基于基于GA-BP神经网络的动力锂电池神经网络的动力锂电池SOC估算估算
为提升新能源汽车的整车动力性、经济性以及安全性,更精确估算车用锂电池的荷电状态值(SOC),以纯电动汽
车动力锂电池为研究对象,采用遗传算法(GA)优化BP神经网络,解决了误差逆传播存在的收敛速度慢、全局范围
搜索能力弱、容易陷入局部极小值等缺陷,同时建立了基于GA-BP算法的SOC值预测神经网络模型,通过仿真
实验与传统BP算法进行对比,验证该算法兼顾神经网络学习速度、误差小、全局搜索能力并满足动力电池SOC
值估算要求。
0 引言引言
随着能源危机和环境问题的日益严重,近些年来世界各国纷纷加大力度发展新能源汽车,以减少对环境污染和对化石燃料
的依赖。锂离子电池作为电动汽车主流的储能元件,其性能直接影响整车性能的表现
[1]
。而动力电池为电动汽车系统的关键部
件,以磷酸铁锂为正极材料的锂电池因其高能量密度及耐高温性能等优点得到了广泛的运用。电池荷电状态(SOC)是显示
电池运行状态的重要参数,决定了电动汽车的可续驶公里数,国内外目前已经取得了海量的研究成果,如安时计量法、开路电
压法放电试验法
[2]
等。这些方法的实现需要电池长时间静置或要求电流变化幅度不大的情况下方能得到精准数据。
动力锂电池内部复杂的电化学反应和运行状况中不断变化的各类因素之间的非线性关系致使传统SOC值估算方法存在较大
误差。而BP神经网络算法是一种模拟人脑学习技能的新型算法,无需建立准确的数学模型,通过分析输入量和输出量之间的
对应关系,为输出量建立模型。因BP神经网络是基于误差逆向传播的多层前馈网络特性
[3]
,该算法收敛速度较慢且易陷入局
部极小化。而遗传算法(GA)则是一种通过模拟自然界的选择与生物进化机理来寻找最优解智能算法,具有较强的收敛性和鲁
棒性,它与神经网络相结合恰好可以完美解决易陷入局部最优点的问题,并能明显加快网络收敛速度。
1 GA-BP神经网络神经网络
1.1 GA算法算法
遗传算法(Genetic Algorithm,GA)是模拟生物在自然环境中的遗传和进化的过程而形成的自适应全局优化搜索算法[4]。遗
传搜索算法可同时处理群体中的多个体以达到快速优化BP神经网络的初始权值和阈值,从而使优化后的BP神经网络能够更好
地预测函数输出。遗传算法优化BP神经网络的要素包括群种初始化、适应度函数、选择操作、交叉操作和变异操作
[5]
。
1.1.1 种群初始化种群初始化
个体编码方式为实数编码,每个实数作为一个染色体的一个基因位,可免去编码解码步骤,便于遗传操作简化。实数串分
为四部分,分别为由输入层至隐含层权值W
1
、隐含层至输出层权值W
2
、隐含层阈值B
1
、输出层阈值B
2
。
1.1.2 适应度函数适应度函数
由个体得到BP神经网络初始权值和阈值,再用训练数据进行BP神经网络训练后预测系统输出,将期望输出与预测值之间的
误差绝对值记作个体适应度F,如式(1)所示:
其中n为网络输出节点个数,y
i
为i点期望输出值,o
i
为i点预测输出值,k为系数。
1.1.3 选择操作选择操作
此方案选择的轮盘赌法是在适应度比例的选择策略下完成的,单个个体被选择的概率p
i
如下:
式中,神经网络第i个节点的适应度值为F
i
,种群个体数目设定为N。
1.1.4 交叉操作交叉操作
因个体使用实数编码,故选择实数交叉法,第L个染色体a
l
和第K个染色体k
l
在j位的交叉操作情况如:
1.1.5 变异操作变异操作
评论1