基于levy飞行优化BOA-BP网络的电池SOC估计_李畅.pdf

www.ChinaAET.comComputer Technology and Its Applications计算机技术与应用基于 levy 飞行优化 BOA-BP 网络的电池 SOC 估计*李畅，王琪，姜佳怡（西安工业大学 电子信息工程学院，陕西 西安 710021）摘 要：目前电动汽车动力输出的来源主要是动力电池，其荷电状态（State of Charge，SOC）表示电池的剩余电量情况，精确估算 SOC 对于电池的使用安全有重要意义。将蝴蝶优化算法（Butterfly Optimization Algorithm，BOA）进行改进并用于优化 BP 神经网络估算动力电池 SOC，解决了普通 BP 网络估计 SOC 时遇到的训练时间长、收敛慢、精度较低、易陷入局部最优解的问题；同时提升了全局搜索速度，选取电压和电流为输入变量、SOC 为输出变量，根据误差的大小调整神经网络的权值和阈值。仿真结果表明，优化后得到的 SOC 估计结果误差率控制在 1.1%以内，该方法寻优速度快，具有更好的鲁棒性。关键词：荷电状态估计；蝴蝶优化算法；BP 神经网络；Levy 飞行中图分类号：TP13 文献标志码：A DOI:10.16157/j.issn.0258-7998.222834中文引用格式：李畅，王琪，姜佳怡.基于levy飞行优化BOA-BP网络的电池SOC估计J.电子技术应用，2023，49(4)：88-91.英文引用格式：Li Chang，Wang Qi，Jiang Jiayi.Battery SOC estimation based on Levy flight optimization of BOA-BP networkJ.Application of Electronic Technique，2023，49(4)：88-91.Battery SOC estimation based on Levy flight optimization of BOA-BP networkLi Chang，Wang Qi，Jiang Jiayi(College of Electronic Information Engineering，Xi an Technological University，Xi an 710021，China)Abstract：At present,the power output of electric vehicles is mainly derived from power batteries,whose State of Charge(SOC)represents the remaining power of batteries.Accurate estimation of SOC is of great significance for the safety of battery use.Butterfly Optimization Algorithm(BOA)was improved and used to optimize BP neural network to estimate SOC of power battery,which solved the problems of long training time,slow convergence,low accuracy and easy to fall into local optimal solution.At the same time,the global search speed is improved,voltage and current are selected as input variables,SOC as output variables,and the weight and threshold of neural network are adjusted according to the size of error.Simulation results show that the error rate of SOC estimation results obtained after optimization is controlled within 1.1%,and this method has better robustness and faster optimization speed.Key words：charged state estimation；Butterfly optimization algorithm；BP neural network；Levy flight0 引言目前，传统汽车由于其工作机理的限制而必须使用石油等不可再生资源作为燃料，同时尾气排放也对环境造成很大污染，新能源汽车因其低碳环保的特点而逐渐被大家所认可。不同于传统能源，电动汽车剩余电量无法直接通过测量得到，需要对其进行状态估计，SOC 估计对于判断汽车剩余可行驶里程、消除驾驶者的里程焦虑、防止过充过放具有重要作用1。除此之外，拥有正确的 SOC 可增加动力电池的使用寿命以及在电量均衡等领域给予数据支撑。电池内部本身是一个强非线性系统，常规的物理方法不能够对 SOC 进行准确估计。神经网络算法可以在不用建模的情况下更好地处理电池的非线性特征，模拟电池的动态特性并对电池 SOC 估计，但因 BP 算法存在的估算精度低、鲁棒性不高、收敛慢等问题，所以有必要将 BP 算法进行优化，提高其在SOC 估计中的精度和适用。2019 年，Arora 等人观察蝴蝶的觅食行为以及交配行为提出了一种智能算法BOA 算法。算法简单易于实现，全局搜索效率较高，与此同时存在易陷入局部最优的缺陷23。