CN109738807A - 基于蚁群算法优化后的bp神经网络来估算soc的方法 - Google Patents
基于蚁群算法优化后的bp神经网络来估算soc的方法 Download PDFInfo
- Publication number
- CN109738807A CN109738807A CN201910005851.8A CN201910005851A CN109738807A CN 109738807 A CN109738807 A CN 109738807A CN 201910005851 A CN201910005851 A CN 201910005851A CN 109738807 A CN109738807 A CN 109738807A
- Authority
- CN
- China
- Prior art keywords
- neural network
- ant
- threshold value
- weight
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供一种基于蚁群算法优化后的BP神经网络来估算SOC的方法,包括确定BP神经网路及输入层、隐含层、输出层各自对应的神经元,并确定BP神经网路中的权值和阈值;将权值和阈值作为待优化参数基于蚁群算法迭代求解,得到全局最优值,并将所得到的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络;获取动力电池外部特性的实测数据作为输入导入更新后的BP神经网络中,得到的SOC值即为所求的SOC估算值。实施本发明,能克服现有技术中存在的不足之处,确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的精确估算。
Description
技术领域
本发明涉及动力电池技术领域,尤其涉及一种基于蚁群算法优化后的BP神经网络来估算SOC的方法。
背景技术
众所周知,人类社会面对的能源和环境问题越来越严重,内燃机汽车的大量使用时造成这种情况的重要原因之一,如果可以用纯电动汽车取代传统的内燃机汽车,这将会给人类社会带来诸多好处。但是受限于现阶段的研究和技术问题,动力电池的容量有限并且容易过度充电和过度放电,使得动力电池的寿命和容量都不尽人意,为了更好地利用动力电池的能量,不造成过度浪费和对动力电池进行保护延长其寿命,人们采用了电池管理系统对动力电池进行保护,而电池管理系统中最关键和最基础的技术就是SOC估算技术。SOC也就是电池荷电状态(电池剩余电量),反应电池的剩余容量,是表征电池运行状态的一项重要参数。由于电池SOC不能直接测量,而只能通过电池的其他外特性参数(如电流、电压、内阻、温度、老化程度等)运用数学运算间接获取。
现阶段动力电池SOC的估计方法越来越多,但是它们都存在不同程度的缺陷。例如,安时积分法是SOC估计最简单的方法,实现功耗低,但是由于无法确定其准确SOC初始值,所以导致积累效应,SOC计算误差较大;开路电压(OCV)是另一种常用的方法,它虽然在SOC估算中取得了很高的精度,但是电池必须长时间静置,测量易受到温度、电池寿命等因素影响,比较适合电池静置的情况下估算SOC;阻抗分析法基于合适的电化学模型,这种估计方法对电池老化和温度敏感,实现比较困难;卡尔曼滤波法利用合适的电池模型,但对电池模型要求较高,确定内部参数困难,需要大量的矩阵运算,计算难度大。
因此,亟需一种估算动力电池SOC的新方法,能够克服现有技术中存在的不足之处,确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的精确估算。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于蚁群算法优化后的BP神经网络来估算SOC的方法,能克服现有技术中存在的不足之处,确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的精确估算。
为了解决上述技术问题,本发明实施例提供了一种基于蚁群算法优化后的BP神经网络来估算SOC的方法,包括以下步骤:
确定BP神经网路及其所含的输入层、隐含层、输出层各自对应的神经元,并根据所述BP神经网路中的输入层、隐含层、输出层各自对应的神经元,确定出所述BP神经网路中的权值和阈值;其中,所述BP神经网路中输入层的神经元由动力电池外部特性决定;所述BP神经网路中输出层的神经元为SOC值;
将所确定的权值和阈值作为待优化参数基于蚁群算法迭代求解,得到全局最优值,并将所得到的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络;
获取所述动力电池外部特性的实测数据,并将所获取到的动力电池外部特性的实测数据导入所述更新后的BP神经网络中,得到的SOC值即为所求的最终SOC估算值。
其中,所述动力电池外部特性包括电流、电压和温度。
其中,所述动力电池外部特性中电流、电压和温度的实测数据是在动力电池上以FUDS工况进行充放电时获取的。
其中,所述将所确定的权值和阈值作为待优化参数基于蚁群算法迭代求解,得到全局最优值,并将所得到的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络的具体步骤包括:
步骤101、设置初始化参数:设置蚂蚁最大迭代次数NC_max、蚂蚁的个数m、信息素浓度、个体最优和全局最优;
步骤102、将每一个权值和阈值作为待优化参数分别进行等份均分形成参数集合,使得m只蚂蚁随机放置的位置均对应有所述参数集合中一组权值和阈值;
