[1]陈梦宇１,张　杰１,周传建２.基于IGWOＧBP神经网络锂电池SOC估算[J].湖北工业大学学报,2024,39(1):46-51.
　CHEN Mengyu,ZHANG Jie,ZHOU Chuanjian.SOC Estimation of Li Ion Battery Based on IGWO BP Neural Network[J].,2024,39(1):46-51.
点击复制

基于IGWOＧBP神经网络锂电池SOC估算()
分享到：

《湖北工业大学学报》[ISSN:1003-4684/CN:42-1752/Z]

卷:
39
期数:
2024年第1期
页码:
46-51
栏目:
出版日期:
2024-02-20

文章信息/Info

Title:
SOC Estimation of Li Ion Battery Based on IGWO BP Neural Network
文章编号:
1003-4684(2024)01-0046-06
作者:
陈梦宇１; 张　杰１; 周传建２
(１ 湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,湖北 武汉 ４３００６８;２ 珠海东帆科技有限公司,广东 珠海 ５１９０００)
Author(s):
CHEN Mengyu1;  ZHANG Jie1;  ZHOU Chuanjian2
（1 Hubei Key Laboratory for High Efficiency Utilization of Solar Energy and Operation Control of Energy Storage System, Hubei Univ. of Tech., Wuhan 430068, China; 2 DFUN Co., Ltd, Zhuhai 519000, China）
关键词:
锂离子电池; SOC; BP神经网络; 自适应策略; 改进灰狼算法
Keywords:
Li Ion battery;  SOC;  BP neural network;  adaptive strategy;  improved grey Wolf algorithm
分类号:
TM912.9
文献标志码:
A
摘要:
针对传统 BP神经网络估算电池 SOC 过程中,存在初始权值和阈值对预测精度影响较大的问题,引入Tent混沌映射和自适应收敛因子对灰狼算法(GWO)进行改进,改善灰狼算法易陷入局部最优、后期迭代效率不高的缺点.将改进灰狼算法(improvedgreyWolfalgorithm,IGWO)与BP神经网络模型结合,得到BP神经网络最优初始权值和阈值,提高预测精度和收敛速度.对锂电池充放电实验数据预处理,得到样本数据.利用 MATLAB进行仿真验证,结果表明,IGWOＧBP神经网络算法的预测精度相较于传统 BP神经网络算法、GWOＧBP神经网络算法更优,基于改进灰狼优化 BP神经网络估算电池SOC的方法的绝对误差能控制在１．５３％以内,有效提高了预测精度和收敛速度.
Abstract:
Aiming at the problem that the initial weight and threshold have a great influence on the prediction accuracy in the process of estimating battery SOC by traditional BP neural network, tent chaotic map and adaptive convergence factor are introduced to improve the gray wolf algorithm (GWO). It is easy to improve the gray wolf algorithm, the shortcomings of falling into local optimum and low efficiency of later iteration. Combining the improved grey wolf algorithm (IGWO) with the BP neural network model, the optimal initial weights and thresholds of the BP neural network are obtained, which improves the prediction accuracy and convergence speed. Preprocess the experimental data of lithium battery charge and discharge to obtain sample data. Using MATLAB for simulation verification, the results show that the prediction accuracy of the IGWO BP neural network algorithm is better than that of the traditional BP neural network algorithm and the GWO BP neural network algorithm. The absolute error of the method based on IGWO BP can be controlled within 1.53%, which effectively improves the prediction accuracy and convergence speed.

