kaiyun官方注册
您所在的位置:首页 > 电源技术 > 设计应用 > 基于levy飞行优化BOA-BP网络的电池SOC估计
基于levy飞行优化BOA-BP网络的电池SOC估计
2023年电子技术应用第4期
李畅,王琪,姜佳怡
(西安工业大学 电子信息工程学院, 陕西 西安710021)
摘要: 目前电动汽车动力输出的来源主要是动力电池,其荷电状态(State of Charge,SOC)表示电池的剩余电量情况,精确估算SOC对于电池的使用安全有重要意义。将蝴蝶优化算法( Butterfly Optimization Algorithm,BOA)进行改进并用于优化BP神经网络估算动力电池SOC,解决了普通BP网络估计SOC时遇到的训练时间长、收敛慢、精度较低、易陷入局部最优解的问题;同时提升了全局搜索速度,选取电压和电流为输入变量、SOC为输出变量,根据误差的大小调整神经网络的权值和阈值。仿真结果表明,优化后得到的SOC估计结果误差率控制在1.1%以内,该方法寻优速度快,具有更好的鲁棒性。
中图分类号:TP13
文献标志码:A
DOI: 10.16157/j.issn.0258-7998.222834
中文引用格式: 李畅,王琪,姜佳怡. 基于levy飞行优化BOA-BP网络的电池SOC估计[J]. 电子技术应用,2023,49(4):88-91.
英文引用格式: Li Chang,Wang Qi,Jiang Jiayi. Battery SOC estimation based on Levy flight optimization of BOA-BP network[J]. Application of Electronic Technique,2023,49(4):88-91.
Battery SOC estimation based on Levy flight optimization of BOA-BP network
Li Chang,Wang Qi,Jiang Jiayi
(College of Electronic Information Engineering, Xi′an Technological University, Xi′an 710021, China)
Abstract: At present, the power output of electric vehicles is mainly derived from power batteries, whose State of Charge (SOC) represents the remaining power of batteries. Accurate estimation of SOC is of great significance for the safety of battery use . Butterfly Optimization Algorithm (BOA) was improved and used to optimize BP neural network to estimate SOC of power battery, which solved the problems of long training time, slow convergence, low accuracy and easy to fall into local optimal solution. At the same time, the global search speed is improved, voltage and current are selected as input variables, SOC as output variables, and the weight and threshold of neural network are adjusted according to the size of error. Simulation results show that the error rate of SOC estimation results obtained after optimization is controlled within 1.1%, and this method has better robustness and faster optimization speed.
Key words : charged state estimation;Butterfly optimization algorithm;BP neural network;Levy flight

0 引言

目前,传统汽车由于其工作机理的限制而必须使用石油等不可再生资源作为燃料,同时尾气排放也对环境造成很大污染,新能源汽车因其低碳环保的特点而逐渐被大家所认可。不同于传统能源,电动汽车剩余电量无法直接通过测量得到,需要对其进行状态估计,SOC估计对于判断汽车剩余可行驶里程、消除驾驶者的里程焦虑、防止过充过放具有重要作用。除此之外,拥有正确的SOC可增加动力电池的使用寿命以及在电量均衡等领域给予数据支撑。电池内部本身是一个强非线性系统,常规的物理方法不能够对SOC进行准确估计。神经网络算法可以在不用建模的情况下更好地处理电池的非线性特征,模拟电池的动态特性并对电池SOC估计,但因BP算法存在的估算精度低、鲁棒性不高、收敛慢等问题,所以有必要将BP算法进行优化,提高其在SOC估计中的精度和适用。

2019年,Arora等人观察蝴蝶的觅食行为以及交配行为提出了一种智能算法——BOA算法。算法简单易于实现,全局搜索效率较高,与此同时存在易陷入局部最优的缺陷。针对这个问题,本文利用加入Levy飞行蝴蝶优化算法建立改进的BOA-BP神经网络模型进行MATLAB仿真实验,比较BP与优化后模型的SOC估计值,从而验证改进后算法的精准程度。



本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005289




作者信息:

李畅,王琪,姜佳怡

(西安工业大学 电子信息工程学院, 陕西 西安710021)


微信图片_20210517164139.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map