基于GA-SA-BP神经网络的锂电池健康状态估算方法
作者机构:太原科技大学电子信息工程学院 国网山西省电力公司电力科学研究院 山西工程技术学院
出 版 物:《电力系统保护与控制》 (Power System Protection and Control)
年 卷 期:2024年第19期
页 面:74-84页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家重点研发计划项目资助(2018YFA0707305) 山西省基础研究计划面上项目资助(202203021221153) 阳泉市应用基础研究计划项目资助(2022JH059) 山西省研究生教育创新项目资助(2024KY659)~~
摘 要:锂电池健康状态(state of health, SOH)可表征锂电池的老化状况,准确估算SOH对锂电池可靠运行至关重要。为解决模拟退火算法(simulated annealing, SA)和遗传算法(genetic algorithms, GA)优化的BP神经网络收敛效率低、易陷入局部最优无法到达全局最优解的问题,提出一种GA-SA-BP神经网络算法来提高SOH估算精度。首先,分析NASA公开数据集数据各个健康因子(health indicator, HI)与SOH相关性,选取与SOH相关性更高的锂电池输出电压、输出电流、容量和等压降放电时间4个HI作为BP神经网络的输入值,以提高SOH估算精度。其次,提出GA-SA-BP神经网络算法来估算SOH,通过在陷入局部最优时跳出局部最优找到全局最优解,以便进一步提高SOH估算精度。最后,NASA锂电池数据集和锂电池实验测试平台取得的结果表明,与传统BP神经网络、GA-BP神经网络和SA-BP神经网络相比,所提方案提高了SOH估算精度,在部分数据缺失的情况下仍具有效性。