EKF_socekf_SOC估算_SOC_soc估算ekf_SOC模型_源码.zip
2022-04-01 16:49:34
94KB
EKF_socekf_SOC估算_SOC_soc估算ekf_SOC模型_源码.rar
2022-04-01 16:45:31
94KB
为提升新能源汽车的整车动力性、经济性以及安全性，更精确估算车用锂电池的荷电状态值(SOC)，以纯电动汽车动力锂电池为研究对象，采用遗传算法(GA)优化BP神经网络,解决了误差逆传播存在的收敛速度慢、全局范围搜索能力弱、容易陷入局部极小值等缺陷，同时建立了基于GA-BP算法的SOC值预测神经网络模型，通过仿真实验与传统BP算法进行对比，验证该算法兼顾神经网络学习速度、误差小、全局搜索能力并满足动力电池SOC值估算要求。
2022-03-17 15:54:01
536KB
1
针对当前锂电池管理系统设计中经常出现的硬件采样电路复杂、SOC估算准确度低、需要高端处理器来实现复杂的SOC估算算法等问题，设计了适用于8位单片机的修正卡尔曼滤波算法，并基于STM8S单片机和BQ76930模拟前端芯片设计了一款用于智能扫地机器人的锂电池管理系统，应用所述算法，实现了对SOC、电芯电压、电流、温度等参数的实时准确测量，通过实验室模拟测试和真实产品测试，结果表明：系统参数测量误差小于5%，达到了设计要求，并且电路简单、稳定可靠、响应速度快、成本低。
2021-11-30 15:01:32
1.81MB
1
基于最小二乘法三阶模型辨识，基于三阶RC的卡尔曼滤波SOC估算模型
2021-09-28 18:03:57
68KB
socmatlab代码SOC-Estimation-of-Li-ion-battery-using-Kalman-filter
这篇论文是
Frank
Lewis
博士指导下的
UTA
EE
5322
课程作业的一部分
参考会议论文。
访问
Matlab
文件进行验证。
以下代码用于验证。
数据
=
xlsread('0deg1.xls');
k
=
7000；
A1
=
眼睛（2）；
A2
=
眼睛（2）；
H1
=
[1,1];
H2
=
[1,1];
x01
=
[4.15;0];
x02
=
[0;0];
xhat1=[4.26;0];
xhat2=[0.99;0];
P1
=
0.000000001眼（2）；
P2
=
0.07眼（2）；
Q1
=
0.0000001眼（2）；
Q2
=
0.05眼（2）；
G1
=
0.0000008眼睛（2）；
G2
=
0.0015眼（2）；
w=randint(2,7000);
vk1
=
rand(1,2);
vk2
=
rand(1,2);
r1
=
[0.5];
r2
=
[0.8];
对于
j
=
1:k
x1(:,j+1)=
2021-09-25 09:45:22
10.89MB
1