charge,SOC）和剩余续航是动力核心电池管理系统技术中的重要参数。因此本文选择电动汽车电池SOC和续航预测为课题,针对现有研究中所存在的问题
论文部分内容阅读
燃料汽车的尾气污染在大气污染中占比大,导致生态环境破坏严重。随着我国绿色经济政策稳步实施,污染较少的电动汽车正逐步取代燃料汽车。所以电动汽车的动力核心电池管理系统技术的创新与发展成为当今社会研究的热门课题之一。而电动汽车的电池荷电状态（State of charge,SOC）和剩余续航是动力核心电池管理系统技术中的重要参数。因此本文选择电动汽车电池SOC和续航预测为课题,针对现有研究中所存在的问题进行分析并提出了WLA方法,WLA方法有WLA模型和WLA动态模型分别用在相适应的场合。（1）目前电池SOC预测方法中还存在如下问题:开路电压法不能进行实时监测,安时积分法对初值要求高,卡尔曼滤波对模型精度要求高,以及神经网络算法对数据质量要求高,对平稳数据处理没有优势的问题。为解决以上方法中所存在的问题,本文提出了一种基于小波分析、长短期记忆神经网络和差分整合移动平均自回归的WLA模型去预测电动汽车SOC。（W代表小波分析（Wavelet Analysis,WA）,L代表长短期记忆神经网络（Long Short-Term Memory,LSTM）,A代表差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model,ARIMA）。）此方法可对数据去噪;能精准分析信息的各个频率;对电池SOC可实时监测,且对初值和模型精度要求不高。使用WLA模型电池SOC进行预测,与其他模型对比分析得出WLA模型比其他模型的精度都高的结论。（2）为解决电动汽车续航预测研究现状所面临的所剩电量准确度不高,以及在模型预测过程中的计算量和累计误差较大的问题。本文提出了以下解决方案:提出了将剩余电量与续航里程的关系,转变为修正后电池SOC与续航里程的关系;提出了根据电池SOC的变化量（?SOC）做数据切片,并且将?SOC作为预测步长的方法。该方法比传统方法的过渡变量减少一个,预测步数减少272步,计算时间减少了约4.5倍;提出了将WLA模型进一步改进为WLA动态模型预测剩余可续驶里程,进一步减小多步预测的累积误差,根据对比分析此模型比其他模型精度高。本研究使电动汽车电池SOC和续航预测的数据更干净,数据可分为各个频率精准分析,且能实时监测,对初值和模型精度得要求降低;在剩余行驶里程问题中,使所剩电量计算值准确度提高,预测过程中的计算量和累计误差减小。从而使电动汽车电池SOC及续航预测更加精准,有助于电动汽车行业的发展。
其他文献
准确、灵敏地检测出配电网的故障是配电网持续安全运行的前提。采用的故障检测技术先进与否,决定了能否及时识别故障以避免故障进一步扩展,从而避免给社会、经济、生活带来消极的影响。由于我国配电网系统的中性点广泛采用小电流接地方式,当发生单相接地故障时,故障电流小,即存在故障特征难以识别的问题,这使得传统检测方法的准确率并不高。现实中配电网线路分支多且连接复杂、故障条件多变以及数据传输时出现的数据缺失、数据
输电线路作为电力系统中电能传输的重要组成部分,覆冰会引起导线舞动和杆塔倒塌等危害电力系统安全运行的事故,对各行业生产工作造成负面影响。因此,及时对线路覆冰状态进行检测、覆冰厚度进行测量,成为保障输电线路安全运行的一项重要手段。传统输电线路覆冰检测方法多为人工观测、模拟导线法或称重法实现覆冰状态检测,针对传统方法存在的劳动强度大、结果准确度不高、不能及时获取覆冰数据等问题,本文提出一种基于双目视觉的
