基于小腦模型關(guān)節(jié)控制器的電池荷電狀態(tài)估計(jì)方法研究.pdf

1、混合動(dòng)力汽車(Hybrid-Electric Vehicle，簡(jiǎn)稱HEV)在減少尾氣排放、降低能源消耗等方面起到了日益重要的作用，然而生產(chǎn)成本高、使用壽命短的動(dòng)力電池組卻成為HEV大規(guī)模應(yīng)用的瓶頸，其中關(guān)鍵障礙就在于對(duì)電池荷電狀態(tài)(State of Charge，簡(jiǎn)稱SOC)的準(zhǔn)確估計(jì)。
　　 電池SOC在充放電過程中表現(xiàn)出來的強(qiáng)烈非線性特征使人工神經(jīng)網(wǎng)絡(luò)技術(shù)在SOC估計(jì)領(lǐng)域得到了廣泛應(yīng)用。本論文在現(xiàn)有技術(shù)文獻(xiàn)的基礎(chǔ)上，針對(duì)一般

2、神經(jīng)網(wǎng)絡(luò)模型需要長(zhǎng)時(shí)間訓(xùn)練的問題，首次將收斂速率快、局部泛化能力強(qiáng)的小腦模型關(guān)節(jié)控制器(Cerebella ModelArticulation Controller，簡(jiǎn)稱CMAC)引入到鎳氫電池SOC的估計(jì)中。測(cè)試結(jié)果表明，與BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，簡(jiǎn)稱BPNN)模型相比，CMAC估計(jì)SOC模型在訓(xùn)練所需時(shí)間方面具有突出優(yōu)勢(shì)，但輸出誤差卻明顯增大。
　　 為了有效改善CMAC

3、神經(jīng)網(wǎng)絡(luò)模型的性能，本論文深入分析了接受域函數(shù)標(biāo)準(zhǔn)差和泛化參數(shù)對(duì)單樣本測(cè)試誤差的影響，發(fā)現(xiàn)固定參數(shù)形式的CMAC模型在目標(biāo)輸出的不同變化率區(qū)間上有著截然不同的輸出誤差。因此，以能夠?qū)崟r(shí)調(diào)整標(biāo)準(zhǔn)差或泛化參數(shù)為目的，本論文提出了對(duì)CMAC結(jié)構(gòu)改動(dòng)量小、易于軟件實(shí)現(xiàn)的可變接受域小腦模型神經(jīng)網(wǎng)絡(luò)(Parametric Receptive-function CMAC，簡(jiǎn)稱PRCAMC)結(jié)構(gòu)，并改進(jìn)了權(quán)值更新算法。實(shí)驗(yàn)表明在目標(biāo)輸出的各個(gè)階段，PR

4、CMAC輸出誤差始終保持在較低狀態(tài)，克服了傳統(tǒng)CMAC網(wǎng)絡(luò)輸出精確度低的缺點(diǎn)。
　　 最后，以動(dòng)態(tài)高斯接受域函數(shù)為基礎(chǔ)，本論文建立了PRCMAC神經(jīng)網(wǎng)絡(luò)估計(jì)鎳氫電池SOC模型，并利用ADVISOR整車仿真軟件產(chǎn)生的HEV鎳氫動(dòng)力電池組放電樣本數(shù)據(jù)，在Visual Studio平臺(tái)上對(duì)PRCMAC網(wǎng)絡(luò)估算模型進(jìn)行反復(fù)測(cè)試，以確定出最佳內(nèi)部參數(shù)。
　　 實(shí)驗(yàn)結(jié)果表明，PRCMAC模型具有快速收斂、高精確度等特點(diǎn)，在相同時(shí)間內(nèi)