神經網路預測電動汽車總放電量

❶ 為什麼電動汽車電池不能精確顯示電量

對於電動汽車而言，車輛的續航電量也是大家所關注的，在車輛使用的時候會因為突然行駛的時候，生怕出現電池的續航電量不準，導致在使用的時候突然沒電拋錨在路上的現象。根據電動汽車而言在使用的時候為什麼不能精確的顯示電量？

再者電池材料而言也算是多樣性的，不同的材料帶來的導電和放電都是一致性的，那麼對於這個東西來說的話，在一定的程度上面也就間接的導致了電動汽車電池內的電荷量的計算和測量形成了一種較為抽象的數據，在電池進行工作的時候，其內部復雜的工作狀態中，也是的檢測的數值並不能通過單一的測量准確的判斷出電池的SOC。

綜上，純電汽車的路況不同，在使用的時候，會因為各種因素的影響，導致其電動汽車動力內部電池的電量估計難度較大，所以不對於電池的精準度上面或許會存在一定的誤差，這樣導致了其不能夠精準的顯示。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

❷ 電動汽車動力電池漫談-剩餘電量是如何測量的

我們一般所說的動力電池指的是電動汽車或者電動兩輪車、三輪車車載的，用於驅動車輛行駛的電池，即用作車輛動力的電池，主要區別於儲能電池、低壓供電電池等。

@電車換電說，專門分享一些電動汽車，特別是電動汽車電池更換方面的信息和資料，感興趣的讀者可以關注哦！

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

❸ 對電池荷電狀態估計的幾種方法

正確估計蓄電池的SOC，就能夠在實現整車能量管理時，避免對電動汽車蓄電池造成損害，合理利用蓄電池提供的電能，提高電池的利用率，延長電池組的使用壽命。SOC估計有其特殊性，溫度不同、倍率不同、SOC點不同，充放電效率也不同；電池放電倍率越大，放出電量越少；電池工作的溫度過高或過低，可用容量降低；由於有老化和自放電因素的存在，SOC值需要不斷修正。 1．放電實驗法 放電實驗法是最可靠的SOC估計方法，採用恆定電流進行連續放電，放電電流與時間的乘積即為剩餘電量。放電實驗法在實驗室中經常使用，適用於所有電池。但它有兩個顯著缺點：一是需要大量時間；二是電池進行的工作要被迫中斷。放電實驗法不適合行駛中的電動汽車，可用於電動汽車電池的檢修。 2．安時計量法 安時計量法是最常用的SOC估計方法。如果充放電起始狀態為SOCO，那麼當前狀態的SOC為 （5-3） 式中，CN為額定容量；I為電池電流；η為充放電效率，不是常數。 安時計量法應用中的問題：電流測量不準，將造成SOC計算誤差，長期積累，誤差越來越大；要考慮電池充放電效率；在高溫狀態和電流波動劇烈的情況下，誤差較大。電流測量可通過使用高性能電流感測器解決，但成本增加。解決電池充放電效率要通過事前大量實驗，建立電池充放電效率經驗公式。安時計量法可用於所有電動汽車電池，若電流測量准確，有足夠的估計起始狀態的數據．則它就是一種簡單、可靠的SOC估計方法。 3．開路電壓法 電池的開路電壓在數值上接近電池電動勢。電池電動勢是電解液濃度的函數，電解液密度隨電池放電成比例降低，用開路電壓可估計SOC。鎳氫電池和鋰離子電池的開路電壓與SOC關系的線性度不如鉛蓄電池好，但根據其對應關系也可以估計SOC，尤其在充電初期和末期效果較好。 開路電壓法的顯著缺點是需要電池長時靜置，以達到電壓穩定。電池狀態從工作恢復到穩定，需要幾個小時甚至十幾個小時，這給測量造成困難；靜置時間如何確定也是一個問題，所以該方法單獨使用只適於電動汽車駐車狀態。開路電壓法在充電初期和末期SOC估計效果好，常與安時計量法結合使用。 4．負載電壓法 電池放電開始瞬間，電壓迅速從開路電壓狀態進入負載電壓狀態，在電池負載電流保持不變時，負載電壓隨SOC變化的規律與開路電壓隨SOC的變化規律相似。 負載電壓法的優點：能夠實時估計電池組的SOC，尤其在恆流放電時，具有較好的效果。在實際應用中，劇烈波動的電池電壓給負載電壓法應用帶來困難。解決該問題，要儲存大量電壓數據，建立動態負載電壓和SOC的數學模型。負載電壓法很少應用到實車上，但常用來作為電池充放電截止的判據。 5．內阻法 電池內阻有交流內阻（impedance，常稱交流阻抗）和直流內阻(resistance)之分，它們都與SOC有密切關系。電池交流阻抗是電池電壓與電流之間的傳遞函數，是一個復數變數，表示電池對交流電的反抗能力，要用交流阻抗儀來測量。電池交流阻抗受溫度影響大，是在電池處於靜置後的開路狀態還是在電池充放電過程中進行交流阻抗測量，存在爭議，所以很少用於實車上。直流內阻表示電池對直流電的反抗能力，等於在同一很短的時間段內，電池電壓變化量與電流變化量的比值。在實際測量中，將電池從開路狀態開始恆流充電或放電，相同時間內負載電壓和開路電壓的差值除以電流值就是直流內阻。鉛蓄電池在放電後期，直流內阻明顯增大，可用來估計電池SOC；鎳氫電池和鋰離子電池直流內阻變化規律與鉛蓄電池不同，應用較少。直流內阻的大小受計算時間段影響，若時間段短於10ms，只有歐姆內阻能夠檢測到；若時間段較長，內阻將變得復雜。准確測量單體電池內阻比較困難，這是直流內阻法的缺點。內阻法適用於放電後期電動汽車電池SOC的估計，可與安時計量法組合使用。 6．線性模型法 C．Ehret等人提出用線性模型法估計電池SOC，該方法是根據SOC變化量、電流、電壓和上一個時間點SOC值計算，建立的線性方程為 （5-4） （5-5） 式中，SOC(i)為當前時刻的SOC值；SOC（i-1）為當前一時刻的SOC值；△SOC(i)為SOC的變化量；U和I為當前時刻的電壓與電流。β0、β1、β2、β3為根據參考數據，利用最小二乘法擬合得到的系數，沒有具體的物理含義。上述模型適用於低電流、SOC緩變的情況，對測量誤差和錯誤的初始條件，有很高的魯棒性。線性模型理論上可應用於各種類型和在不同老化階段的電池，目前只查到在鉛蓄電池上的應用，在其他電池上的適用性及變電流情況的估計效果要進一步研究。 7．神經網路法 電池是高度非線性的系統，在它充放電過程中很難建立准確的數學模型。神經網路具有非線性的基本特性，具有並行結構和學習能力，對於外部激勵，能給出相應的輸出，能夠模擬電池動態特性，來估計SOC。估計電池SOC常採用三層典型神經網路率：輸入、輸出層神經元個數由實際問題的需要來確定，一般為線性函數；中間層神經元個數取決於問題的復雜程度及分析精度。估計電動汽車電池SOC，常用的輸入變數有電壓、電流、累積放出電量、溫度、內阻、環境溫度等。神經網路輸入變數的選擇是否合適，變數數量是否恰當，直接影響模型的准確性和計算量。神經網路法適用於各種電池，缺點是需要大量的參考數據進行訓練，估計誤差受訓練數據和訓練方法的影響很大。 8．卡爾曼濾波法 卡爾曼濾波理論的核心思想，是對動力系統的狀態做出最小方差意義上的最優估計。應用於電池SOC估計，電池被看成動力系統，SOC是系統的一個內部狀態。估計SOC演算法的核心，是一套包括SOC估計值和反映估計誤差的、協方差矩陣的遞歸方程，協方差矩陣用來給出估計誤差范圍。該方法 適用於各種電池，與其他方法相比，尤SOC於電流波動比較劇烈的混合動力電動汽車電池SOC的估計，它不僅給出了SOC的估計值，還給出了SOC的估計誤差。 對各種估算方法的優缺點、適用場合進行比較分析，比較分析結果見表5-5。

