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

1、混合動力汽車(Hybrid-Electric Vehicle，簡稱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)鍵障礙就在于對電池荷電狀態(tài)(State of Charge，簡稱SOC)的準(zhǔn)確估計。
　　 電池SOC在充放電過程中表現(xiàn)出來的強烈非線性特征使人工神經(jīng)網(wǎng)絡(luò)技術(shù)在SOC估計領(lǐng)域得到了廣泛應(yīng)用。本論文在現(xiàn)有技術(shù)文獻的基礎(chǔ)上，針對一般

2、神經(jīng)網(wǎng)絡(luò)模型需要長時間訓(xùn)練的問題，首次將收斂速率快、局部泛化能力強的小腦模型關(guān)節(jié)控制器(Cerebella ModelArticulation Controller，簡稱CMAC)引入到鎳氫電池SOC的估計中。測試結(jié)果表明，與BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，簡稱BPNN)模型相比，CMAC估計SOC模型在訓(xùn)練所需時間方面具有突出優(yōu)勢，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)對單樣本測試誤差的影響，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調(diào)整標(biāo)準(zhǔn)差或泛化參數(shù)為目的，本論文提出了對CMAC結(jié)構(gòu)改動量小、易于軟件實現(xiàn)的可變接受域小腦模型神經(jīng)網(wǎng)絡(luò)(Parametric Receptive-function CMAC，簡稱PRCAMC)結(jié)構(gòu)，并改進了權(quán)值更新算法。實驗表明在目標(biāo)輸出的各個階段，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。
　　 最后，以動態(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鎳氫動力電池組放電樣本數(shù)據(jù)，在Visual Studio平臺上對PRCMAC網(wǎng)絡(luò)估算模型進行反復(fù)測試，以確定出最佳內(nèi)部參數(shù)。
　　 實驗結(jié)果表明，PRCMAC模型具有快速收斂、高精確度等特點，在相同時間內(nèi)