JOURNAL OF LIGHT INDUSTRY

CN 41-1437/TS  ISSN 2096-1553

×
《轻工学报》严正声明

改进的ACO-BP神经网络在锂离子电池SOC估算中的应用

王震 ,  陆金桂

downloadPDF
王震, 陆金桂. 改进的ACO-BP神经网络在锂离子电池SOC估算中的应用[J]. 轻工学报, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
引用本文: 王震, 陆金桂. 改进的ACO-BP神经网络在锂离子电池SOC估算中的应用[J]. 轻工学报, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
shu
WANG Zhen and LU Jingui. Application of improved ACO-BP neural network in estimation of SOC of lithium ion battery[J]. Journal of Light Industry, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
Citation: WANG Zhen and LU Jingui. Application of improved ACO-BP neural network in estimation of SOC of lithium ion battery[J]. Journal of Light Industry, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
shu

改进的ACO-BP神经网络在锂离子电池SOC估算中的应用

  • 南京工业大学 机械与动力工程学院, 江苏 南京 211816

    • 作者简介: 王震(1992-),男,江苏省无锡市人,南京工业大学硕士研究生,主要研究方向为神经网络和智能优化算法.;

  • 中图分类号: TM912

Application of improved ACO-BP neural network in estimation of SOC of lithium ion battery

  • School of Mechanical and Dynamic Engineering, Nanjing Tech University, Nanjing 211816, China

  • Received Date: 2019-02-07

    CLC number: TM912

  • 摘要: 针对单一BP神经网络模型估算锂离子电池SOC易陷入局部最优的问题，引入蚁群算法ACO，并与BP神经网络模型相结合，提出了改进的ACO-BP神经网络以估算电池SOC.采用惯性矫正算法，在校正权阈值时加入惯性量，以改进BP神经网络；利用改进的全局信息素更新规则来改进ACO算法，以解决其易早熟收敛的问题.将经改进的ACO-BP神经网络应用于18650锂离子动力电池SOC估算，结果表明，改进的ACO-BP神经网络估算SOC的相对误差能控制在±1.957%以内，MAPE为0.897%，精度和稳定性明显优于单一BP神经网络和ACO-BP神经网络.
    Abstract: Aiming at the problem that SOC of lithium ion batteries is easy to fall into local optimum by single BP neural network, ant colony algorithm was introduced and combined with BP neural network model,and an improved ACO-BP neural network was proposed to estimate battery SOC.Inertia correction algorithm was used to add inertia amount when correcting the weight threshold to improve BP neural network. ACO algorithm was improved using the improved global pheromone updating rules to solve the problem of premature convergence.The improved ACO-BP neural network was applied to estimate SOC of 18650 lithiumion power battery. The results showed that the relative error of the improved ACO-BP neural network in estimating SOC could be controlled within ±1.957% and the MAPE was 0.897%. The accuracy and stability of the improved ACO-BP neural network were obviously better than those of single BP neural network and ACO-BP neural network.
    1. [1]

      欧阳剑,李迪,柳俊城.电动汽车用动力电池荷电状态估算方法研究综述[J].机电工程技术,2016,45(1):52.

    2. [2]

      李争,智若东,孙宏旺,等.基于开路电压预测的SOC估算方法[J].河北工业科技,2017,34(1):36.

    3. [3]

      王宇航,王顺利,潘小琴,等.基于扩展卡尔曼的锂离子电池SOC估算研究[J].自动化与仪表,2018,33(8):76.

    4. [4]

      赵钢,朱芳欣,窦汝振.基于PSO-BP的电动汽车锂离子电池SOC估算[J].电源技术,2018,42(9):1318.

    5. [5]

      欧阳剑.电动汽车用锂离子动力电池SOC估算和SOF评估的研究[D].广州:华南理工大学,2016.

    6. [6]

      张传伟,李林阳,赵东刚.基于BP神经网络法估算动力电池SOC[J].电源技术,2017,41(9):1356.

    7. [7]

      黄妙华,严永刚,朱立明.改进BP神经网络的磷酸铁锂电池SOC估算[J].武汉理工大学学报(信息与管理工程版),2014(6):790.

