期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于融合健康因子和集成极限学习机的锂离子电池SOH在线估计 被引量:2
1
作者 屈克庆 董浩 +3 位作者 毛玲 赵晋斌 杨建林 李芬 《上海交通大学学报》 EI CAS CSCD 北大核心 2024年第3期263-272,共10页
锂离子电池健康状态(SOH)的在线估计对电池管理系统的安全稳定运行至关重要.为克服传统基于数据驱动的锂离子电池SOH估计方法训练时间长、计算量大、调试过程复杂的问题,提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方... 锂离子电池健康状态(SOH)的在线估计对电池管理系统的安全稳定运行至关重要.为克服传统基于数据驱动的锂离子电池SOH估计方法训练时间长、计算量大、调试过程复杂的问题,提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方法.该方法通过dQ/dV和dT/dV曲线分析,筛选出与电池SOH相关性较高的数据区间进行多维健康特征提取,并对其进行主成分分析降维处理得到间接健康因子;利用极限学习机的随机学习算法建立间接健康因子和SOH之间的非线性映射关系.在此基础上,针对单一模型输出不稳定的特点,提出一种集成极限学习机模型,通过对估计结果设置可信度评价规则剔除单一极限学习机不可靠的输出,从而提高锂离子电池SOH的估计精度.使用NASA和牛津大学的锂离子电池老化数据集对该方法进行验证,结果表明该方法的平均绝对百分比误差小于1%,具有较高的准确性和可靠性. 展开更多
关键词 锂离子电池 健康因子 集成极限学习机 健康状态在线估计
下载PDF
EPS电源蓄电池在线健康状态估计 被引量:5
2
作者 谷明 孙绍国 周航 《建筑电气》 2019年第9期30-34,共5页
在分析蓄电池充电时间与容量之间的相关性的基础上,提出一种基于相关向量机(relevance vector machine, RVM)的蓄电池在线健康状态估计(state of health, SOH)方法,可以实现对应急电源(Emergency Power Supply, EPS)蓄电池健康状态的实... 在分析蓄电池充电时间与容量之间的相关性的基础上,提出一种基于相关向量机(relevance vector machine, RVM)的蓄电池在线健康状态估计(state of health, SOH)方法,可以实现对应急电源(Emergency Power Supply, EPS)蓄电池健康状态的实时监测,对保证EPS的高效稳定运行和提高系统寿命有重要意义。 展开更多
关键词 应急电源 蓄电池 健康状态在线估计 电池管理系统 主控模块 阶段放电 恒压充电时间 交叉验证方法
下载PDF
一种锂离子电池SOH在线检测方法
3
作者 王建锋 李娜 《物联网技术》 2023年第9期3-7,共5页
针对目前锂离子电池健康状态在线检测误差较大的问题,提出了一种综合改进蚁狮优化算法和粒子滤波算法的锂离子电池SOH在线估计方法。建立了锂离子电池SOH估计的状态方程和观测方程,利用动态遗忘因子最小二乘算法实现了模型参数的在线辨... 针对目前锂离子电池健康状态在线检测误差较大的问题,提出了一种综合改进蚁狮优化算法和粒子滤波算法的锂离子电池SOH在线估计方法。建立了锂离子电池SOH估计的状态方程和观测方程,利用动态遗忘因子最小二乘算法实现了模型参数的在线辨识。利用粒子滤波算法实现对模型动态参数准确地进行预测与跟踪,利用改进蚁狮优化算法进行粒子适应度计算并更新目标位置,解决了粒子滤波方法由于粒子退化和样本贫化而导致估计精度低的问题。利用NASA数据集和实测实验对本文方法的SOH检测精度进行了对比实验,结果表明:NASA数据中SOH检测的最大绝对误差为2.04%,平均绝对误差为0.57%,均方根误差为0.74%;实测试验中SOH检测的最大绝对误差为1.55%,平均绝对误差为0.71%,均方根误差为0.87%。 展开更多
关键词 健康状态在线估计 锂离子电池 粒子滤波算法 蚁狮算法 动态遗忘因子最小二乘算法 电动汽车
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部