基于SA-BP神经网络算法的电池SOH预测

被引：48

作者：

徐元中

曹翰林

吴铁洲

机构：

[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

来源：

电源技术 | 2020年 / 44卷 / 03期

关键词：

BP神经网络; 模拟退火算法; 健康状态; 锂离子电池;

D O I：

暂无

中图分类号：

TM912 [蓄电池]; TP183 [人工神经网络与计算];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。

引用

页码：341 / 345

页数：5

共 9 条

[1]

Determination of suitable parameters for battery analysis by Electrochemical Impedance Spectroscopy.[J].Yoana Fernández Pulido;Cecilio Blanco;David Anseán;Víctor M. García;Francisco Ferrero;Marta Valledor.Measurement.2017,

[2]

A Neural Network Based State-of-Health Estimation of Lithium-ion Battery in Electric Vehicles.[J].Duo Yang;Yujie Wang;Rui Pan;Ruiyang Chen;Zonghai Chen.Energy Procedia.2017,

[3]

Lithium-ion battery remaining useful life estimation based on fusion nonlinear degradation AR model and RPF algorithm.[J].Datong Liu;Yue Luo;Jie Liu;Yu Peng;Limeng Guo;Michael Pecht.Neural Computing and Applications.2014, 3-4

[4]

基于遗传算法优化BP神经网络的接触电阻预测 [J].