精确估算车用锂电池荷电状态(SOC)值,采用PID神经网络方法建立电池模型,设定电池电压、放电电流、电池累计放电量和电池电极温度4个变量为模型输入量,电池剩余电量为模型输出量,由此得到了全部神经网络训练数据,并仿真估算出电池SOC值。仿真结果表明,利用该方法对电池SOC进行估算,误差小于3.66%,方法有效。汽车技术表1188组电池模块部分充电数据全部数据得到后，将数据导入到训练样本，进行归一化处理。对采样的1600组放电时数据进行分析，利用Matlab编程实现PID神经网络对电池SOC进行仿真[10]，设置学习速率为0.05，最大训练代数为10000次，均方差为0.006网络的车用锂电池-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机，得到网络学习曲线如图3所示。可以看出网络训练所得到误差很小，达到了目标值。真值与仿真数据的对比结果如图4所示，其中，最大相对误差为3.66%，完全满足2008国家“863”计划现代交通技术领域中对电池SOC估算误差控制在5%范围内的要求。结果证明，将PID神经网络应用于SOC估算能有效地提高SOC估算精度。图3网络训练结果图4真值与PID神经网络估算值对比为了进一步验证该算法的实用性，将复合电源纯电动大客车在中国典型城市公交车工况（图5）本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name下仿真运行。大客车的整车整备质量为12800kg，迎风面积为6.385m2，空气阻力系数为0.65，滚动阻力系数为0.0165，旋转质量换算系数为1.09，传动效率为0.9。在此工况下计算所得的车辆所需功率如图6所示。在基于电流门限值控制策略下，电池组的初始SOC为97.8%，电池组SOC变化曲线如图7所示。图5中国典型城市公交车工况图6车辆所需功率图7电池组SOC变化（下转第43页）迭代次数均方差序号SOC/%总电压/V充电电流/A平均电压/V最高电压/V最低电压/V平均温度完全满足2008国家“863”计划现代交通技术领域中对电池SOC估算误差控制在5%范围内的要求。结果证明，将PID神经网络应用于SOC估算能有效地提高SOC估算精度。图3网络训练结果图4真值与PID神经网络估算值对比为了进一步验证该算法的实用性，将复合电源纯电动大客车在中国典型城市公交车工况（图5）下仿真运行。大客车的整车整备质量为12800kg，迎风面积为6.385m2，空气阻力系数为0.65，滚动阻力系数为0.0165，旋转质量换算系数为1.09，传动效率为0.9。在此工况下计算所得的车辆所需功率如图6所示。在基于电流门限值控制策略下，电池组的初始SOC为97.8%，电池组SOC变化曲线如图7所示。图5中国典型城市公交车工况图6车辆所需功率图7电池组SOC变化（下转第43页）迭代次数均方差序号SOC/%总电压/V充电电流/A平均电压/V最高电压/V最低电压/V网络的车用锂电池-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name