    8. [8]

      王鸽,蒲蓬勃.ACO-BP在神经网络训练中的研究与应用[J].计算机仿真,2009,26(12):136.

    9. [9]

      赵钢,孙豪赛,罗淑贞.基于BP神经网络的动力电池SOC估算[J].电源技术,2016,40(4):818.

    10. [10]

      李东玉,王睿,冯宜民.基于BP神经网络的阀控铅酸盐蓄电池劣化程度预测[J].郑州轻工业学院学报(自然科学版),2012,27(4):12.

    11. [11]

      孙启豪,蔡爱华.航空搜潜布阵航路优化研究[J].电光与控制,2017(4):39.

    12. [12]

      霍健.大跨径连续梁桥悬臂施工线形控制[D].哈尔滨:东北林业大学,2013.

    13. [13]

      周美兰,王吉昌,李艳萍.优化的BP神经网络在预测电动汽车SOC上的应用[J].黑龙江大学自然科学学报,2015,32(1):129.

    1. [1]

      费致根 , 鲁豪 , 宋晓晓 , 赵鑫昌 , 郭兴 , 肖艳秋 . 基于改进ResNet网络的烟丝输送带洁净度分类模型. 轻工学报, 2024, 39(5): 71-77. doi: 10.12187/2024.05.008

    2. [2]

      甘晓锟 , 陈坤锥 , 申迎宾 , 张磊 , 李湛 . 鹿茸菇多糖对免疫抑制小鼠免疫及肠道菌群的作用. 轻工学报, 2025, 40(6): 54-66. doi: 10.12187/2025.06.006

    3. [3]

      张伟伟 , 姬远鹏 , 元春波 , 王君婷 , 齐晓任 , 张卫正 , 李萌 , 饶智 . 基于改进Mask R-CNN模型的粘连烟丝识别方法. 轻工学报, 2024, 39(5): 78-85. doi: 10.12187/2024.05.009

    4. [4]

      张建栋 , 杨忠泮 , 吴恋恋 , 徐大勇 , 朱萍 , 张雯晶 , 堵劲松 . 基于高光谱成像及机器学习的烟叶糖料液施加量判别模型. 轻工学报, 2024, 39(5): 86-94. doi: 10.12187/2024.05.010

    5. [5]

      杨伟平 , 徐秀娟 , 席辉 , 张文娟 , 刘珊 , 崔凯 , 郭亚龙 , 杨春强 . 美拉德模型反应在模拟烟叶烘烤过程中的应用研究. 轻工学报, 2025, 0(0): -.

    6. [6]

      杨伟平 , 徐秀娟 , 席辉 , 张文娟 , 刘珊 , 崔凯 , 郭亚龙 , 杨春强 . 美拉德模型反应在模拟烟叶烘烤过程中的应用研究. 轻工学报, 2025, 40(5): 91-100,109. doi: 10.12187/2025.05.011

    7. [7]

      黄朵朵 , 王乐 , 雷萍 , 孙志伟 , 李林洪 , 张智轩 , 黄锋 , 李斌 . 基于烟芯段和滤嘴段耦合的加热卷烟烟气关键成分释放模型构建. 轻工学报, 2024, 0(0): -.

    8. [8]

      黄朵朵 , 王乐 , 雷萍 , 孙志伟 , 李林洪 , 张智轩 , 黄锋 , 李斌 . 基于烟芯段和滤嘴段耦合的加热卷烟烟气关键成分释放模型构建. 轻工学报, 2024, 39(6): 116-126. doi: 10.12187/2024.06.014

    9. [9]

      李梦晓 , 刘成洋 , 张玲 , 董吉林 , 申瑞玲 , 李云龙 . 豌豆-燕麦复合蛋白凝胶制备及配方优化研究. 轻工学报, 2025, 40(3): 38-45,55. doi: 10.12187/2025.03.005

    10. [10]

      吕金羚 , 傅亮 , 陈永生 . 红茶-花生蛋白复合饮品工艺优化及其营养特性研究. 轻工学报, 2024, 0(0): -.

