论文部分内容阅读
随着经济的发展和人们生活水平的提高,环境污染、能源短缺等问题对人们的生活影响也越来越大,而汽车燃气的排放对于人们生活的影响尤其严重。新能源汽车因其能耗低、无污染、噪音低、花费低等优点越来越受到人们的青睐。电池管理系统(Battery Management System,BMS)是电动汽车的重要部件,电池的峰值功率作为其关键估算量,为电动汽车整车系统的功率分配和能量控制策略提供参考,以衡量车辆的加速爬坡性能,以及刹车时制动能量回收功能,且可以有效防止电池包过充过放现象的发生,提高电池的寿命。本文以纯电动汽车常用的锂电池作为研究对象,混合脉冲功率特性(Hybrid Pulse Power Characteristic,HPPC)作为本文的试验方法,对电池峰值功率进行了研究,具体如下:(1)通过搜集与电池功率特性相关的文献,了解目前电池功率特性的研究现状,得出对于电池的峰值功率研究多集中于某单一因素对电池峰值功率的影响或对研究中使用电池模型的改进,故本文提出了基于数据分析的神经网络电池模型。(2)分析对电池峰值功率研究常用的试验方法,若直接使用峰值功率作为试验输出值,可能会由于不同的电池制造工艺等差异,导致其欧姆内阻大小不同,使得试验的电池估算精度较高,没有作为试验的电池其估算精度较低,而HPPC试验得到峰值电流值,将其与欧姆内阻代入相应的公式得到峰值功率,避免了欧姆内阻造成的误差。(3)利用Matlab工具箱建立神经网络电池模型,利用BP(Back Propagation)算法对电池模型进行训练,得到的电池峰值功率估算的最大相对误差大于5%,故考虑使用模拟退火算法(Simulated Annealing,SA)、粒子群算法(Particle Swarm Optimization,PSO)对BP算法进行改进。(4)使用Matlab脚本语言编写SA-BP算法、PSO-BP算法,分别作为模型的训练方法,对比基于BP、SA-BP、PSO-BP算法的测试样本估算精度,得出改进BP算法提高了模型的估算精度,其中基于SA-BP算法训练的模型估算精度最高。