步骤103、计算每只蚂蚁的适应度值,并将其设为蚂蚁的初始信息素;其中,所述蚂蚁的适应度函数值由误差的平方和的倒数来计算;
步骤104、用确定的优化函数计算每只蚂蚁的转移概率,并根据每只蚂蚁的转移概率得出本次最优路径,与最优值比较,若最优,则更新最优值;
步骤105、将每只蚂蚁的最优值与整个蚁群的最优值相比较,若更优则成为整个蚁群新的最优值,对所有路径进行排序选出最优路径;
步骤106、更新每只蚂蚁的信息素浓度;
步骤107、比较迭代次数是否达到最大迭代次数或所有蚂蚁是否全部收敛在一条路径上,若满足之中任一个,则输出最后一次迭代的全局最优值中每一维对应的权值和阈值;若不满足,则返回步骤104;
步骤108、将最后一次迭代输出的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络。
实施本发明实施例,具有如下有益效果:
本发明利用BP神经网络具有较强的鲁棒性,能在不同的电池状态、动态负载和温度下工作,并且不需要数学模型,能处理任何非线性和复杂的系统等优点来克服现有技术中存在的不足之处,确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的估算,同时通过蚁群算法优化BP神经网络来进一步提升BP神经网络的性能,从而提高动力电池SOC的估算精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提出的一种基于蚁群算法优化后的BP神经网络来估算SOC的方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种基于蚁群算法优化后的BP神经网络来估算SOC的方法,包括以下步骤:
步骤S1、确定BP神经网路及其所含的输入层、隐含层、输出层各自对应的神经元,并根据所述BP神经网路中的输入层、隐含层、输出层各自对应的神经元,确定出所述BP神经网路中的权值和阈值;其中,所述BP神经网路中输入层的神经元由动力电池外部特性决定;所述BP神经网路中输出层的神经元为SOC值;
步骤S2、将所确定的权值和阈值作为待优化参数基于蚁群算法迭代求解,得到全局最优值,并将所得到的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络;
步骤S3、获取所述动力电池外部特性的实测数据,并将所获取到的动力电池外部特性的实测数据导入所述更新后的BP神经网络中,得到的SOC值即为所求的最终SOC估算值。
具体过程为,在步骤S1中,BP神经网路由输入层、隐含层和输出层构成,输入层的神经元由动力电池外部特性决定,隐含层的神经元可以根据实际进行调整(一般与输入层的神经元相对应),输出层的神经元为SOC值。
此时,BP神经网路中输出层的SOC表示式为f代表激活函数,其表达式为其中,i从1到n,表示输入层的第i个神经元;j从1到n,表示隐含层的第j个神经元;k=1,表示输出层的个数;wji和wkj均表示权值,wji为输入层第i个神经元至隐含层第j个神经元的权值,wkj为输出层第k个神经元至隐含层第j个神经元的权值;θj和θk均表示阈值。
在一个实施例中,动力电池外部特性包括电流、电压和温度,且动力电池外部特性中电流、电压和温度的实测数据是在动力电池上以美国联邦城市驾驶工况FUDS进行充放电时获取的。应当说明的是,为了能够满足BP神经网络处理的需求,动力电池外部特性的实测数据应经过移动平均滤波去噪处理和归一化将其范围缩小到[-1,1]之间。
此时,输入层的神经元个数有3个、隐含层的神经元个数有3个、输出层的神经元个数有1个,得到权值包括输入层至隐含层的权值3*3=9以及隐含层至输出层的权值3*1=3共12个,阈值有3+1=4个。
在步骤S2中,步骤101、设置初始化参数:设置蚂蚁最大迭代次数NC_max、蚂蚁的个数m、信息素浓度、个体最优和全局最优;
步骤102、将每一个权值和阈值作为待优化参数分别进行等份均分形成参数集合,使得m只蚂蚁随机放置的位置均对应有所述参数集合中一组权值和阈值;
步骤103、计算每只蚂蚁的适应度值,并将其设为蚂蚁的初始信息素;其中,所述蚂蚁的适应度函数值由误差的平方和的倒数来计算;
步骤104、用确定的优化函数计算每只蚂蚁的转移概率,并根据每只蚂蚁的转移概率得出本次最优路径,与最优值比较,若最优,则更新最优值;
步骤105、将每只蚂蚁的最优值与整个蚁群的最优值相比较,若更优则成为整个蚁群新的最优值,对所有路径进行排序选出最优路径;
步骤106、更新每只蚂蚁的信息素浓度;
步骤107、比较迭代次数是否达到最大迭代次数或所有蚂蚁是否全部收敛在一条路径上,若满足之中任一个,则输出最后一次迭代的全局最优值中每一维对应的权值和阈值;若不满足,则返回步骤104;
步骤108、将最后一次迭代输出的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络。
在步骤S3中,获取动力电池外部特性中电流、电压和温度的实测数据的实测数据,并导入更新后的BP神经网络中,得到的SOC值即为所求的最终SOC估算值。
实施本发明实施例,具有如下有益效果:
本发明利用BP神经网络具有较强的鲁棒性,能在不同的电池状态、动态负载和温度下工作,并且不需要数学模型,能处理任何非线性和复杂的系统等优点来克服现有技术中存在的不足之处,确保不同电池状态、动态负载和温度条件下都能实现对动力电池SOC的估算,同时通过蚁群算法优化BP神经网络来进一步提升BP神经网络的性能,从而提高动力电池SOC的估算精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于蚁群算法优化后的BP神经网络来估算SOC的方法,其特征在于,包括以下步骤:
