基于FA-BP神经网络的锂离子电池SOH估算附视频

被引：39

作者：

吴铁洲

刘思哲

张晓星

吴麟章

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：

电池 | 2021年 / 01期

关键词：

萤火虫算法(FA); 锂离子电池; BP神经网络; 一阶RC电路模型; 健康状态(SOH);

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：

采用萤火虫算法(FA)优化BP神经网络对锂离子电池进行健康状态(SOH)估算,利用FA算法全局寻优的能力和收敛速度快的特点,优化BP神经网络的权值和阈值,解决BP神经网络容易陷入局部最小值和收敛速度慢的问题。对单体磷酸铁锂正极锂离子电池进行充放电实验,选用一阶RC电路模型,利用递推最小二乘法在线辨识模型参数,将电池的欧姆内阻、极化内阻和极化电容作为模型的输入参数。与BP神经网络算法相比,FA-BP神经网络优化算法估算SOH的误差波动范围减小2.50%,最大误差减少3.00%,平均误差减小1.68%,且具备良好的收敛性。

引用

页码：21 / 25

页数：5

共 9 条

[1]

基于相关滤波的目标重检测跟踪 [J].

姜珊 ;

张超 ;

韩成 ;

底晓强 .

红外与激光工程, 2021, 50 (02) :224-235

[2]

电动汽车动力电池健康状态在线估算方法 [J].

刘芳 ;

刘欣怡 ;

苏卫星 ;

林辉 .

东北大学学报(自然科学版), 2020, 41 (04) :492-498

[3]

锂离子电池健康状态多因子在线估计方法 [J].

陈猛 ;

乌江 ;

焦朝勇 ;

陈继忠 ;

张在平 .

西安交通大学学报, 2020, (01) :169-175

[4]

基于混合算法的电池健康状态估计 [J].

申江卫 ;

苏晓波 ;

王泽林 ;

刘骥鹏 .

电源技术, 2018, 42 (06) :874-876

[5]

锂离子电池寿命预测综述 [J].

王宁 ;

刘晓峰 ;

陈泽华 .

电器与能效管理技术, 2018, (11) :1-13

[6]

双卡尔曼滤波法估计电动汽车电池健康状态 [J].

邓涛 ;

罗卫兴 ;

李志飞 ;

罗俊林 .

电池, 2018, 48 (02) :95-99

[7]

Novel battery state-of-health online estimation method using multiple health indicators and an extreme learning machine[J] Haihong Pan;Zhiqiang Lü;Huimin Wang;Haiyan Wei;Lin Chen Energy 2018,

[8]

State of Health Estimation of Lithium-Ion Batteries Using Capacity Fade and Internal Resistance Growth Models[J] Arijit Guha;Amit Patra IEEE Transactions on Transportation Electrification 2018,

[9]

A comprehensive review of firefly algorithms[J] Iztok Fister;Iztok Fister;Xin-She Yang;Janez Brest Swarm and Evolutionary Computation 2013,

← 1 →