【技术实现步骤摘要】
本专利技术涉及一种动态建模的最小二乘支持向量机SOC估计方法,属于SOC估计方法
技术介绍
电池的功能是实现化学能与电能之间的转换,因此,其电量具有不可测性。然而在实际应用中,人们需要根据当前电池荷电状态即电池电量做出任务规划、预期充电时间,如果不能准确估计当前电池电量,以电动车为例,将会造成行驶途中电量衰竭无法完成预期行驶路线,或频繁充电浪费车主时间降低电池使用寿命等危害。因此,荷电状态(State of Charge,SOC)在目前电池状态估计研究体系中开展的工作最为深入与广泛。其代表方法主要有开路电压法、安时法和内阻法。开路电压法需要长时间静置才可以测得,因此其不适用于在线估计SOC。而内阻法需要精确的测量电池内阻,使其对测量仪器的精度要求极高,因此也不适用于在线估计SOC。安时法是一种估计SOC的直接方法,其需要SOC的初值以及较高精度的电流测量,其误差会不断累积因此不可单独使用。而电池所处环境、使用工况、寿命衰退等因素均会导致SOC估计误差的增加,这造成了精确SOC估计的困难与挑战。而目前的研究大都没有关注电池整个生命周期的SOC估计,对应建立的各类模型随着电池寿命的衰退误差越来越大。在实验室前期与企业合作的通讯基站备用电源状态估计项目中,暴漏了很多电池SOC估计仍存在的问题以及实际应用中尚存在的需求。
技术实现思路
本专利技术的目的是为了解决上述现有技术存在的问题,即目前的研究大都没有关注电池整个生命周期的SOC估计,对应建立的各类模型随着电池寿命的衰退误差越来越大。在实验室前期与企业合作的通讯基站备用电源状态估计项目中,暴漏了很多电池 ...
【技术保护点】
一种动态建模的最小二乘支持向量机SOC估计方法,其特征在于,(一)最小二乘支持向量机基本原理对于给定的训练样本集s={(x1,y1)(x2,y2),…(xn,yn)} (2‑1)其中xi是输入向量即与SOC映射的电池外部特征参量,yi为相应的输出向量即电池SOC,n为样本容量;由于特征参量与SOC的非线性关系,需通过一个非线性函数φ(·)将样本映射到高维特征空间:其函数表达式如下:K(x,y)=exp(‑(x‑y)2/2σ2) (2‑3)其中,σ为核宽度参数;然后再把训练结果在高维特征空间进行线性回归,其回归函数为:f(x)=wT·φ(x)+b (2‑4)其中,wT为权值向量,b为偏置值,φ(x)为非线性函数,然后以结构风险最小化原则为基础确定模型参数w、b,结构风险的表达式为:R=γ·Remp+12||w||2---(2-5)]]>其中,γ为正规化参数,且γ>0,Remp为损失函数,也叫做经验风险函数;LS‑SVM算法釆用的是二次损失函数的支持向量机,即Remp=Σinϵi2---(2-6)]]>其中,ε ...
【技术特征摘要】
1.一种动态建模的最小二乘支持向量机SOC估计方法,其特征在于,(一)最小二乘支持向...
【专利技术属性】
技术研发人员:刘大同,彭喜元,赵天意,彭宇,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。