面向动力电池SOC估计的时间卷积优化网络OA北大核心CSTPCD
Temporal convolutional optimization network for SOC estimation of power batteries
在电动汽车的实际驾驶场景中,由于复杂多变的运行条件和动力电池的非线性,对电池荷电状态(SOC)的准确估计存在较大的误差,从而造成车主的里程焦虑.针对上述问题,提出了一种时间卷积优化网络(TCON)方法,用于实时估计动力电池SOC.首先,建立无归一化的时间卷积网络(TCN)模型,通过并行计算提取时序信息,具有参数少、精度高的优点.其次,为了解决TCN输出波动性较强的问题,设计了时间优化模块(TOM),该模块通过生成时序优化权值,对TCN输出进行优化…查看全部>>
Electric vehicles,as the main development direction of new energy vehicles,are entering a new stage of accelerated development.However,in the actual operating conditions of electric vehicles,factors such as driving mode,road conditions,aging of battery lines,and environmental temperature lead to significant errors in power batteries state of charge (SOC ) estimation.This can cause drivers to experience range anxiety,ultimately affecting the sales of electric…查看全部>>
王娟;叶永钢;武明虎;张凡;曹烨;张则涛
湖北工业大学 电气与电子工程学院,武汉 430068湖北工业大学 电气与电子工程学院,武汉 430068湖北工业大学 电气与电子工程学院,武汉 430068湖北工业大学 电气与电子工程学院,武汉 430068湖北工业大学 电气与电子工程学院,武汉 430068湖北工业大学 电气与电子工程学院,武汉 430068
能源与动力
动力电池SOC估计里程焦虑时间卷积优化网络
power batteriesSOC estimationrange anxietytemporal convolutional optimization network
《重庆理工大学学报》 2024 (11)
39-46,8
国家自然科学基金项目(62006073)湖北省中央引导地方科技发展专项项目(2023GEA027)湖北省自然科学基金项目(2022CFA007)湖北省科技项目(2022BEC017)湖北工业大学绿色工业科技引领计划项目(2022020801020267)
评论