确定BP神经网路及其所含的输入层、隐含层、输出层各自对应的神经元,并根据所述BP神经网路中的输入层、隐含层、输出层各自对应的神经元,确定出所述BP神经网路中的权值和阈值;其中,所述BP神经网路中输入层的神经元由动力电池外部特性决定;所述BP神经网路中输出层的神经元为SOC值;
将所确定的权值和阈值作为待优化参数基于蚁群算法迭代求解,得到全局最优值,并将所得到的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络;
获取所述动力电池外部特性的实测数据,并将所获取到的动力电池外部特性的实测数据导入所述更新后的BP神经网络中,得到的SOC值即为所求的最终SOC估算值。
2.如权利要求1所述的基于蚁群算法优化后的BP神经网络来估算SOC的方法,其特征在于,所述动力电池外部特性包括电流、电压和温度。
3.如权利要求2所述的基于蚁群算法优化后的BP神经网络来估算SOC的方法,其特征在于,所述动力电池外部特性中电流、电压和温度的实测数据是在动力电池上以FUDS工况进行充放电时获取的。
4.如权利要求1所述的基于蚁群算法优化后的BP神经网络来估算SOC的方法,其特征在于,所述将所确定的权值和阈值作为待优化参数基于蚁群算法迭代求解,得到全局最优值,并将所得到的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络的具体步骤包括:
步骤101、设置初始化参数:设置蚂蚁最大迭代次数NC_max、蚂蚁的个数m、信息素浓度、个体最优和全局最优;
步骤102、将每一个权值和阈值作为待优化参数分别进行等份均分形成参数集合,使得m只蚂蚁随机放置的位置均对应有所述参数集合中一组权值和阈值;
步骤103、计算每只蚂蚁的适应度值,并将其设为蚂蚁的初始信息素;其中,所述蚂蚁的适应度函数值由误差的平方和的倒数来计算;
步骤104、用确定的优化函数计算每只蚂蚁的转移概率,并根据每只蚂蚁的转移概率得出本次最优路径,与最优值比较,若最优,则更新最优值;
步骤105、将每只蚂蚁的最优值与整个蚁群的最优值相比较,若更优则成为整个蚁群新的最优值,对所有路径进行排序选出最优路径;
步骤106、更新每只蚂蚁的信息素浓度;
步骤107、比较迭代次数是否达到最大迭代次数或所有蚂蚁是否全部收敛在一条路径上,若满足之中任一个,则输出最后一次迭代的全局最优值中每一维对应的权值和阈值;若不满足,则返回步骤104;
步骤108、将最后一次迭代输出的全局最优值中每一维对应的权值和阈值对所述BP神经网路中的权值和阈值进行相应的更新,得到更新后的BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910005851.8A CN109738807B (zh) | 2019-01-03 | 2019-01-03 | 基于蚁群算法优化后的bp神经网络来估算soc的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910005851.8A CN109738807B (zh) | 2019-01-03 | 2019-01-03 | 基于蚁群算法优化后的bp神经网络来估算soc的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109738807A true CN109738807A (zh) | 2019-05-10 |
CN109738807B CN109738807B (zh) | 2021-03-30 |
Family
ID=66363262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910005851.8A Active CN109738807B (zh) | 2019-01-03 | 2019-01-03 | 基于蚁群算法优化后的bp神经网络来估算soc的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738807B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534938A (zh) * | 2021-06-29 | 2021-10-22 | 广东工业大学 | 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法 |
CN113761789A (zh) * | 2021-07-23 | 2021-12-07 | 江苏大学 | 基于萤火虫群算法优化后的bp神经网络估算电池soc的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636801A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN106934451A (zh) * | 2015-12-29 | 2017-07-07 | 扬州大学 | 一种基于蚁群优化的bp神经网络wsn森林火灾防范系统 |
CN108572324A (zh) * | 2018-04-13 | 2018-09-25 | 芜湖职业技术学院 | 基于免疫算法优化bp神经网络的电池soc估计装置 |
CN108668254A (zh) * | 2018-05-15 | 2018-10-16 | 福州大学 | 基于改进BP神经网络的WiFi信号特征的区域定位方法 |
CN109031147A (zh) * | 2018-08-21 | 2018-12-18 | 湖南兴业绿色电力科技有限公司 | 一种磷酸铁锂电池组的soc估算方法 |
