基于布谷鸟搜索优化神经网络的锂电池荷电状态预测

锂电池荷电状态(SOC)的预测是电动汽车锂电池管理系统中最为关键的技术之一;为实现对SOC的高精度的预测,提岀了一种基于布谷鸟搜索算法(CS)优化的误差反向传播(BP)神经网络的锂电池SOC预测方法,该方法的核心难点之一,在于优化BP神经网络的初始权值和阈值,从而可以改善易陷入局部最优的情况,减小算法对初始值的依赖;Matlab仿真结果表明,CS—BP神经网络算法的均方根误差值比BP算法的均方根误差值平均降低了0.010 6,CS—BP算法具有更高的预测精度和极强的泛化性能.     

基于混合网络的锂离子电池健康状态与剩余使用寿命联合估计方法

为高效准确实现锂电池健康状态(state of health, SOH)和剩余使用寿命(remaining useful life, RUL)预测,提出了一种基于混合网络的锂离子电池SOH与RUL联合估计方法。首先,建立锂电池间接健康特征(health factor, HF)提取框架,以HF为输入,容量为输出,使用卷积神经网络(convolutional neural network, CNN)和门控循环单元网络(gated recurrent unit, GRU)构成CNN-GRU电池SOH估计模型,对电池SOH进行估计;然后利用SOH估计结果和SOH真实值建立CNN-GRU电池RUL预测模型,对电池RUL进行预测。实验结果表明,SOH估计最大均方根误差在2.31%以内,RUL预测误差在5.29%以内,该方法可以实现锂电池SOH和RUL较为全面的评估。     

改进BP算法在混合气体定量检测中的应用

针对单一反向传播(BP)神经网络用于混合气体检测中出现的检测误差较大和依赖初始权值和阈值的问题,提出引入自适应调整发现概率的布谷鸟搜索(CS)算法和模拟退火算法优化BP网络初始权值和阈值的方法来实现混合气体的定量检测。利用CS算法强大的全局搜索能力,对神经网络的初始权值和阈值进行优化,在算法迭代过程中,使用模拟退火操作避免算法陷入局部最优,并在此基础上引入发现概率的自适应调整策略用于新解生成;以此优化后的参数作为初始连接权值和阈值用于BP网络进行混合气体的定量识别。在MATLAB软件上对实验数据进行仿真处理,与以往单一BP算法相比,改进算法对混合气体的定量检测效果显著,平均相对误差在10%左右。     

一种锂电池SOH估计的KNN-马尔科夫修正策略

锂离子电池的健康状态(State of health, SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异, 因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取, 使用贝叶斯正则化神经网络对锂电池SOH进行预测, 同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明, 贝叶斯正则化算法对锂电池SOH的预测准确度较高, KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性, 组合预测模型对锂电池SOH的平均预测误差小于$1\,\%$, 与采用数据分组处理方法(Group method of data handling, GMDH)、概率神经网络(Probabilistic neural network, PNN)、循环神经网络(Recurrent neural network, RNN)的预测精度进行对比, 该模型的预测精度分别提高了$33.3\,\%$、$48.7\,\%$和$53.1\,\%$.     

18650型锂电池荷电状态的估计

锂电池状态的准确估计,能够延长电池的使用寿命和减少安全事故的发生。为提高BP神经网络估计锂电池荷电状态的精度,提出一种使遗传粒子群算法有目的性的优化BP神经网络初始权值的改进方法。该算法引入K均值算法优化遗传粒子群算法初始粒子分布的随机性带来的误差问题,寻找BP神经网络算法初始权值的权重分配与输出误差的关系,在遗传粒子群算法随机产生的粒子群中进行最优粒子群选优,以降低误差。通过对采集到的18650型锂电池的充放电数据和未改进遗传粒子群算法优化的BP神经网络训练产生的200组BP神经网络的初始权值数据的研究分析,得到具有锂电池特性的BP神经网络的初始权值特征公式。并用MATLAB和FPGA联合仿真验证了改进BP神经网络方法的可行性。该方法也优化了遗传粒子群算法,减小了初值不确定带来的误差。     

基于布谷鸟搜索优化BP神经网络的网络安全态势评估方法

针对现有基于神经网络的网络安全态势评估方法效率低等问题,提出基于布谷鸟搜索（CS）优化反向传播（BP）神经网络（CSBPNN）的网络安全态势评估方法。首先,根据态势输入指标数和输出态势值确定BP神经网络（BPNN）的输入输出节点数,根据经验公式和试凑法计算出隐含层节点数;然后,随机初始化各层的连接权值和阈值,使用浮点数编码方式将权值与阈值编码成布谷鸟;最后,使用CS算法对权值和阈值进行优化,得到用于态势评估的CSBPNN模型并对其进行训练,将网络安全态势数据输入到CSBPNN模型中,获取网络的安全态势值。实验结果表明,与BPNN和遗传算法优化BP神经网络方法相比,基于CSBPNN的网络安全态势评估方法的迭代代数分别减少943和47且预测精度提高8.06个百分点和3.89个百分点,所提方法具有较快的收敛速度和较高的预测精度。     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

