改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统技术方案

本发明专利技术公开了一种改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，包括BP神经网络隐含层单元数目确定单元和BP神经网络锂离子电池SOC估算单元；BP神经网络隐含层单元数目确定单元包括BP神经网络参数输入模块、BP神经网络隐含层单元数显示模块以及BP神经网络训练结果查看模块，BP神经网络锂离子电池SOC估算单元包括改进粒子群算法参数输入模块、锂离子电池相关参数输入模块以及锂离子电池SOC估算结果显示模块、改进粒子群算法收敛曲线查看模块和改进粒子群算法优化后BP神经网络预测结果查看模块。本发明专利技术提供的系统，估算结果准确，可减少过度充放电对锂离子电池的影响，有效提高锂离子电池的使用寿命。

【技术实现步骤摘要】
改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统
本专利技术涉及锂离子电池
，特别是涉及一种改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统。
技术介绍
随着环境污染和能源紧缺问题的不断加剧，锂离子电池因其无污染、寿命长等优势已成为当代应用最为广泛的动力电池。但因其在系统放电的过程中呈现出非线性特性，影响荷电状态(SOC)的估算精度，使锂电池遭遇自身发展中的瓶颈。而现有的关于锂离子电池SOC预测的技术大多无法满足实际应用的精度要求。另外，生活中锂离子电池过度充放电的现象也影响了锂离子电池的工作效率和使用寿命，不仅浪费能源，同时影响人们正常生活及生产需求。在常见的锂离子电池SOC估算方法中，安时积分法通过对电流传感器采样值作积分运算实现SOC在线估算，具有计算成本低、稳定、易实现等优点，但依赖初值给定，存在误差积累；开路电压法利用开路电压与SOC之间的线性关系来直接判断SOC，计算简单且精度较高，但需要较长时间静置，实时性较差；神经网络法精度较高，动态特性好，但需要大量样本学习，占用资源多；卡尔曼滤波法具有精度高、实时性与自矫正强等优点，但算法依赖锂离子电池模型精度，对系统处理器的速度要求较高。因此，设计一种更加准确可靠且便于使用的的锂离子电池SOC估算系统具有重要意义。
技术实现思路
本专利技术的目的是提供一种改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，结构简单，形象直观，简洁高效，根据其估算结果，可减少过度充放电对锂离子电池的影响，有效提高锂离子电池的使用寿命。为实现上述目的，本专利技术提供了如下方案：一种改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，该系统包括：BP神经网络隐含层单元数目确定单元和BP神经网络锂离子电池SOC估算单元；其中，所述BP神经网络隐含层单元数目确定单元包括BP神经网络参数输入模块、BP神经网络隐含层单元数显示模块以及BP神经网络训练结果查看模块，所述BP神经网络参数输入模块用于设置BP神经网络隐含层相关参数，所述BP神经网络隐含层单元数显示模块用于显示BP神经网络隐含层单元数目，所述BP神经网络训练结果查看模块用于输出和查看BP神经网络训练结果；所述BP神经网络锂离子电池SOC估算单元包括改进粒子群算法参数输入模块、锂离子电池相关参数输入模块以及锂离子电池SOC估算结果显示模块，所述改进粒子群算法参数输入模块用于设置改进粒子群算法参数，并优化BP神经网络权阈值，所述锂离子电池相关参数输入模块用于输入锂离子电池相关的运行参数，并代入BP神经网络权阈值优化后的BP神经网络中进行SOC估算，所述锂离子电池SOC估算结果显示模块用于输出和显示锂离子电池SOC估算结果。进一步的，所述BP神经网络锂离子电池SOC估算单元还包括改进粒子群算法收敛曲线查看模块和改进粒子群算法优化后BP神经网络预测结果查看模块，所述改进粒子群算法收敛曲线查看模块用于查看改进粒子群算法收敛曲线，所述改进粒子群算法优化后BP神经网络预测结果查看模块用于查看改进粒子群算法优化后BP神经网络预测结果。进一步的，所述BP神经网络参数输入模块用于输入网络训练次数、隐含层单元数最小值与最大值以及均方误差MSE、平均绝对误差MAE、平均绝对百分误差MAPE权值对应的行向量，并确定BP神经网络隐含层单元数目。进一步的，所述改进粒子群算法参数输入模块用于输入算法种群数目、最大迭代次数、惯性权重最小值以及最大值、学习因子、交叉概率与变异概率、算法选择参数，并利用六种不同改进粒子群算法优化BP神经网络权阈值。进一步的，所述锂离子电池相关参数输入模块用于设置环境温度、放电倍率以及电压参数。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，可在确定BP神经网络隐含层单元数目的基础上，利用六种不同改进粒子群算法优化BP神经网络权阈值，实现基于改进粒子群算法优化的BP神经网络锂离子电池SOC估算，可减少过度充放电对锂离子电池的影响，有效提高锂离子电池的使用寿命。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统的结构示意图；图2为本专利技术实施例BP神经网络隐含层单元数目确定单元的操作界面示意图；图3为本专利技术实施例BP神经网络锂离子电池SOC估算单元的操作界面示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提供一种改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，结构简单，形象直观，简洁高效，根据其估算结果，可减少过度充放电对锂离子电池的影响，有效提高锂离子电池的使用寿命。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图1至图3所示，本专利技术实施例提供的改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，该系统包括：BP神经网络隐含层单元数目确定单元和BP神经网络锂离子电池SOC估算单元；其中，所述BP神经网络隐含层单元数目确定单元包括BP神经网络参数输入模块、BP神经网络隐含层单元数显示模块以及BP神经网络训练结果查看模块，所述BP神经网络参数输入模块用于设置BP神经网络隐含层相关参数，所述BP神经网络隐含层单元数显示模块用于显示BP神经网络隐含层单元数目，所述BP神经网络训练结果查看模块用于输出和查看BP神经网络训练结果；具体地，如图2所示，所述BP神经网络参数输入模块用于输入网络训练次数、隐含层单元数最小值与最大值以及均方误差MSE、平均绝对误差MAE、平均绝对百分误差MAPE权值对应的行向量，并确定BP神经网络隐含层单元数目。在此界面中，点击“确定”按钮，便可查看BP神经网络训练结果；点击“退出”按钮，则关闭此界面。所述BP神经网络锂离子电池SOC估算单元包括改进粒子群算法参数输入模块、锂离子电池相关参数输入模块以及锂离子电池SOC估算结果显示模块，所述改进粒子群算法参数输入模块用于设置改进粒子群算法参数，并优化BP神经网络权阈值，所述锂离子电池相关参数输入模块用于输入锂离子电池相关的运行参数，并代入BP神经网络权阈值优化后的BP神经网络中进行SOC估算，所述锂离子电池SOC估算结果显示模块用于输出和显示锂离子电池SOC估算结果。所述BP神经网络锂离子电池SOC估算单元还包括改进粒子群算本文档来自技高网...

