粒子群优化神经网络电动汽车SOC估算方法

为了解决纯电动汽车电池剩余电量估算难题,采用粒子群优化神经网络方法,用于BP(Back Propagation,BP)神经网络权值和阈值优化,并把优化后的神经网络用于荷电状态(SOC)离散估算.以100 Ah LiFePO4电池作为实验对象采集实验数据,将温度、充放电倍率和充放电电压作为PSO-BP(Particle Swarm Optimization,PSO)神经网络输入特征向量,将电池SOC作为输出向量进行网络学习和训练,用训练好的网络对不同充放电倍率下SOC进行离散点预测,采用插值估算实现实时预测.实验结果表明,PSO-BP算法对SOC值为20％～ 80％区间估算准确,能够满足电动汽车正常运行的SOC估算要求.     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

基于FA-BP神经网络的锂离子电池SOH估算

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.     

基于WOA-BP神经网络的磨煤机出粉量估算

为了解决火电厂磨煤机出粉量难以估算的问题,运用软测量方法,结合磨煤机工作时的系统参数和磨煤机出粉量建立BP神经网络模型,建立各参数与出粉量的非线性映射关系,对磨煤机出粉量进行估算。为了减小该模型的误差,采用鲸鱼算法（WOA）优化BP神经网络的权重和阈值,建立了WOA-BP算法模型。为了验证WOA-BP算法模型的可靠性,将鲸鱼算法（WOA）、粒子群算法（PSO）、遗传算法（GA）和BP神经网络分别建立磨煤机出粉量的WOA-BP、PSO-BP、GA-BP、BP神经网络算法模型。计算结果表明在4种算法模型中,WOA-BP算法估算模型对磨煤机出粉量有最好的预测能力,平均绝对误差仅0.94。     

基于CMPSO—BP算法的变压器故障诊断

将基于遗传算法交叉变异思想的改进粒子群优化(CMPSO)算法和误差反向传播(BP)算法相结合构成的CMPSO-BP混合算法用于训练神经网络,该混合算法有效克服常规BP和PSO-BP算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断实验。诊断结果表明,CMPSO-BP混合算法较BP及PSO-BP算法具有较高的诊断准确率。     

基于BP神经网络的动力电池SOC估算

电池荷电状态(SOC)的预测是影响电动汽车发展的关键技术之一,采用经典BP神经网络控制算法完成了动力电池的SOC估算研究。通过设计工况实验,在Matlab中对该算法进行了仿真验证,结果表明该算法能够很好地拟合动力电池充放电特性,误差可以减小到5%以内。     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态(State of Charge, SOC)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播(Back Propagation, BP)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,论文提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络初始权值及阈值(优化后的BP网络简称SAMEA-BP神经网络)。结合充放电实验数据,将提出的SAMEA-BP神经网络与BP、思维进化算法优化的BP (MEA-BP)神经网络用于锂离子电池的SOC估计,并对三种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。     

不同环境温度下的锂离子电池SOC估计

以充电时的电压、电流和环境温度为输入量,采用经遗传算法优化的BP神经网络算法对电池荷电状态(SOC)进行估算.实验数据和仿真结果对比表明:所采用的算法可用于估算不同环境温度下的SOC,具有较好的工程应用潜力,在低温(-10～-8℃)、常温(19～22℃)和高温(35～37℃)下的全局误差分别约为2.42％、1.71％和0.73％.     

基于LS-SVM算法动力电池SOC估计方法的研究

提高电池荷电状态(SOC)估计的准确性对于电动汽车电池管理系统的研究至关重要。根据历史实验数据分析了电池电压、电流、放电总电量因素对电池的影响,利用最小二乘支持向量机具有非线性逼近能力强、收敛速度快、全局最优解的特性对电动汽车电池SOC值进行在线实时估计,与BP神经网络的预测结果进行比较。仿真及实验室测试结果表明,最小二乘支持向量机算法能更准确地逼近实际SOC值,该方法的最大估算误差降低到0.02,达到了动力汽车的应用要求。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优.     

