广义生长剪枝径向基函数预测纯电动车电池荷电状态

"基于GGAP-RBF神经网络的多参数纯电动客车蓄电池荷电状态预测" 本文探讨了如何利用广义生长剪枝径向基函数（GGAP-RBF）神经网络来精确预测纯电动客车蓄电池的荷电状态（SOC）。荷电状态（State of Charge, SOC）是电池管理系统的关键参数，对于确保电动汽车的正常运行和续航里程预测至关重要。传统的SOC预测方法可能受到各种因素的影响，如电池的内阻变化、温度变化以及不同的充放电条件，导致预测精度下降。 GGAP-RBF神经网络是一种适应性强、预测精度高的非线性模型，它结合了广义生长算法和径向基函数网络的优点。在这种模型中，蓄电池的端电压、放电电流、环境温度和循环次数被设定为神经网络的输入参数，这些参数直接影响电池的性能和SOC的变化。通过收集不同放电倍率、环境温度和循环次数下的蓄电池放电试验数据，训练模型以学习这些参数之间的复杂关系。 作者们首先构建了GGAP-RBF神经网络的SOC预测模型，并基于实验数据对其进行训练优化。接着，他们建立了蓄电池的仿真模型和纯电动客车的整车仿真模型，以模拟实际工况下的电池行为。在城市道路循环行驶工况（UDDDS工况）下，对单体蓄电池进行放电试验，同时对纯电动客车进行40km/h等速行驶的续驶里程试验。 试验结果显示，在UDDDS工况下，SOC预测值与实际测量值的均方根误差为0.0264，平均绝对误差为0.0206，表明模型具有较高的预测准确性。而在40km/h等速行驶工况下，SOC预测值的均方根误差为0.0399，平均绝对误差为0.0313，也验证了模型在不同工况下的稳定性和可靠性。 这一研究的贡献在于提出了一种新的、基于多参数的预测方法，能够更准确地估算纯电动客车电池的SOC，从而有助于提高电动车的能量管理和行驶安全。未来的研究可以进一步优化神经网络结构，考虑更多变量，如电池老化状态，以提升预测精度，并将其应用到更大规模的电动汽车电池管理系统中。