第12卷第3期2023年3月Vol.12No.3Mar.2023储能科学与技术EnergyStorageScienceandTechnology改进的萤火虫算法优化反向传播神经网络动力锂离子电池健康状态估计赵鑫浩，许亮（天津理工大学电气工程与自动化学院，天津300382）摘要：为保证电池的正常运行，对电池的健康状态进行估计是非常重要的工作。针对传统建模方法估计精度差、参数众多计算复杂且耗时长等缺点，本工作构建了基于改进的萤火虫算法(fireflyalgorithm，FA)优化的反向传播(backpropagation，BP)神经网络，对锂离子电池的健康状态(stateofhealth，SOH)进行估计，利用萤火虫算法的全局优化能力和收敛速度快的特点对BP神经网络的权值和阈值进行优化，并引入莱维飞行(Levyflight)，提升全局搜索能力，扩大搜索范围，提高了估计精度。采用NASA艾姆斯研究中心的锂离子电池数据集，对改进优化前后的算法进行训练与估计，对比各算法之间的优劣程度。结果表明，莱维飞行改进萤火虫算法优化反向传播神经网络(LFFA-BP)算法相比于BP神经网络算法与萤火虫算法优化反向传播神经网络(FA-BP)算法，决定系数更高，误差波动范围更小，具有较高的估计精度。关键词：锂电池；健康状态；莱维飞行；萤火虫算法；BP神经网络doi：10.19799/j.cnki.2095-4239.2022.0668中图分类号：U461.7文献标志码：A文章编号：2095-4239（2023）03-934-07ImprovedfireflyoptimizationalgorithmtooptimizebackpropagationneuralnetworkforstateofhealthestimationofpowerlithiumionbatteriesZHAOXinhao,XULiang(CollegeofElectricalEngineeringandAutomation,TianjinUniversityofTechnology,Tianjin300382,China)Abstract:Itisessentialtoestimateabattery'sstateofhealth.Thispaperconstructsabackpropagation(BP)neuralnetworkoptimizedbasedontheimprovedfireflyalgorithm(FA)toestimatethestateofhealthoflithium-ionbatteries.Theaimistoaddresstheshortcomingsoftraditionalmodelingmethods,suchaspoorestimationaccuracy,numerousparameters,complexcalculation,andlongtimeconsumption.TheweightsandthresholdsoftheBPneuralnetworkareoptimizedusingtheFA'sglobaloptimizationabilityandfastconvergencespeed.Levyflightisintroducedtoimprovetheglobalsearchability,expandthesearchrange,andimprovetheestimationaccuracy.Thelithium-ionbatterydatasetofNASAAmesResearchCenterisusedtotrainandestimatethealgori...
