基于ELM–Takagi Sugeno的车载锂电池优化充电策略的研究

针对目前车载锂电池充电慢、充电效率低以及对电池损害大等问题,提出一种基于ELM–Takagi Sugeno(T–S)模型的锂电池梯级式优化充电策略.首先通过极限学习机(ELM)获得锂电池的最佳充电电流与温度、内阻、极化电压等特征参数之间的数学模型,将离线训练好的参数存储在STM32处理器中,系统每采集1次数据,处理器即调用ELM程序计算当前时刻的最佳充电电流.其次利用T–S模糊模型将恒压、恒流、脉冲3种不同充电方式优化处理实现动态最优充电.仿真结果表明锂电池实际充电电流能够实时跟踪最优充电电流,其充电时间比三阶段充电模式缩短20%,充电效率比CC–CV充电模式提高约25%.     

优化分级T-S模糊控制动态估计纯电动汽车电池健康状态

针对纯电动汽车动力电池健康状态（state of health,SOH）预测中非线性影响因素多、算法繁杂、难以在单片机开发平台中实现等难点,首先利用累计充电循环次数计量法得到使用循环次数,将SOH与使用循环次数、内阻变化量、电压降值的相关非线性关系转换成离散的二维数据表,依据使用条件,采用二分查表法获得不同估计方法下SOH值;再将使用循环次数、电压降值和内阻变化量作为输入量,以相应SOH的权重作为输出,利用T-S模糊控制建立SOH动态预测模型,根据权重和边界条件计算得到SOH.仿真结果表明,所提方法最大预测误差4.3%,响应时间55 ms内,预测效果比现有方法显著提高.