基于GSO-BP神经网络的磷酸铁锂电池SOC预测

基于GSO-BP 神经网络的磷酸铁锂电池SOC 预测王丙元，张丹丹（中国民航大学电子信息与自动化学院，天津300300）摘要院在分析磷酸铁锂电池充放电机理的基础上袁建立基于BP 神经网络的磷酸铁锂荷电状态渊SOC 冤预测模型遥萤火虫算法渊GSO 冤具有不需要目标函数梯度信息尧不易陷入局部最优的特点袁用于优化BP 神经网络的权值和阈值袁可提高磷酸铁锂电池SOC 预测的精度遥实验结果表明院基于GSO-BP 神经网络的锂电池SOC 预测结果较其他神经网络预测结果更为准确袁其预测结果和实际值的预测误差小于1%袁符合SOC 预测误差5%的技术指标要求遥关键词院萤火虫优化算法曰BP 神经网络曰磷酸铁锂电池曰SOC 预测中图分类号院TP391.9曰U469.72文献标志码院A文章编号院1674原5590渊圆园18冤05原园园60原园5SOC prediction of LiFePO 4cell based on GSO-BP neural networkWANG Bingyuan,ZHANG Dandan渊College of Electronic Information and Automation,CAUC,Tianjin 300300,China 冤Abstract:Based on the charge and discharge mechanism of LiFePO 4cell,a prediction model is developed for the SOC (stateof charge)of Lithium iron phosphate battery based on BP neural network.As GSO (glowworm swarm optimiza鄄tion)does not require gradient information of the objective function,and has low probability of falling into the local optimum,it can be used to optimize the weight and threshold of BP neural network and to improve SOC prediction accuracy of lithium iron phosphate battery.Experimental results show that SOC prediction of lithium battery based on GSO-BP neural network is more accurate than that of other neural networks,prediction errorof the current model is less than 1%,which can meet the technical requirement of SOC prediction error of 5%.Key words:GSO;BP neural network;LiFePO 4cell;SOC prediction收稿日期院2018-01-19；修回日期院2018-03-14基金项目院国家自然科学基金项目（U1333102）作者简介院王丙元（1968—），男，辽宁朝阳人，教授，博士，研究方向为故障诊断及网络测控技术.电动汽车产业是中国产业发展的一个战略重点。

电池是电动汽车的动力源，磷酸铁锂（LiFePO 4）电池已成为电动汽车电池的首选。

车辆续驶里程和行驶性能主要取决于动力电池组的荷电状态（SOC ）[1]。

如何有效提高SOC 预测精准度对提高电动汽车续航能力以及电动汽车发展具有现实意义[2]。

传统的磷酸铁锂电池SOC 预测方法大都是在电池内部物理化学反应基础上建立数学模型[3-4]。

过多的假设条件和经验参数，导致计算复杂且预测精度低。

而采用传统的优化神经网络在预测磷酸铁锂电池的SOC 时存在易陷入局部最优且训练时间较长等缺点[5-7]。

研究提出的萤火虫优化算法（GSO ）可实现全局最优[8]。

相比其他算法，萤火虫优化算法无需目标函数的梯度信息，具有鲁棒性、易实现和易用性等优点。

1基于BP 神经网络的SOC 预测模型BP 神经网络无需建立数学模型即可用于复杂系统的预测与控制[9]。

一个三层神经网络可以逼近任意精度的连续函数，故采用三层BP 神经网络来预测LiFePO 4电池的SOC 。

研究表明，放电电压和放电倍率是影响SOC 状态的主要因素[10-11]，将放电电压和放电倍率作为BP 神经网络输入，SOC 作为网络输出。

在GSO-BP 神经网络的输入层设置2个节点，输出层设置1个节点，通过多次仿真实验将隐含层节点数设置为5，因此共15个权值和6个阈值。

三层BP 神经网络第36卷第5期圆园18年10月中国民航大学学报Vol.36No.5October 2018第36卷第5期的网络结构如图员所示。

2萤火虫算法萤火虫算法的核心是利用萤火虫发光特性向邻近空间内亮度高于自己的萤火虫位置移动，通过位置更新而实现优化[12]。

GSO 算法主要分为以下4个步骤：初始化萤火虫、荧光素更新、位置更新和决策域更新。

设萤火虫的种群规模为晕，其中第i 只萤火虫所在位置为x i （t ），该位置对应一个适应度函数为f （x i （t）），其荧光素值为l i （t），每只萤火虫的决策半径更新公式为r id （t +1）=min{r s ，max{0，r id （t ）+茁（n t -渣N i （t）渣）}}（1）其中：r id （t +1）是在第t +1次迭代中第i 个萤火虫的决策半径；r s 是感知半径；茁是邻域变化率；n t 是控制萤火虫邻居数量的阈值；N i （t）是在第t 次迭代中，萤火虫i 的邻居集合。

