科研之友
微信
新浪微博
Facebook
分享链接
摘要
为保证电池的正常运行，对电池的健康状态进行估计是非常重要的工作。针对传统建模方法估计精度差、参数众多计算复杂且耗时长等缺点，本工作构建了基于改进的萤火虫算法(firefly algorithm,FA)优化的反向传播(back propagation,BP)神经网络，对锂离子电池的健康状态(state of health,SOH)进行估计，利用萤火虫算法的全局优化能力和收敛速度快的特点对BP神经网络的权值和阈值进行优化，并引入莱维飞行(Levy flight)，提升全局搜索能力，扩大搜索范围，提高了估计精度。采用NASA艾姆斯研究中心的锂离子电池数据集，对改进优化前后的算法进行训练与估计，对比各算法之间的优劣程度。结果表明，莱维飞行改进萤火虫算法优化反向传播神经网络(LFFA-BP)算法相比于BP神经网络算法与萤火虫算法优化反向传播神经网络(FA-BP)算法，决定系数更高，误差波动范围更小，具有较高的估计精度。
- 出版日期2023
- 单位天津理工大学; 自动化学院
