摘要：为提高新能源汽车锂电池跨工况下soc(State of Charge,soc)的预测精度以提升其运行可靠性,针对不同工况下的锂电池特征,笔者提出了一种深度学习预测模型。该模型基于卷积神经网络(CNN)和双向长短期记忆网络(BILSTM),对跨工况锂电池soc进行估计。笔者采集了锂电池在不同工况下的温度、电流、电压和soc等数据。然后,构建了CNN-BILSTM深度学习模型,并在联邦城市运行工况(Federal Urban Driving Schedule,FUDS)工况下进行训练测试。将该方法应用于动态应力测试工况(Dynamic Stress Test,DST)下,进行跨工况soc估计。试验结果表明,本文提出的CNN-BILSTM模型能够有效预测锂电池的soc值,在跨工况下也显示出良好的预测性能和较强的泛化能力。

摘要：提出一种基于模糊控制质子膜燃料电池(PEMFC)应急供电系统的能量管理算法,将锂电池的荷电状态(soc)、负载大小、燃料经济性及PEMFC的最佳状态作为输入变量,将锂电池和燃料电池的输出功率配比作为输出变量,引入能量管理模糊算法,进行了仿真优化,使应急供电系统的各部件工作于最佳状态,并将算法进行软件实现。应急供电系统系统采用150 WPEMFC和锂电池混合联供,由PEM燃料电池电堆、锂电池、控制系统、氢气储存及管路系统组成,进行硬件和软件设计,研制了样机。实际测试表明:各项指标满足战术技术要求,是抢险救灾应付突发事件的理想应急供电装备。