典型文献
基于自适应灾变遗传-循环神经网络的锂离子电池SOC估计
文献摘要：
锂离子荷电状态(State of charge,SOC)的精准估计是锂离子电池安全稳定运行的基础.传统的误差反向传播(Back propagation,BP)神经网络估计SOC的精度不高,而循环神经网络(Recurrent neural network,RNN)也容易陷入局部最优.针对这些问题,提出了自适应灾变遗传-循环神经网络(ACGA-RNN)联合算法,将自适应灾变遗传算法(Adaptive cataclysm genetic algorithm,ACGA)用于优化RNN的初始权值和阈值,提高了最优权值和阈值的全局搜索能力,从而有效提升锂离子电池SOC的估计精度.基于锂离子电池充放电的试验数据,将所提ACGA-RNN联合算法与RNN、GA-RNN算法分别用于锂离子电池的SOC估计.测试结果显示,相较于传统的RNN算法与GA-RNN算法,提出的ACGA-RNN联合算法获得了最佳的SOC估计精度,在DST工况下的估计平均绝对误差为1.74％,低于传统RNN和GA-RNN的估计精度3.68％和2.49％;另外,在45℃和0℃条件下,ACGA-RNN联合算法估计的平均绝对值误差分别为1.75％和2.05％,符合国家标准要求.因此,提出的ACGA-RNN联合算法在锂电池的SOC估计方面具有良好的应用价值.
文献关键词：
锂离子电池;荷电状态;循环神经网络;自适应灾变遗传算法
中图分类号：
作者姓名：
陈诚;皮志勇;赵英龙;廖玄;张明敏;李勇
作者机构：
国网湖北省电力公司荆门供电公司 荆门 448000;湖南大学电气与信息工程学院 长沙 410000
文献出处：
引用格式：
[1]陈诚;皮志勇;赵英龙;廖玄;张明敏;李勇-.基于自适应灾变遗传-循环神经网络的锂离子电池SOC估计)[J].电气工程学报,2022(01):86-94
A类：
ACGA,自适应灾变遗传算法,灾变遗传算法,cataclysm
B类：
循环神经网络,SOC,荷电状态,State,charge,精准估计,锂离子电池安全,安全稳定运行,误差反向传播,Back,propagation,Recurrent,neural,network,RNN,局部最优,联合算法,Adaptive,genetic,algorithm,权值,全局搜索,搜索能力,估计精度,充放电,DST,平均绝对误差,符合国家,锂电池
AB值：
0.192413
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。
