神经网络预测电动汽车总放电量

❶ 为什么电动汽车电池不能精确显示电量

对于电动汽车而言，车辆的续航电量也是大家所关注的，在车辆使用的时候会因为突然行驶的时候，生怕出现电池的续航电量不准，导致在使用的时候突然没电抛锚在路上的现象。根据电动汽车而言在使用的时候为什么不能精确的显示电量？

再者电池材料而言也算是多样性的，不同的材料带来的导电和放电都是一致性的，那么对于这个东西来说的话，在一定的程度上面也就间接的导致了电动汽车电池内的电荷量的计算和测量形成了一种较为抽象的数据，在电池进行工作的时候，其内部复杂的工作状态中，也是的检测的数值并不能通过单一的测量准确的判断出电池的SOC。

综上，纯电汽车的路况不同，在使用的时候，会因为各种因素的影响，导致其电动汽车动力内部电池的电量估计难度较大，所以不对于电池的精准度上面或许会存在一定的误差，这样导致了其不能够精准的显示。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

❷ 电动汽车动力电池漫谈-剩余电量是如何测量的

我们一般所说的动力电池指的是电动汽车或者电动两轮车、三轮车车载的，用于驱动车辆行驶的电池，即用作车辆动力的电池，主要区别于储能电池、低压供电电池等。

@电车换电说，专门分享一些电动汽车，特别是电动汽车电池更换方面的信息和资料，感兴趣的读者可以关注哦！

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

❸ 对电池荷电状态估计的几种方法

正确估计蓄电池的SOC，就能够在实现整车能量管理时，避免对电动汽车蓄电池造成损害，合理利用蓄电池提供的电能，提高电池的利用率，延长电池组的使用寿命。SOC估计有其特殊性，温度不同、倍率不同、SOC点不同，充放电效率也不同；电池放电倍率越大，放出电量越少；电池工作的温度过高或过低，可用容量降低；由于有老化和自放电因素的存在，SOC值需要不断修正。 1．放电实验法 放电实验法是最可靠的SOC估计方法，采用恒定电流进行连续放电，放电电流与时间的乘积即为剩余电量。放电实验法在实验室中经常使用，适用于所有电池。但它有两个显著缺点：一是需要大量时间；二是电池进行的工作要被迫中断。放电实验法不适合行驶中的电动汽车，可用于电动汽车电池的检修。 2．安时计量法 安时计量法是最常用的SOC估计方法。如果充放电起始状态为SOCO，那么当前状态的SOC为 （5-3） 式中，CN为额定容量；I为电池电流；η为充放电效率，不是常数。 安时计量法应用中的问题：电流测量不准，将造成SOC计算误差，长期积累，误差越来越大；要考虑电池充放电效率；在高温状态和电流波动剧烈的情况下，误差较大。电流测量可通过使用高性能电流传感器解决，但成本增加。解决电池充放电效率要通过事前大量实验，建立电池充放电效率经验公式。安时计量法可用于所有电动汽车电池，若电流测量准确，有足够的估计起始状态的数据．则它就是一种简单、可靠的SOC估计方法。 3．开路电压法 电池的开路电压在数值上接近电池电动势。电池电动势是电解液浓度的函数，电解液密度随电池放电成比例降低，用开路电压可估计SOC。镍氢电池和锂离子电池的开路电压与SOC关系的线性度不如铅蓄电池好，但根据其对应关系也可以估计SOC，尤其在充电初期和末期效果较好。 开路电压法的显著缺点是需要电池长时静置，以达到电压稳定。电池状态从工作恢复到稳定，需要几个小时甚至十几个小时，这给测量造成困难；静置时间如何确定也是一个问题，所以该方法单独使用只适于电动汽车驻车状态。开路电压法在充电初期和末期SOC估计效果好，常与安时计量法结合使用。 4．负载电压法 电池放电开始瞬间，电压迅速从开路电压状态进入负载电压状态，在电池负载电流保持不变时，负载电压随SOC变化的规律与开路电压随SOC的变化规律相似。 负载电压法的优点：能够实时估计电池组的SOC，尤其在恒流放电时，具有较好的效果。在实际应用中，剧烈波动的电池电压给负载电压法应用带来困难。解决该问题，要储存大量电压数据，建立动态负载电压和SOC的数学模型。负载电压法很少应用到实车上，但常用来作为电池充放电截止的判据。 5．内阻法 电池内阻有交流内阻（impedance，常称交流阻抗）和直流内阻(resistance)之分，它们都与SOC有密切关系。电池交流阻抗是电池电压与电流之间的传递函数，是一个复数变量，表示电池对交流电的反抗能力，要用交流阻抗仪来测量。电池交流阻抗受温度影响大，是在电池处于静置后的开路状态还是在电池充放电过程中进行交流阻抗测量，存在争议，所以很少用于实车上。直流内阻表示电池对直流电的反抗能力，等于在同一很短的时间段内，电池电压变化量与电流变化量的比值。在实际测量中，将电池从开路状态开始恒流充电或放电，相同时间内负载电压和开路电压的差值除以电流值就是直流内阻。铅蓄电池在放电后期，直流内阻明显增大，可用来估计电池SOC；镍氢电池和锂离子电池直流内阻变化规律与铅蓄电池不同，应用较少。直流内阻的大小受计算时间段影响，若时间段短于10ms，只有欧姆内阻能够检测到；若时间段较长，内阻将变得复杂。准确测量单体电池内阻比较困难，这是直流内阻法的缺点。内阻法适用于放电后期电动汽车电池SOC的估计，可与安时计量法组合使用。 6．线性模型法 C．Ehret等人提出用线性模型法估计电池SOC，该方法是根据SOC变化量、电流、电压和上一个时间点SOC值计算，建立的线性方程为 （5-4） （5-5） 式中，SOC(i)为当前时刻的SOC值；SOC（i-1）为当前一时刻的SOC值；△SOC(i)为SOC的变化量；U和I为当前时刻的电压与电流。β0、β1、β2、β3为根据参考数据，利用最小二乘法拟合得到的系数，没有具体的物理含义。上述模型适用于低电流、SOC缓变的情况，对测量误差和错误的初始条件，有很高的鲁棒性。线性模型理论上可应用于各种类型和在不同老化阶段的电池，目前只查到在铅蓄电池上的应用，在其他电池上的适用性及变电流情况的估计效果要进一步研究。 7．神经网络法 电池是高度非线性的系统，在它充放电过程中很难建立准确的数学模型。神经网络具有非线性的基本特性，具有并行结构和学习能力，对于外部激励，能给出相应的输出，能够模拟电池动态特性，来估计SOC。估计电池SOC常采用三层典型神经网络率：输入、输出层神经元个数由实际问题的需要来确定，一般为线性函数；中间层神经元个数取决于问题的复杂程度及分析精度。估计电动汽车电池SOC，常用的输入变量有电压、电流、累积放出电量、温度、内阻、环境温度等。神经网络输入变量的选择是否合适，变量数量是否恰当，直接影响模型的准确性和计算量。神经网络法适用于各种电池，缺点是需要大量的参考数据进行训练，估计误差受训练数据和训练方法的影响很大。 8．卡尔曼滤波法 卡尔曼滤波理论的核心思想，是对动力系统的状态做出最小方差意义上的最优估计。应用于电池SOC估计，电池被看成动力系统，SOC是系统的一个内部状态。估计SOC算法的核心，是一套包括SOC估计值和反映估计误差的、协方差矩阵的递归方程，协方差矩阵用来给出估计误差范围。该方法 适用于各种电池，与其他方法相比，尤SOC于电流波动比较剧烈的混合动力电动汽车电池SOC的估计，它不仅给出了SOC的估计值，还给出了SOC的估计误差。 对各种估算方法的优缺点、适用场合进行比较分析，比较分析结果见表5-5。

