论文部分内容阅读
随着各国禁售传统燃油车时间表的不断推进以及环境污染问题的日益严重,很多大城市开始启用电动出租车、滴滴打车、共享单车等交通工具。电动汽车成为未来的趋势,研制高效、安全和低价的动力电池管理系统是制约电动汽车发展的关键因素之一。对动力电池剩余荷电量(State Of Charge,SOC)进行准确的估算不但是电池管理系统对电池组进行均衡的基础,而且还能够提高动力电池的工作效率、延长动力电池的使用寿命。由于想通过直接测量的手段取得电池的SOC值存在着较大的难度,仅能依靠其它参数和手段间接获取。因此,本文结合电动汽车对动力电池性能的需求以常用的三元锂离子电池为研究对象,对如何提高电动汽车动力电池剩余电量的估算精度进行了深入的研究,本文的研究工作主要围绕以下几个方面展开:(1)阐述锂离子电池SOC的定义,分析了影响SOC估算的因素,并利用搭建的实验平台对锂离子电池的各项性能参数进行了分析,并对几种常用的SOC估算方法的优缺点进行了分析。(2)通过对SOC不同估算方法的优缺点进行比较分析,最终采用数据驱动的模型—BP神经网络对电池的SOC进行估算,利用搭建的实验平台完成对实验电池不同倍率下的充放电数据进行采集,在Python环境中完成BP神经网络模型算法的搭建,并通过采集的数据对网络进行不断训练,利用训练后的网络模型完成对电池SOC的估算实验,并对实验结果进行分析。(3)针对传统BP算法收敛速度慢、估算精度低且易陷入局部极值的缺点,仔细分析研究了电池的各项性能参数,在电池电压、电流、温度的基础上又引入了电池的内阻作为神经网络模型的输入,并在此基础上提出了基于Python编程的改进型自适应动量项BP神经网络算法,利用模型的实际输出值和期望值的误差均方差MSE的大小来动态调节动量因子的大小,完成了传统BP神经网络对电池SOC估算的改进,克服了基于梯度下降的传统BP算法收敛速度慢、估算精度低的缺点。(4)BP神经网络权值和阈值的选取对模型训练后的性能有较大的影响,为了进一步提高SOC的估算精度,采用仿生算法中的遗传算法对改进后的BP算法的权值和阈值进行寻优,搭建了基于Python编程的遗传算法优化BP神经网络的算法流程,并利用实验平台采集的数据分别对改进前后的网络模型进行训练,利用训练后的模型分别对电池恒流工况和DST(Dynamic Street Test)工况下的SOC进行估算,实验结果充分说明利用遗传算法优化后的改进动量项的BP算法无论收敛速度、还是估算精度都有大幅提升,能够达到精确预测电池SOC的目的。