随着电动汽车充电需求的快速增长,传统的中心化充电交易管理系统因存在建设成本高、利用率低、维护困难等缺点,已成为了目前电动汽车产业发展的主要瓶颈。因此,构建利用私有充电站进行商业化运营的新型充电交易管理系统,成为了突破这一瓶颈的有力途径,目前已受到学术界和工业界的广泛关注。在这类开放式、分布式的网络中,如何在缺乏中心节点的情况下,管理和约束交易双方的行为,是确保充电交易管理系统正常运营的关键。围绕此
电力业务意图文本分类旨在通过一定的分类体系或标准对用户意图文本进行自动分类标记,是搭建电力业务智能对话系统和推进国家电网信息化的重要组成部分。随着大数据和深度学习在电力行业的广泛应用,电网运行效率和服务质量得到极大提升,然而,现有电力业务意图文本分类模型仍存在准确率不佳和缺乏领域针对性等问题。本文针对电力业务对话意图文本分类数据集,重点研究了多种神经网络在意图文本分类中的应用,分析了卷积神经网络、
随着全球环境的问题愈发严峻,可以有效利用分布式新能源发电的微电网系统受到了各个国家的广泛关注。微电网的数据安全与系统的稳定运行息息相关,微电网系统的电力交易、发电预测、经济调度等功能都取决于其所用数据的可靠性。然而,微电网系统通常使用集中式的存储机制。集中式的存储机制容易发生单点故障,不法分子对数据中心的攻击可能会导致大量数据的泄露或篡改。这严重威胁了微电网系统的数据安全。因此,寻找新兴技术来保护
随着智慧城市建设的逐步深入,各类基于物联网的信息化基础设施正在被快速部署并应用到日常生活中,其中智慧水务的建设是非常关键的一环。但是,国内水务公司在抄表时多数采用的仍是传统人工抄表方式,耗费了大量的人力及时间成本,而且这种周期性的抄表方式更无法实时监测用水信息,其智能化水平亟需进一步提升。因此,本文设计了一种用水事件驱动的水表智能采集装置,通过在旧式机械水表上安装该装置,不仅能够实时记录用户各阶段
中长期电力负荷预测为大地理区域的电力系统规划提供了数据支撑,对促进经济社会高质量发展具有重要意义。电力负荷的预测主要有两个关键部分,一个是模型的建立,另一个是数据的选取和处理。而后者又是实现精准建模的重要一环。尤其是在对中长期电力负荷预测时,良好的数据对建立精准预测模型和获得精确的预测结果都将产生积极的影响。但由于时间跨度大,相关历史数据的规模会成倍增长,这给数据的处理和应用带来极大困难。因此,本
随着信息化技术在电机行业中的应用,互联网中积累了大量电机领域工业技术文档和科研文献,如何从这些海量的非结构化文本数据中自动获取所蕴含的电机专业知识,成为电机领域文本挖掘重要的研究方向,对促进电机领域信息化发展具有重要的研究意义和理论价值。命名实体识别是解决此类问题的关键技术,其目的是识别非结构化文本数据中的专有名词并对其进行分类。目前,电机领域命名实体识别研究还处于起步阶段,相关工作较少,存在着标
由于影响用电负荷行为的不确定性和不可控因素,很难准确预测用电负荷。不准确的负荷预测会导致不安全的规划和糟糕的电力系统管理,从而导致重大的财务损失。已经提出了许多增强电力负荷预测（ELF）的努力,但尚未达到预期的结果。为了提高预测精度,最近开发了机器学习模型。各种单一模型技术被首次使用,但基于其性能准确性的有效性并不好。此外,即使单个模型实际上被认为是某些预测领域的现代技术,任何单个模型也永远无法有
随着智能电网建设的越来越完善,智能电表在小区的每家每户中都随处可见。在智能电网的数据采集时,智能电表起着十分重要的作用,它需要采集电能的原始数据,然后进行计量,最后将数据向上级传输。智能电表可先将数据传输给数据聚合点（DAP）再由DAP将接收到的数据传输给控制中心。此时DAP的位置选派就会影响DAP间的负载平衡从而影响整个小区电表网络的生命周期。因此研究DAP的选派对于整个智能电表网络都有着重要意