基于RNN的锂离子电池SOC估算研究进展

深度学习的日益流行和不断的突破,积极地推动了估算锂离子电池荷电状态(SOC)新方法的研发.常用于文本翻译、语音识别等领域的循环神经网络算法已开始应用在电池SOC估算领域.概述了几种常用于电池SOC估算的循环神经网络算法,并根据结构复杂度将其分为简单、深度以及扩展循环神经网络算法.此外,从模型输入变量、数据预处理、循环神经层数及其神经元数、优化器、损失函数、测试文件、研究的温度、使用的电池类型以及估算误差方面对这些循环神经网络算法进行了比较,总结了这几种估算方法的优缺点,让读者对循环神经网络算法有更直观的了解.循环神经网络算法与其他算法相结合来估算电SOC,将会成为重点研究方向.     

基于SA-BP神经网络算法的电池SOH预测

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。     

基于自适应FFRLS和改进CEKF锂电池SOC的估算

锂离子电池荷电状态(SOC)的准确估计是电池管理系统的重要核心技术之一,也是延长电池寿命的关键。但是SOC的准确实时估计困难,且精度不高。选取以三元锂电池为研究对象,针对EKF在线性化过程中产生的非线性误差,提出改进的补偿扩展卡尔曼算法(compensation for extended Kalman, CEKF)。该算法用GA优化的BP神经网络预测k时刻EKF的非线性误差等,从而补偿扩展卡尔曼k时刻的非线性误差等,且用自适应FFRLS对模型参数进行参数辨识,以DST和BBDST进行实验验证。实验结果表明,该算法估算SOC的精度范围在2%左右,且最大误差和平均误差都比EKF小得多,能更加有效追踪SOC的理论值,且该算法估计的SOC稳定性也比EKF稳定。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

基于模拟退火改进粒子群混合算法的变压器故障诊断

针对传统的变压器故障诊断方法在实际应用中存在的一些不完善性和局限性,笔者将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成的SAPSO-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和PSO算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断。实验诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法,并且具有较高的诊断准确率。     

关于 PDR 算法步长估计模型的改进研究

为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。     

BP神经网络在线优化卡尔曼滤波算法在钒电池SOC估算中的应用

针对传统卡尔曼滤波法在钒电池荷电状态(state of charge,SOC)估算中将电池内部模型参数作为恒定值,而导致误差增大的缺陷,该文使用反向传播(back propagation,BP)神经网络在线更新卡尔曼滤波过程的参数值,以提高参数的精度。选用常见的戴维南(Thevenin)等效电路模型,通过神经网络更新内部欧姆内阻R0和极化电阻Rp、电容Cp完成卡尔曼滤波过程的优化,使系统模型卡尔曼滤波估算中的每一步都得到更新,从而弥补了上述传统算法的缺陷。同时,该文还设计了电池测试试验,通过对数据的检验以及与双卡尔曼滤波的优化方式的结果进行对比,验证了神经网络优化的方法较双卡尔曼滤波优化能更好地体现出系统的动态特性,估算的结果具有更高的精度和更好的收敛性,证明了该方法非常适用于钒电池系统的实时SOC估计,具有理论与应用价值。     

基于MPSO-LM算法的车用电池组SOC预测

在对车用氢镍电池组进行了不同工况和温度下的充放电实验,获取了大量能真实反映电池动态行为和特征的实验数据的基础上,建立了一个Back-propagation神经网络的车用动力电池组的仿真模型,实现对电池SOC的预测.为提高BP算法的训练速度和估算精度,设计了一种将改进粒子群算法(MPSO)与Leyenberg-Marquardt(LM)算法组合使用的混合算法(MPSO-LM)用于优化训练BP神经网络.仿真结果表明.所提议的MPSO-LM算法比BP算法更有效.具有较快的收敛速度和较高的预测精度.测试结果中97%数据达到5%的误差或更小.     

基于GA-BP和PSO-BP神经网络的间冷塔扇区出水温度预测研究

基于某电厂330 MW机组分布式控制系统(DCS)采集的实测运行数据,通过灰色关联度分析扇区出水温度与其影响因素之间的关联关系,分别利用遗传算法(GA)和粒子群算法(PSO),对BP神经网络间冷塔出水温度预测模型进行优化.优化结果表明,遗传算法和粒子群优化算法对BP神经网络的预测结果优化作用明显,并且PSO-BP神经网络模型的优化效果优于GA-BP神经网络模型.