基于麻雀算法优化BP神经网络的电池荷电状态估算研究.pdfVIP

中文科技期刊数据库（引文版）工程技术

基于麻雀算法优化BP神经网络的电池荷电状态估算研究

1（通讯作者）22

李国全姬祥李文华

1.开滦能源化工股份有限公司，河北唐山063018

2.河北工业大学，天津300401

摘要：目的电池荷电状态无法通过直接测量得到，传统的BP神经网络学习效率慢、预测精度误差较大。方法为

提高传统BP神经网络预测结果的精度，本文引入了麻雀算法优化BP神经网络实现对电池荷电状态的预测。结果

结合储能电池充放电数据集及MATLAB仿真实现基于麻雀算法的神经网络模型及BP神经网络模型预测，得到储能

电池的容量预测曲线，并与实际容量曲线进行比较，进而计算得到模型评价指标。结论结果表明SSA-BP神经网

络网络模型相对于传统BP神经网络模型能够有效提高电池荷电状态的预测精度。

关键词：储能电池；麻雀算法；神经网络；荷电状态预测

中图分类号：TM91

随着新能源产业的蓬勃发展，储能电池组在生产过程中采取安时积分法从而计算出实时的SOC值。文

[5]

活动中也获得了广泛应用。储能电池组系统对于抑制献为了解决储能电池在满电状态无法对荷电状态

电源波动及提高供电稳定性具有重要作用。因此，储之进行准确辨识的问题提出了安时积分法与扩展卡

能电池的荷电状态监测对于保证电池长期稳定可靠尔曼滤波法相结合的方法从而提高SOC的估算精度。

[1][6-7]

工作及延长电池的运行寿命具有重要作用。文献采用以电池充放电历史数据驱动的BP神经网

储能电池的荷电状态估算方法有安时积分法、开络对储能电池的荷电状态进行预测，但传统的BP神

路电压法、卡尔曼滤波法及数据驱动的神经网络法等。经网络需要大量的历史数据才能提高准确性，对数据

[8]

安时积分法可通过对储能电池的电流进行积分要求较高。文献提供一种将传统BP神经网络优化

从而直接获得荷电状态值，易于实现，但此方法对于为小波神经网络的算法，从而解决传统人工神经网络

传感器精度要求高，且严重依赖SOC的初始值。开路收敛速度慢、稳定性低和过渡拟合的问题。本文则提

电压法根据储能电池的开路电压与荷电状态对应的出了一种基于麻雀算法的多输入参数的神经网络算

关系曲线实现对储能电池荷电状态进行估算。此方法法实现对储能电池荷电状态预测，并结合电池数据集

较为简单，缺点则是储能电池的开路电压较难实现快进行预测验证。

速获取，卡尔曼滤波法则是在获取储能电池的电流和1基于麻雀算法的多输入参数神经网络算法

电压的同时进行滤波及状态估计进而得到电池的荷

1.1SSA优化BP神经网络

电状态。卡尔曼滤波法可以结合多种传感器数据从而

BP神经网络是一种按照误差逆向传播算法训练

确保结果的准确性，但卡尔曼滤波法需要利用相当复

的多层前馈神经网络。如图1所示的则为BP神经网

杂的散算法建立数学模型，这无疑增加了模型建立的

络拓扑结构