于仲安;褚彪;葛庭宇;

• 1:江西理工大学

摘要(Abstract)：

为实现锂离子电池荷电状态(SOC)的高精度预测,采用混合粒子群(HPSO)与BP神经网络相结合的联合优化算法,通过优化神经网络的初始权值和阈值克服了种群易陷入局部极小的缺点,加快了收敛速度,减小了SOC预估的误差,通过分析磷酸铁锂(LiFePO4)电池充、放电机理,将电池电压、电流、内阻和温度作为SOC的影响因子。MATLAB仿真结果表明,HPSO-BP神经网络算法的预测精度和收敛速度较传统BP神经网络算法更优。

关键词(KeyWords)： 荷电状态;磷酸铁锂电池;混合粒子群算法;BP神经网络

Abstract:

Keywords:

基金项目(Foundation): 江西省教育厅科学技术研究项目(GJJ150678)

作者(Authors): 于仲安;褚彪;葛庭宇;

DOI: 10.19620/j.cnki.1000-3703.20180636

参考文献(References)：

• [1]于仲安,简俊鹏,何方.动力锂电池SOC估算研究其管理系统设计[J].电力电子技术,2014,48(8):46-50.
• [2]Andre D,Appel C,Soczka-Guth T,et al.Advanced Mathematical Methods of SOC and SOH Estimation for Lithium-Ion Batteries[J].Journal of Power Sources,2013,224(5):20-27.
• [3]Hua Y,Xu M,Li M,et al.Estimation of State of Charge for Two Types of Lithium-Ion Batteries by Nonlinear Predictive Filter for Electric Vehicles[J].Energies,2015,8(5):3556-3577.
• [4]隋欣,陈永翀,张晓虎,等.基于改进滑模观测器的锂离子电池荷电状态估计方法[J].电工电能新技术,2018,37(12):73-82.
• [5]Lipu M S H,Hannan M A,Hussain A,et al.State of Charge Estimation for Lithium-ion Battery Using Recurrent NARXNeural Network Model Based Lighting Search Algorithm[J].IEEE Access,2018,6:28150-28161.
• [6]刘艳莉,戴胜,程泽,等.基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计[J].电工技术学报,2014,29(1):221-228.
• [7]李哲,卢兰光,欧阳明高.提高安时积分法估算电池SOC精度的方法比较[J].清华大学学报(自然科学版),2010,50(8):1293-1296+1301.
• [8]杨阳,汤桃峰,秦大同,等.电动汽车锂电池PNGV等效电路模型与SOC估算方法.系统仿真学报[J],2012,24(4):938-942.
• [9]刘秋丽,马晓军,袁东,等.粒子群优化神经网络在SOC估算中的应用[J].计算机工程,2012,38(12):143-145+148.
• [10]王业琴,刘一星.粒子群优化神经网络电动汽车SOC估算方法[J].电源技术,2013,37(5):800-803.
• [11]何正风.MATLAB R2015b神经网络技术[M].北京:清华大学出版社,2016:156-205.
• [12]雷秀娟.群智能优化算法及其应用[M].北京:科学出版社,2012:87-183.
• [13]李松,刘力军,翟曼.改进粒子群算法优化BP神经网络的短时交通流预测[J].系统工程理论与实践,2012,32(9):2045-2049.
• [14]Mesbahi T,Khenfri F,Rizoug N,et al.Dynamical Modeling of Li-Ion Batteries for Electric Vehicle Applications Based on Hybrid Particle Swarm-Nelder-Mead(PSO-NM)Optimization Algorithm[J].Electric Power Systems Research,2016,131:195-204.
• [15]皮钒,王耀南,孟步敏.基于扩展PSO和离散PI观测器的电池SoC估计[J].电子测量与仪器学报,2016,30(1):11-19.