基于ACS优化BP神经网络的交通流量短时预测方法

交通流量预测是智能交通系统中非常重要的研究领域,因为交通流量的复杂性,传统的预测方法不能很好地预测。提出一种基于[t]分布自适应变异优化的布谷鸟算法,通过动态变异控制尺度和设置多个自由度来构造自适应变异算法,可以获得优于高斯变异和柯西变异的整体优化效果。在此基础上,提出改进布谷鸟搜索算法优化神经网络的交通流量预测模型（ACS-BPNN）,通过优化BP神经网络的初始权值和阈值参数,以提高短时交通流量预测精度。仿真结果表明,该方法取得比较好的预测结果。     

基于ABC—BP神经网络的用电量预测研究

针对区域用电量的时效性、复杂性和非线性等特点,提出基于人工蜂群算法(ABC)优化BP神经网络(ABC-BP)的区域用电量预测分析模型;以BP神经网络为基础,将往年区域用电量作为用电置的预测样本,采用基于ABC算法对BP神经网络的各个权值和阈值参数进行优化,最后建立模型应用于区域用电量预测系统,为分析区域内经济发展水平、经济走势、产业分布状况及政策实施效果等问题提供有力支持;介绍了人工蜂群算法(ABC)和BP神经网络算法,详细阐述ABC算法优化BP神经网络的权值和阈值;通过实验仿真对比,提出的算法预测结果比仅仅使用BP神经网络算法以及粒子群优化BP神经网络算法更高,是一种有效可靠的区域用电量预测方法。     

粒子群优化神经网络在SOC估算中的应用

针对电传动车辆用动力电池组荷电状态(SOC)非线性强、普通神经网络模型预测精度低的问题,提出利用粒子群优化神经网络权值和阈值的预测方法,建立基于该方法的BP神经网络电池SOC训练模型。为克服粒子群算法容易陷入局部最优的缺点,用混沌变量初始化粒子位置,采用可避免粒子高度聚集的算法,提高模型的预测精度。仿真结果表明,使用该方法估算电池的SOC更具快速性、准确性和稳定性。     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

基于改进灰狼优化算法的支持向量回归预测

为了提高支持向量回归(SVR, Support Vector Regression)进行数据驱动预测的精度,针对SVR存在的参数优化问题,通过引入Tent混沌映射进行种群初始化、改进收敛方式、并结合模拟退火算法,改进了传统的灰狼优化算法(GWO, Grey Wolf Optimization)来优化SVR超参数,并基于改进后的GWO算法提出了一种IGWO-SVR预测模型。将提出的IGWO-SVR模型应用于NASA锂电池数据集仿真SOH预测以及实际生产中的车灯电流预测实验后,实验结果表明IGWO-SVR预测模型在NASA锂电池数据集上进行预测的误差相较GWO-SVR模型降低了23％,相较粒子群算法和遗传算法优化的SVR模型均存在明显优势,误差分别降低了39%和51%;在实际工作中使用IGWO-SVR模型进行车灯电流预测也取得良好效果,与实测值之间的相对误差达到2.67%,相较GWO-SVR模型误差降低了近7个百分点,证明了模型在实际应用中的具有良好的价值。     

一种估算锂电池SOC的新型方法

SOC（荷电状态）的预测和估算是锂电池管理系统中的一个重要部分。根据GAAA算法充分利用了遗传算法和蚁群算法各自的优势,提出一种GAAA算法优化BP神经网络的SOC估算方法。使用MATLAB进行编程,将锂电池的实时工作电流、电压、温度、健康度、安时积分值作为输入,实现对SOC的估算。实验结果表明,该算法在估算精确度和运算速度上都优于传统的BP神经网络和基于遗传算法的BP神经网络。     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

State of charge neural computational models for high energy density batteries in electric vehicles

Environmental concerns, increasing gasoline demand together with unpopularity of alternative energy sources to propel vehicles, have pushed on hybrid electric vehicles (HEVs) solutions. The main problem in battery management of HEVs is how to determine the battery state of charge (SOC). Estimation of SOC is an active area of research, and several approaches have been presented in the literature to monitor the SOC of a cell. At the first step, we use an optimized structure multi-layer perceptron (MLP) and an RBF neural network to determine the SOC changes of a high energy density battery in this paper. Then, a hybrid optimized structure neural model is used for SOC prediction considering the aging effect through the state of health (SOH) and discharge efficiency (DE) parameters. In this way, particle swarm optimization (PSO) algorithm is used for determining the optimum number of nodes in hidden layer(s) of MLPs. Experimental results show that the SOC estimation error by the proposed hybrid optimized structure neural model is 1.9% when compared with the real SOC obtained from a discharge test. In addition, monolithic optimized structure MLP and RBF neural models offer a good estimation of differentiated SOC.     

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能; 利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。