改进麻雀算法优化神经网络的锂电池荷电状态估计

摘要

锂电池荷电状态（SOC）是电池管理系统（BMS）最核心的状态参数之一，准确估算电池SOC对电动汽车的发展具有重要意义。传统方法严重依赖于电池模型的准确度，不能很好地适应电池的高度非线性和时变特性。随着深度学习理论的发展，基于神经网络的估算方法得到了广泛应用。提出一种基于混沌映射、正余弦算法和萤火虫扰动方法改进麻雀算法优化反向传播（back propagation,BP）神经网络（ISSA-BP）模型，用于高精度估算SOC。采用马里兰大学多种复杂工况及不同温度下的公开实验数据集对ISSA-BP模型进行验证，从平均绝对误差、均方误差以及均方根误差的角度对预测结果进行评价。结果表明，在多种工况及温度条件下ISSA-BP模型对SOC的估计误差均能控制在2%之内，相比于单一的神经网络模型具有更好的精度，且具有良好的鲁棒性和泛化能力。

关键词

动力电池 / Tent混沌映射 / 正弦余弦算法 / 萤火虫扰动 / 反向传播(BP)神经网络 / 麻雀算法