❹ 电动车20a的电池最大放电和最大持续放电是多少

现有电动车:一般行使情况下,放电电流为4-5a!~电瓶标称不是a,而是ah.比如:放电电流10a,放电1h,则电池为10ah;放电电流20a,放电0.5h,则电池也为10ah...

❺ 在混动卡罗拉控制系统中,神经网络控制系统控制了哪些

混合动力汽车控制器相对来说能多一点。
发动机电脑主要控制发动机运行的各类数据参数。
电机控制器主要控制电机的速率，扭矩。
动力电池电脑主要控制动力电池的充电，放电
整车控制器，起到协调作用，协调发动机和高压电路之间的转换。

❻ 怎么写关于汽车保有量神经网络预测的问题重述

网络文库里面有

❼ 电量显示准吗电池：其实我也是蒙的

并且严重依赖于车企的估算策略。有些车企采用固定映射，比如蔚来的仪表盘续航，就是根据当前的SOC值，与满电工况续航进行等比例换算。满电400km，半电就是200km，30%电就是120km。另一种则是根据之前一段路程的平均能耗进行估算，比如蔚来在中控屏幕中的估算值，基于SOE计算（剩余能量除以平均能耗），结果保守，与行驶工况有强相关性，但存在跳变的可能，比如先长上坡再长下坡。

与之相对，燃油车的SOE是可以准确测量的，因为汽油中蕴含多少能量和剩余的汽油量成正比，不会因为行驶工况而改变。只需要考虑一次行驶工况变量影响。而电动车则需要在计算SOC时考虑一次（放电电流越大，可放出的电荷量越少），计算SOE时考虑一次（放电电流越大，电压越低，放出同样多的电荷时，能量越少），最后在算续航里程时也要考虑一次。这也不难理解为什么电动车续航里程估算是个老大难问题了。

❽ 新能源汽车的动力电池的循环次数是如何统计或计算出来的

电动汽车的动力电池循环次数，即是动力电池寿命，指的是经过循环充放电之后电量衰减到一定容量（一般为总电量80%）的次数。现在主流电动汽车动力电池的充放电次数都在2000到3000次循环以上，有些可以达到5000次循环。
怎样才能算得上是一个循环呢？其实也是很容易理解的，充电循环次数就是把电池电量用完再充满，这是一次循环，如果在车辆剩余电量50%的情况下充电，这只算是0.5次循环次数。