基于BP神经网络的微电网蓄电池荷电状态估计

由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,学习时神经网络模型中各神经元间权值得到合理调整,并且提高了误差收敛效率。仿真结果表明,估计结果在预设精度要求的范围之内,平均误差不超过4%,证明经过优化学习算法的BP神经网络模型对蓄电池荷电状态的精确估计是有效可行的。     

基于BP神经网络的铅酸蓄电池状态检修

作为直流电源设备的核心,蓄电池的稳定、可靠、安全运行和在放电过程中能提供给负载的实际容量,对确保整个电力系统的安全运行具有十分重要的意义。运用人工神经网络技术,通过MATLAB训练仿真,分析蓄电池状态,研究了BP模型算法在铅酸蓄电池状态检修中的应用。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测

基于电网蓄电池充放电试验数据,建立基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测系统。针对神经网络算法缺陷,选择飞蛾扑火算法与其结合;引入立方混沌映射种群初始化策略,增加全局搜索多样性;引入Lévy飞行策略,增加种群的多样性;引入变尺度混沌变异策略,增加局部搜索性能;借助差分进化算法思想,提高算法求解大规模问题的能力。将基于改进飞蛾扑火算法的BP神经网络模型应用到蓄电池寿命预测中,仿真试验对比表明,该方法具有更高的准确率。     

基于GA优化BP神经网络小电流接地系统故障选线方法

为了达到小电流接地系统故障选线多判据融合的目的,以及克服BP神经网络对初始权值阈值敏感的问题,提出遗传算法优化BP神经网络的故障选线方法。利用MATLAB/Simulink搭建小电流接地系统模型,获取零序电流的故障特征分量,输入经遗传算法优化的BP神经网络模型,经过训练即可输出选线结果。数字仿真试验测试结果表明,方法收敛速度快,判断精度高,满足故障选线的快速性与可靠性。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

基于GA+SVM的航空铅酸蓄电池健康评估

针对航空铅酸蓄电池健康状况评估本身所存在的小样本、非线性和复杂性等特点,结合支持向量机(support vector machine,SVM)和遗传算法(genetic algorithm,GA),提出了一种新的航空铅酸蓄电池健康评估模型。由于支持向量机的分类准确率很大程度上取决于参数的选取,因此利用遗传算法对SVM模型参数进行优化,以得到优化的支持向量机的评估模型。为了验证该模型的有效性,利用中国民用航空飞行学院航空铅酸蓄电池的实测数据进行了验证,实验结果表明该模型的分类精度高达96.25%,该评估模型是可行的,并且为航空铅酸蓄电池的健康评估提供了一种新思路。     

基于经济调度的微电网蓄电池容量优化

由多种复合式能源构成的微电网发电系统,由于新能源出力的随机性与不可控性,蓄电池作为储能装置是保证系统安全稳定运行的重要组成。对于不同的能源配置系统,需要不同容量的蓄电池与之匹配。从微电网的经济调度出发,以保证系统的可靠运行为前提,以整体费用最优为目标,提出了基于经济调度的蓄电池容量优化模型。采用混合整数规划法对模型进行求解,仿真计算了多种能源配置下的容量优化问题。仿真结果表明,所提模型与算法能在理想的机组启停策略与出力前提下最优化蓄电池容量,确保调度的安全性与经济性。     

基于量子遗传算法优化BP神经网络短期风功率预测

风力发电的不可控性,给电网带来了很多问题,所以当前迫切需要一种高精度的风力发电预测系统.对此,提出了一种结合量子遗传算法和BP神经网络的预测方法,通过量子遗传算法优化BP神经网络的权值和阈值.最后通过MATLAB试验仿真,验证了该方法可有效提高风功率的准确性.     

基于BP神经网络的动力电池SOC估算

电池荷电状态(SOC)的预测是影响电动汽车发展的关键技术之一,采用经典BP神经网络控制算法完成了动力电池的SOC估算研究。通过设计工况实验,在Matlab中对该算法进行了仿真验证,结果表明该算法能够很好地拟合动力电池充放电特性,误差可以减小到5%以内。     

基于BP神经网络的电池SOC估算

针对传统动力电池的SOC估计方法的不足,通过编写Matlab程序建立了基于Levenberg-Marquardt (LM)算法的BP神经网络,对其进行了训练及检验.用所建神经网络模型对电池剩余电量进行预测,最大误差小于0.1％.结果满足精度要求,从而验证了所建BP神经网络能够有效地预测蓄电池电压、电流、温度和SOC之间的映射关系.对提高动力电池的能量效率,延长电池的使用寿命具有重要意义.实验表明,此方法提高了电池SOC计算的精度,达到了井下移动救生舱的应用要求.     

基于BP神经网络的电池电解液密度预测

为了对电池电解液密度进行预测,建立了BP神经网络模型,用电池充放电试验数据对其进行了训练和检验。利用训练后的神经网络模型进行了电池电解液密度的预测,预测值与实测值的最大误差值为0.020 9 g/cm3,均方根误差值为0.004 0 g/cm3左右。结果表明,BP神经网络方法可以满足预测精度要求,从而可用于建立电池剩余电量实时监测系统,降低电池维护工作量并延长电池的使用寿命。     

基于BP神经网络的镉镍电池放电特性预测

为准确预测镉镍蓄电池的放电特性,采用安时积分法预测剩余容量,再以电池工作温度、放电电流、剩余容量为输入量,工作电压为输出量,建立基于Levenberg-Marquardt(LM)算法的BP神经网络模型,经过训练及检验,该模型的预测结果准确,相对误差小于0.5%。实验表明,该模型在温度-20~60℃和放电电流33~165 A能精确预测电池的剩余容量和工作电压,进而准确建立了蓄电池温度、剩余容量、放电电流和工作电压之间的映射关系。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network

The estimation of state of health (SOH) of a lithium-ion battery (LIB) is of great significance to system safety and economic development. This paper proposes a SOH estimation method based on the SSA-Elman model for the first time. To improve the correlation rates between features and battery capacity, a method combining median absolute deviation filtering and Savitzky–Golay filtering is proposed to process the data. Based on the aging characteristics of the LIB, five features with correlation rates above 0.99 after data processing are then proposed. Addressing the defects of the Elman model, the sparrow search algorithm (SSA) is used to optimize the network parameters. In addition, a data incremental update mechanism is added to improve the generalization of the SSA-Elman model. Finally, the performance of the proposed model is verified based on NASA dataset, and the outputs of the Elman, LSTM and SSA-Elman models are compared. The results show that the proposed method can accurately estimate the SOH, with the root mean square error (RMSE) being as low as 0.0024 and the mean absolute percentage error (MAPE) being as low as 0.25%. In addition, RMSE does not exceed 0.0224 and MAPE does not exceed 2.21% in high temperature and low temperature verifications.     

基于神经网络的动力电池SOC研究

利用神经网络进行了动力电池荷电状态(SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了动力电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。