在萤火虫i 的决策域范围内萤火虫数量由式（2）决定，即N i （t ）={j 颐椰x j （t ）-x i （t ）椰<r id ；l i （t ）<l j （t ）}（2）其中：x j （t ）为第j 个萤火虫在第t 次迭代的位置；l j （t）为第j 个萤火虫在第t 次迭代的荧光素值；萤火虫的邻居数目取决于决策半径r id ，感知范围r s 为其上界。

在GSO 执行过程中，萤火虫i 的运动方向由其所有邻居中各萤火虫的荧光素数量来决定，在第t 次迭代中萤火虫i 向其邻居萤火虫j 移动的概率P ij （t）为P ij （t）=l j （t ）-l i （t）移k 沂N i （t）（l k （t ）<l i （t））（3）萤火虫位置更新公式为x i （t +1）=x i （t ）+s x j （t ）-x i （t ）椰x j （t ）-x i （t）椰蓸蔀（4）其中，s 为移动步长。

萤火虫的荧光素值更新公式为l i （t +1）=（1-籽）l i （t ）+酌f （x i （t +1））（5）其中：l i （t ）为萤火虫i 在第t 次迭代中的萤光素值；籽沂（0，1）为常量，表示荧光素挥发因子；酌为荧光素更新率。

在邻居集合中，当萤火虫i 寻找到荧光素值更高的萤火虫j 时，且若此时萤火虫i 和萤火虫j 的距离小于感知半径，则萤火虫i 会以概率P ij （t ）向萤火虫j 方向移动；然后按照式（4）更新位置，并且计算新位置的目标函数值；最后，根据式（5）更新萤光素值。

3GSO-BP 磷酸铁锂电池SOC 预测3.1网络构建与数据选取磷酸铁锂电池SOC 预测需考虑的因素有很多，在进行磷酸铁锂电池SOC 预测时必须综合考虑，研究选取电池的放电电压、放电倍率作为预测指标，在三层BP 神经网络中，选取这2个典型指标作为网络输入，荷电状态SOC 为网络输出，以生成GSO-BP 神经网络的磷酸铁锂电池SOC 预测模型。

3.2预测模型建立萤火虫算法优化BP 神经网络的基本思想是：确定BP 神经网络的结构，然后通过萤火虫算法优化BP 神经网络的初始权值和阈值，最后完成优化后的神经网络预测。

下面对模型进行具体分析。

1）数据预处理原始数据预处理包括数据量化和归一化。

预处理后的数据能够被GSO-BP 神经网络读入。

2）训练集/测试集产生为保证训练数据随机性，随机选取测试数据库中48组数据作为训练集，其余200组数据作为测试集。

3）GSO-BP 神经网络把训练集输入构建好的GSO-BP 神经网络，然后进行网络训练，具体步骤如下：淤利用GSO 算法对BP 神经网络的初始权值和阈值进行优化，再利用优化后的最优权值和阈值构造BP 神经网络；于GSO-BP 网络创建完毕后，便可将训练集向量输入到网络中，利用GSO-BP 神经网络对网络的权值和阈值进行优化调整，直至满足训练要求，迭代终止。

4）磷酸铁锂电池SOC 测试网络训练完成后，即可对测试集的磷酸铁锂电池SOC 进行预测。

3.3预测算法GSO 算法具体实现步骤如图2所示。

图1基于BP 神经网络的SOC 预测模型Fig.1SOC prediction model based on BP neural network输入层隐含层放电倍率y 1x 1x 2SOCw ij输出层放电电压王丙元，张丹丹：基于GSO-BP 神经网络的磷酸铁锂电池SOC 预测61--中国民航大学学报2018年10月1）种群初始化个体编码方法为实数编码，每个个体均为一个实数串，每个实数串都包括输入层与隐含层的权值、隐含层的阈值、隐含层与输出层的权值以及输出层的阈值。

每只萤火虫都包含了整个神经网络所有的权值和阈值，当网络结构确定的状况下，就能够构成一个结构、权值和阈值明确的神经网络。

2）适应度函数通过最优个体的编码能够得到BP 神经网络的最优权值和最优阈值，用训练数据训练BP 神经网络后得到预测输出，将预测输出和期望输出之间的误差绝对值的和作为适应度函数，计算公式为f （x i （t））=k （ni =1移渣y i -o i 渣）（6）其中：n 为网络输出节点数；y i 为BP 神经网络第i 个节点的期望输出；o i 为第i 个节点的预测输出；k 为系数。

3）荧光素更新操作对种群中的每一只萤火虫i 按式（6）计算在第t +1次迭代中的位置x i （t +1）的适应度值，然后按照式（5）通过适应度函数值求得萤火虫i 的荧光素值。

4）位置更新操作在萤火虫算法中，如果萤火虫i 寻找到荧光素值更好的萤火虫j 时，两只萤火虫的距离则小于决策半径，萤火虫i 以概率P ij （t ）向萤火虫j 方向移动；然后根据式（4）更新位置，并根据式（6）计算新位置的适应度函数值，从而更新全局最优值。