针对这个问题，本文利用加入 Levy 飞行的蝴蝶优化算法建立改进的 BOA-BP 神经网络模型*基金项目：未央区科技计划项目-产学研协同创新计划（202016）88Computer Technology and Its Applications计算机技术与应用电子技术应用 2023年 第49卷 第4期进行 MATLAB 仿真实验，比较 BP 与优化后模型的 SOC估计值，从而验证改进后算法的精准程度。1 优化 BOA-BP 神经网络电池的 SOC 与电压、电流、自放电等多个因素有关，神经网络有较强的学习能力，因此本文选择神经网络法对电池的 SOC 进行估算，输入变量选择电池的电压、电流，输出变量为电池 SOC。由于 BP 网络估算 SOC 存在权值阈值不确定的问题，本文选择基于蝴蝶优化算法的BP 神经网络对电池进行精确估算，通过仿真比较两种模型的 SOC 估计值，进而验证改进算法的优良性。1.1 BP 神经网络模型以采集到的电压、电流值作为 BP 神经网络输入层变量，SOC 作为输出层变量，隐含层节点数 m 可根据经验公式选择4：m=M+L+（1）式中，将输入层节点数设为 M，输出层的节点数设为 L，为1，10区间自然数。根据上文所述，将本文神经网络确定为 2 个输入层，1 个输出层。故 m 可取3,12。实验表明，m=6 效果最佳。选择 logsig 为激活函数，均方误差为性能函数。BP 神经网络预测模型示意图如图 1所示。BP 神经网络作为一个典型的输入信号正向传递，误差反向传播的网络模型，很容易进入局部极值阶段，这是因为在整个机器学习流程中，系统并不能引入其他参数或对其加以优化，其权值和阈值直接影响着整个算法的特性。关于这一问题，本文利用 BOA 算法优化 BP 神经网络的权值和阈值，提高神经网络迭代速度。1.2 BOA 算法原理蝴蝶优化算法的灵感来源于蝴蝶的觅食行为，蝴蝶可根据气味强度判断食物来源，蝴蝶自身会对事物香味强度进行界定，香味会随着位置的改变发生变化，香味决定了蝴蝶寻优过程中的适应度。在全局搜索阶段蝴蝶会靠近在附近发出更多香味的蝴蝶；若蝴蝶感觉不到强于自身香味时便开始随机移动，此时为局部搜索阶段。感觉作为原始输入，香味大小与刺激强度有关，表达式如式(2)所示：f=cIa（2）其中，f 为蝴蝶感觉到的香味强度大小；c 为蝴蝶感官系数；a 为幂指数，取值范围通常在0，1之间；I 为刺激强度。a=1 视为理想环境，易得到最优值；a 为 0 意味着蝴蝶间没有气味的感知。全局搜索时通过判断会向种群中最优蝴蝶的所处位置移动，可表示为：xt+1i=xti+(r12 g*-xti)fi（3）其中，g表示迭代过程中的最优解，fi为第 i 只蝴蝶的香味浓度，r1取 01 之间的随机数。局部搜索阶段可以表示为:xt+1i=xti+(r22 xtj-xtk)fi（4）其中，xtj和xtk代表解空间里序号 j 和序号 k 的蝴蝶。1.3 Levy 飞行策略Levy 飞 行 是 一 种 特 殊 的 随 机 运 动，BOA 中 引 入Levy 飞行策略使粒子在任意维度空间内该粒子点每次运动的方向完全随机，以增加 BOA 算法局部搜索和全局搜索的能力，以免陷入局部最优且步长服从正态分布56，可用公式表示如下：Levy(x)u=t-,1 3（5）其中，x 表示随机步长，为指数参数。因 Levy 的方差能够迅速增加，故在全局搜索阶段具有突出优势，充分利用 Levy 飞行的随机性解决 BOA 算法在搜索的过程中容易陷入局部最优的短板。加入 Levy 飞行后 BOA 优化算法的全局搜索与局部搜索的公式如下：xt+1i=xti+(r2 g*-xti)levy()fi,r 0,1（6）xt+1i=xti+(r2 xtj-xtk)levy()fi,r 0,1（7）1.4 优化的 BOA-BP 算法及实现蝴蝶算法用于优化 BP 神经网络，并将 Levy 飞行算子引入 BOA 中，更好地提升蝴蝶算法的性能，使算法收敛速度提升，更准确地进行 SOC 估计。BOA-BP 算法具体实现步骤如下：(1)用归一化公式对数据进行无量纲化处理。x*=x-xminxmax-xmin（8）其中，xmax代表数据中个体最大值，xmin代表数据中最小值。(2)对蝴蝶种群初始化处理并利用适应度函数，得到个体的刺激强度 I。此处选用 2-6-1 网络结构，解空间对应于编码空间，其中编码长度 S 为：S=Mm+mL+m+L(9)式中，M 为输入层节点数，输出层的节点数为 L，隐含层节点数为 m。(3)计算种群个体适应度值，寻找最优位置个体。适应度函数设为：fitness=MSE=1Ni=1N(ti-yi)2(10)图 1BP 神经网络预测模型89Computer Technology and Its Applications计算机技术与应用www.ChinaAET.com式中，N 表示训练样本数，ti表示第 i 个样本的 SOC 模型输出值，yi表示 SOC 实际值。(4)计算蝴蝶散发的香味。为减少外部环境因素的影响，改进的蝴蝶算法中使用切换概率 P 在全局搜索部分与局部搜索部分实时转换，直到达到停止标准。(5)如果符合终止条件，停止运行，输出最优值和相关参数值，否则跳回步骤(4)。(6)经过迭代，获得系统最优解，个体编码对应着神经网络的权值及阈值，最佳个体解码即为最优初始权值和阈值，赋值给 BP 网络进行预测。(7)在 网 络 训 练 结 束 后 验 证 数 据 集 的 SOC 估 算精度。优化后 BOA-BP 算法流程图如图 2 所示。2 仿真结果与分析实验选用 26650 型磷酸铁锂电池，该电池额定电压3.3 V，额定容量 2.3 Ah，放电截止电压设为 2.0 V。通过电子负载仪以及上位机监测软件进行放电实验，对电池放电电流及端电压进行实时监测，实验均在室温条件下进行。2.1 网络训练参数设置首先经过放电实验得到实验数据，选择训练样本代入创建的模型中训练，对整个模型进行初始化，设定种群数为 30，维度为 20，最大迭代次数为 500，蝴蝶感官系数 c=0.01，幂指数 a=0.1，全局搜索与局部搜索之前的