    11. [11]

      吕金羚 , 傅亮 , 陈永生 . 红茶-花生蛋白复合饮品工艺优化及其营养特性研究. 轻工学报, 2024, 39(5): 9-17. doi: 10.12187/2024.05.002

    12. [12]

      蒋纬 , 胡颖 , 朱振元 . 阳荷多糖提取工艺优化及其生物活性研究. 轻工学报, 2025, 40(4): 10-19. doi: 10.12187/2025.04.002

    13. [13]

      李雅欣 , 罗敏 , 刘元福 , 孙全娇 , 黄俊铭 , 文建霞 , 杜文雅 , 张良 . 低共熔溶剂提取川明参多糖工艺优化与结构表征. 轻工学报, 2026, 41(1): 47-58. doi: 10.12187/2026.01.005

    14. [14]

      赵巧玥 , 李欣燕 , 王刘胜 , 刘伟 , 马戎 , 冯文宁 , 李媛媛 , 赵铭钦 . 柠檬罗勒产香细菌发酵条件优化及卷烟加香应用. 轻工学报, 2026, 41(1): 111-126. doi: 10.12187/2026.01.011

    15. [15]

      许克静 , 刘语煊 , 张展 , 吕晶晶 , 梁淼 , 李瑞丽 , 张峻松 , 陈小龙 . 辊压法全烟梗再造烟叶的制备工艺优化及结构与性能分析. 轻工学报, 2025, 40(1): 64-74. doi: 10.12187/2025.01.008

    16. [16]

      齐汉如 , 欧阳少丰 , 李玉 , 杨雪鹏 , 赵建国 . 果胶酶粗酶液与漆酶粗酶液复配酶解膨胀梗丝的工艺优化. 轻工学报, 2025, 40(4): 96-107. doi: 10.12187/2025.04.011

  • 加载中
WeChat 点击查看大图
计量
  • PDF下载量:  13
  • 文章访问数:  3904
  • 引证文献数: 0
文章相关
  • 收稿日期:  2019-02-07
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索
王震, 陆金桂. 改进的ACO-BP神经网络在锂离子电池SOC估算中的应用[J]. 轻工学报, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
引用本文: 王震, 陆金桂. 改进的ACO-BP神经网络在锂离子电池SOC估算中的应用[J]. 轻工学报, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
shu
WANG Zhen and LU Jingui. Application of improved ACO-BP neural network in estimation of SOC of lithium ion battery[J]. Journal of Light Industry, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
Citation: WANG Zhen and LU Jingui. Application of improved ACO-BP neural network in estimation of SOC of lithium ion battery[J]. Journal of Light Industry, 2019, 34(4): 81-86. doi: 10.3969/j.issn.2096-1553.2019.04.012
shu

改进的ACO-BP神经网络在锂离子电池SOC估算中的应用

    作者简介:王震(1992-),男,江苏省无锡市人,南京工业大学硕士研究生,主要研究方向为神经网络和智能优化算法.
  • 南京工业大学 机械与动力工程学院, 江苏 南京 211816
  • 收稿日期: 2019-02-07

摘要: 针对单一BP神经网络模型估算锂离子电池SOC易陷入局部最优的问题，引入蚁群算法ACO，并与BP神经网络模型相结合，提出了改进的ACO-BP神经网络以估算电池SOC.采用惯性矫正算法，在校正权阈值时加入惯性量，以改进BP神经网络；利用改进的全局信息素更新规则来改进ACO算法，以解决其易早熟收敛的问题.将经改进的ACO-BP神经网络应用于18650锂离子动力电池SOC估算，结果表明，改进的ACO-BP神经网络估算SOC的相对误差能控制在±1.957%以内，MAPE为0.897%，精度和稳定性明显优于单一BP神经网络和ACO-BP神经网络.

English Abstract

参考文献 (13) 相关文章 (16)

目录

/

返回文章

网站版权 © 轻工学报编辑部

地址：河南省郑州市科学大道136号邮编：450001

本系统由北京仁和汇智信息技术有限公司开发 技术支持： info@rhhz.net