-
2019
- 2019-01-03 CN CN201910005851.8A patent/CN109738807B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636801A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
CN106934451A (zh) * | 2015-12-29 | 2017-07-07 | 扬州大学 | 一种基于蚁群优化的bp神经网络wsn森林火灾防范系统 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN108572324A (zh) * | 2018-04-13 | 2018-09-25 | 芜湖职业技术学院 | 基于免疫算法优化bp神经网络的电池soc估计装置 |
CN108668254A (zh) * | 2018-05-15 | 2018-10-16 | 福州大学 | 基于改进BP神经网络的WiFi信号特征的区域定位方法 |
CN109031147A (zh) * | 2018-08-21 | 2018-12-18 | 湖南兴业绿色电力科技有限公司 | 一种磷酸铁锂电池组的soc估算方法 |
Non-Patent Citations (1)
Title |
---|
翟学明等: "基于蚁群算法和BP神经网络的信道分配策略的研究", 《传感技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534938A (zh) * | 2021-06-29 | 2021-10-22 | 广东工业大学 | 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法 |
CN113761789A (zh) * | 2021-07-23 | 2021-12-07 | 江苏大学 | 基于萤火虫群算法优化后的bp神经网络估算电池soc的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109738807B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
CN110554324B (zh) | 一种soc和soh联合估计方法 | |
CN110488204B (zh) | 一种储能元件soh-soc联合在线估计方法 | |
CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
CN110659722B (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN108288231B (zh) | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 | |
CN109346787B (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
CN110009140A (zh) | 一种日电力负荷预测方法及预测装置 | |
CN110850322B (zh) | 一种基于小波信号分解的电池相对健康状态估计方法 | |
CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
CN109738807A (zh) | 基于蚁群算法优化后的bp神经网络来估算soc的方法 | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN114839542A (zh) | 一种动力锂电池的样本数据集生成方法、soc估计方法 | |
CN109738808A (zh) | 基于模拟退火算法优化后的bp神经网络来估算soc的方法 | |
CN114895206B (zh) | 基于改进灰狼优化算法的rbf神经网络的锂离子电池soh估计方法 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN114062948B (zh) | 一种基于3dcnn的锂离子电池soc估计方法 | |
CN112508734B (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
CN114966409A (zh) | 一种基于多层感知机算法的动力锂电池荷电状态的估计方法 | |
CN116593899A (zh) | 一种基于XGBoost算法预测退役电池容量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190510 Assignee: Tianjin Aikong Technology Co.,Ltd. Assignor: Wenzhou University Contract record no.: X2023330000260 Denomination of invention: A Method for Estimating SOC Based on BP Neural Network Optimized by Ant Colony Algorithm Granted publication date: 20210330 License type: Common License Record date: 20230424 |