【技术保护点】
1.一种改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，其特征在于，包括：BP神经网络隐含层单元数目确定单元和BP神经网络锂离子电池SOC估算单元；/n其中，所述BP神经网络隐含层单元数目确定单元包括BP神经网络参数输入模块、BP神经网络隐含层单元数显示模块以及BP神经网络训练结果查看模块，所述BP神经网络参数输入模块用于设置BP神经网络隐含层相关参数，所述BP神经网络隐含层单元数显示模块用于显示BP神经网络隐含层单元数目，所述BP神经网络训练结果查看模块用于输出和查看BP神经网络训练结果；/n所述BP神经网络锂离子电池SOC估算单元包括改进粒子群算法参数输入模块、锂离子电池相关参数输入模块以及锂离子电池SOC估算结果显示模块，所述改进粒子群算法参数输入模块用于设置改进粒子群算法参数，并优化BP神经网络权阈值，所述锂离子电池相关参数输入模块用于输入锂离子电池相关的运行参数，并代入BP神经网络权阈值优化后的BP神经网络中进行SOC估算，所述锂离子电池SOC估算结果显示模块用于输出和显示锂离子电池SOC估算结果。/n

【技术特征摘要】
1.一种改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，其特征在于，包括：BP神经网络隐含层单元数目确定单元和BP神经网络锂离子电池SOC估算单元；
其中，所述BP神经网络隐含层单元数目确定单元包括BP神经网络参数输入模块、BP神经网络隐含层单元数显示模块以及BP神经网络训练结果查看模块，所述BP神经网络参数输入模块用于设置BP神经网络隐含层相关参数，所述BP神经网络隐含层单元数显示模块用于显示BP神经网络隐含层单元数目，所述BP神经网络训练结果查看模块用于输出和查看BP神经网络训练结果；
所述BP神经网络锂离子电池SOC估算单元包括改进粒子群算法参数输入模块、锂离子电池相关参数输入模块以及锂离子电池SOC估算结果显示模块，所述改进粒子群算法参数输入模块用于设置改进粒子群算法参数，并优化BP神经网络权阈值，所述锂离子电池相关参数输入模块用于输入锂离子电池相关的运行参数，并代入BP神经网络权阈值优化后的BP神经网络中进行SOC估算，所述锂离子电池SOC估算结果显示模块用于输出和显示锂离子电池SOC估算结果。


2.根据权利要求1所述的改进粒子群算法优化的BP神经网络锂离子电池SOC估算系统，其特征在于，所述BP神经网络锂离...

【专利技术属性】
技术研发人员：朱旭阳，付宇蒙，赵赛，
申请(专利权)人：淮南师范学院，
类型：发明
国别省市：安徽;34