混合动力汽车(Hybrid-Electric Vehicle,简称HEV)在减少尾气排放、降低能源消耗等方面起到了日益重要的作用,然而生产成本高、使用寿命短的动力电池组却成为HEV大规模应用的瓶颈,其中关键障碍就在于对电池荷电状态(State of Charge,简称SOC)的准确估计电池SOC在充放电过程中表现出来的强烈非线性特征使人工神经网络技术在SOC估计领域得到了广泛应用。本论文在现有技术文献的基础上,针对一般神经网络模型需要长时间训练的问题,首次将收敛速率快、局部泛化能力强的小脑模型关节控制器(Cerebella Model Articulation Controller,简称CMAC)引入到镍氢电池SOC的估计中。测试结果表明,与BP神经网络(Back Propagation Neural Network,简称BPNN)模型相比,CMAC估计SOC模型在训练所需时间方面具有突出优势,但输出误差却明显增大。为了有效改善CMAC神经网络模型的性能,本论文深入分析了接受域函数标准差和泛化参数对单样本测试误差的影响,发现固定参数形式的CMAC模型在目标输出的不同变化率区间上有着截然不同的输出误差。因此,以能够实时调整标准差或泛化参数为目的,本论文提出了对CMAC结构改动量小、易于软件实现的可变接受域小脑模型神经网络(Parametric Receptive-function CMAC,简称PRCAMC)结构,并改进了权值更新算法。实验表明在目标输出的各个阶段,PRCMAC输出误差始终保持在较低状态,克服了传统CMAC网络输出精确度低的缺点。最后,以动态高斯接受域函数为基础,本论文建立了PRCMAC神经网络估计镍氢电池SOC模型,并利用ADVISOR整车仿真软件产生的HEV镍氢动力电池组放电样本数据,在Visual Studio平台上对PRCMAC网络估算模型进行反复测试,以确定出最佳内部参数。实验结果表明,PRCMAC模型具有快速收敛、高精确度等特点,在相同时间内可以学习到比其它神经网络模型更多的数据样本,从而使模型的适用范围更加广泛。
