基于小腦模型關節(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)模應用的瓶頸，其中關鍵障礙就在于對電池荷電狀態(tài)(State of Charge，簡稱SOC)的準確估計。
　　 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)絡技術在SOC估計領域得到了廣泛應用。本論文在現(xiàn)有技術文獻的基礎上，針對一般

2、神經(jīng)網(wǎng)絡模型需要長時間訓練的問題，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。測試結果表明，與BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network，簡稱BPNN)模型相比，CMAC估計SOC模型在訓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)絡模型的性能，本論文深入分析了接受域函數(shù)標準差和泛化參數(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，以能夠實時調整標準差或泛化參數(shù)為目的，本論文提出了對CMAC結構改動量小、易于軟件實現(xiàn)的可變接受域小腦模型神經(jīng)網(wǎng)絡(Parametric Receptive-function CMAC，簡稱PRCAMC)結構，并改進了權值更新算法。實驗表明在目標輸出的各個階段，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，本論文建立了PRCMAC神經(jīng)網(wǎng)絡估計鎳氫電池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)絡估算模型進行反復測試，以確定出最佳內(nèi)部參數(shù)。
　　 實驗結果表明，PRCMAC模型具有快速收斂、高精確度等特點，在相同時間內(nèi)