❹ 電動車20a的電池最大放電和最大持續放電是多少

現有電動車:一般行使情況下,放電電流為4-5a!~電瓶標稱不是a,而是ah.比如:放電電流10a,放電1h,則電池為10ah;放電電流20a,放電0.5h,則電池也為10ah...

❺ 在混動卡羅拉控制系統中,神經網路控制系統控制了哪些

混合動力汽車控制器相對來說能多一點。
發動機電腦主要控制發動機運行的各類數據參數。
電機控制器主要控制電機的速率，扭矩。
動力電池電腦主要控制動力電池的充電，放電
整車控制器，起到協調作用，協調發動機和高壓電路之間的轉換。

❻ 怎麼寫關於汽車保有量神經網路預測的問題重述

網路文庫裡面有

❼ 電量顯示准嗎電池：其實我也是蒙的

並且嚴重依賴於車企的估算策略。有些車企採用固定映射，比如蔚來的儀表盤續航，就是根據當前的SOC值，與滿電工況續航進行等比例換算。滿電400km，半電就是200km，30%電就是120km。另一種則是根據之前一段路程的平均能耗進行估算，比如蔚來在中控屏幕中的估算值，基於SOE計算（剩餘能量除以平均能耗），結果保守，與行駛工況有強相關性，但存在跳變的可能，比如先長上坡再長下坡。

與之相對，燃油車的SOE是可以准確測量的，因為汽油中蘊含多少能量和剩餘的汽油量成正比，不會因為行駛工況而改變。只需要考慮一次行駛工況變數影響。而電動車則需要在計算SOC時考慮一次（放電電流越大，可放出的電荷量越少），計算SOE時考慮一次（放電電流越大，電壓越低，放出同樣多的電荷時，能量越少），最後在算續航里程時也要考慮一次。這也不難理解為什麼電動車續航里程估算是個老大難問題了。

❽ 新能源汽車的動力電池的循環次數是如何統計或計算出來的

電動汽車的動力電池循環次數，即是動力電池壽命，指的是經過循環充放電之後電量衰減到一定容量（一般為總電量80%）的次數。現在主流電動汽車動力電池的充放電次數都在2000到3000次循環以上，有些可以達到5000次循環。
怎樣才能算得上是一個循環呢？其實也是很容易理解的，充電循環次數就是把電池電量用完再充滿，這是一次循環，如果在車輛剩餘電量50%的情況下充電，這只算是0.5次循環次數。