典型文献
基于GWO-BP神经网络的电池SOC预测方法研究
文献摘要：
为了进一步提高传统BP神经网络在电动汽车电池SOC预测中的精度,基于电动汽车云平台的以10 s为采样周期的电池运行数据,对电动汽车电池SOC的预测方法进行研究.对云平台数据进行预处理,选择电池包电压、电流和平均温度作为神经网络的输入;同时根据电流的特点,分别建立充电和放电过程的SOC神经网络预测模型;采用一种基于灰狼优化算法的BP神经网络(GWO-BP),通过灰狼优化算法优化BP神经网络的初始权值和阈值,从而减小神经网络预测误差;利用2503组云平台数据对未优化的BP神经网络、GWO-BP神经网络和粒子群优化的BP神经网络(PSO-BP)进行测试实验.实验结果表明,GWO-BP神经网络的放电过程平均误差为0.48％,充电过程平均误差为0.34％,明显高于未优化的BP神经网络和PSO-BP神经网络,具有较高的预测精度.
文献关键词：
电动汽车;电池荷电状态(SOC);BP神经网络;灰狼优化算法
中图分类号：
作者姓名：
鲍伟;任超
作者机构：
合肥工业大学电气与自动化工程学院 安徽合肥230009;工业自动化安徽省工程技术研究中心 安徽合肥230009
文献出处：
引用格式：
[1]鲍伟;任超-.基于GWO-BP神经网络的电池SOC预测方法研究)[J].计算机应用与软件,2022(09):65-71
A类：
B类：
GWO,SOC,电动汽车电池,采样周期,运行数据,平台数据,电池包,平均温度,放电过程,神经网络预测模型,灰狼优化算法,算法优化,权值,小神,预测误差,粒子群优化,PSO,测试实验,平均误差,充电过程,电池荷电状态
AB值：
0.225126
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