参考文献/References:

[１]　周封,杨玉萍,王晨光,等．电动车IVT 功能设计及电池管 理 系 统 的 优 化 [J]．哈 尔 滨 理 工 大 学 学 报,２０１２,１７(０４):２２Ｇ２６．[２]　POPV,BERGVELD HJ,NOTTEN P H L,etal．StateＧofＧtheＧartofbatterystateＧofＧchargedeterminaＧtion[J]．MeasurementScienceandTechnology,２００５,１６(１２):９３Ｇ１１０．[３]　NG KS,MOO．Enhancedcoulombcounting methodforestimating stateＧofＧchargeand stateＧofＧhealth oflithiumionbatteries[J]．ApplEnergy,２００９,９(８６):１５０６Ｇ１５１１．[４]　于智龙,郭艳玲,王海英．自放电修正的锂动力电池SCKFＧSTF的SOC 估 算 策 略 [J]．电 机 与 控 制 学 报,２０１３,１７(１０):７０Ｇ７６．[５]　欧阳剑,李迪,柳俊城．电动汽车用动力电池荷电状态估算方 法 研 究 综 述 [J]．机 电 工 程 技 术,２０１６,４５(０１):５２Ｇ５６．[６]　李争,智若东,孙宏旺,等．基于开路电压预测的SOC估算方法[J]．河北工业科技,２０１７,３４(０１):３６Ｇ４０．[７]　王宇航,王顺利,潘小琴,等．基于扩展卡尔曼的锂离子电池 SOC 估算研究[J]．自动化与仪表,２０１８,３３(０８):７６Ｇ７９．[８]　袁佳波,徐鹏程,李磊,等．基于鸡群优化 BP神经网络的变压器油纸绝缘老化预测方法[J]．电力科学与技术学报,２０２０,３５(０４):３３Ｇ４１．[９]　周美兰,王吉昌,李艳萍．优化的 BP神经网络在预测电动汽车SOC上的应用[J]．黑龙江大学自然科学学报,２０１５,３２(０１):１２９Ｇ１３４．[１０]赵钢,孙豪赛,罗淑贞．基于 BP神经网络的动力电池SOC估算[J]．电源技术,２０１６,４０(０４):８１８Ｇ８１９．[１１]MIRJALILIS,SAREMIS,MIRJALILIS M,etal．MultiＧobjectivegreywolfoptimizer:anovelalgorithmfor multiＧcriterionoptimization[J]．ExpertSystemswithApplications,２０１６ ,４７:１０６Ｇ１１９．[１２]徐银凤,罗日成,易生,等．带混沌搜索的PSO 算法在变压器局部放电定位中的应用[J]．电力科学与技术学报,２０１０,２５(０１):９７Ｇ１００．[１３]TENGZHIJUN,L?JINLING,GUOLIWEN,etal．Animprovedhybridgreywolfoptimizationalgorithmbasedon Tent mapping (Tent)[J]．Harbin GongyeDaxueXuebao/JournalofHarbinInstituteofTechnolＧogy,２０１８,５０(１１):４０Ｇ４９．[１４]王秋萍,王梦娜,王晓峰．改进收敛因子和比例权重的灰狼优化算法[J]．计算机工程与应用,２０１９,５５(２１):６０Ｇ６５．[１５]何廷一,田鑫萃,李胜男,等．基于蜂群算法改进的BP神经网络风电功率预测[J]．电力科学与技术学报,２０１８,３３(０４):２２Ｇ２８．

相似文献/References:

[1]张 宇,徐 思. 基于改进布谷鸟算法的快速充电方法[J].湖北工业大学学报,2023,(1):33.
　ZHANG Yu,XU Si. Fast Charging Method based on Improved Cuckoo Algorithm[J].,2023,(1):33.

备注/Memo

备注/Memo:
[收稿日期]２０２２- ０６ -２５[基金项目]湖北省重点研发计划项目(２０２０BBB０８４)[第一作者]陈梦宇(１９９７—),女,湖北鄂州人,湖北工业大学硕士研究生,研究方向为电池SOC估算.[通信作者]张　杰(１９７２—),男,湖北武汉人,湖北工业大学副教授,研究方向为电力电子变换器及其控制、微电网中的能量调度和管理技术.
更新日期/Last Update: 2024-03-14