基于GA-BP神经网络的电池SOC估算方法

1、引言

考虑到遗传算法具有全局最优的特点，能够很好的优化BP神经网络的初始权值和阈值，克服BP神经网络陷入局部最优的缺点，本期内容为基于GA-BP神经网络的电池SOC估算方法。

2、BP神经网络

BP学习算法根据梯度最速下降法原理，调整权值和阈值使得网络总误差达到最小。本文以电池温度、电流、电压3个影响因素作为BP网络的输入，电池SOC作为BP网络输出。
BP算法的步骤如下：

clc ;
clear all;
load 电池测试数据.mat% 训练数据和预测数据
input_train=input(:,1:2)';
output_train=output(:,3)';
input_test=input(:,1:2)';
output_test=output(:,3)';% 数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);% 神经网络构建
net=newff(inputn,outputn,5);% 神经网络参数
net.trainParam.epochs=200;
net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;% 开始训练网络
net=train(net,inputn,outputn);% 测试样本归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
BPoutput=mapminmax('reverse',an,outputps);figure(1);
plot(BPoutput,':og');
hold on;
plot(output_test,'-*');
legend('预测输出','期望输出','fontsize', 12);
title('BP神经网络预测输出','fontsize',12);
xlabel('样本','fontsize',12);
ylabel('输出','fontsize',12);

3、GA-BP神经网络

遗传算法（genetic algorithms，GA）是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题。
利用GA具有的全局搜索和快速收敛的特点，与BP网络联合起来，这样不仅能够发挥BP神经网络的泛化映射能力，而且可以避免BP网络易陷人局部最小并改善收敛速度。
优化过程可分为三个部分：１）根据功能要求，确定网络结构；２）利用遗传算法对BP神经网络结构的参数值进行优化，即将网络中所有的初始权值和阈值进行遗传操作，得到初始最优权值和阈值；３）保持BP神经网络的拓扑结构，将初始最优权值和阈值赋予网络，然后用BP神经网络进行训练、测试和验证。
GA-BP算法的步骤如下：

%% 遗传算法参数初始化
maxgen=10;                         %进化代数，即迭代次数
sizepop=10;                        %种群规模
pcross=[0.3];                       %交叉概率选择，0和1之间
pmutation=[0.1];                    %变异概率选择，0和1之间%节点总数
numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnum;lenchrom=ones(1,numsum);
bound=[-3*ones(numsum,1) 3*ones(numsum,1)];    %数据范围%------------------------------------------------------种群初始化--------------------------------------------------------
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]);  %将种群信息定义为一个结构体
avgfitness=[];                      %每一代种群的平均适应度
bestfitness=[];                     %每一代种群的最佳适应度
bestchrom=[];                       %适应度最好的染色体
%初始化种群
for i=1:sizepop%随机产生一个种群individuals.chrom(i,:)=Code(lenchrom,bound);    %编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量）x=individuals.chrom(i,:);%计算适应度individuals.fitness(i)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   %染色体的适应度
end%找最好的染色体
[bestfitness bestindex]=min(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:);  %最好的染色体
avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness]; %% 迭代求解最佳初始阀值和权值
% 进化开始
for i=1:maxgeni% 选择individuals=select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop;%交叉individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);% 变异individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);% 计算适应度 for j=1:sizepopx=individuals.chrom(j,:); %解码individuals.fitness(j)=fun(x,inputnum,hiddennum,outputnum,net,inputn,outputn);   end%找到最小和最大适应度的染色体及它们在种群中的位置[newbestfitness,newbestindex]=min(individuals.fitness);[worestfitness,worestindex]=max(individuals.fitness);% 代替上一次进化中最好的染色体if bestfitness>newbestfitnessbestfitness=newbestfitness;bestchrom=individuals.chrom(newbestindex,:);endindividuals.chrom(worestindex,:)=bestchrom;individuals.fitness(worestindex)=bestfitness;avgfitness=sum(individuals.fitness)/sizepop;trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度end
%% 遗传算法结果分析 figure(1)
[r c]=size(trace);
plot([1:r]',trace(:,2),'b--');
title(['适应度曲线  ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');
legend('平均适应度','最佳适应度');
disp('适应度                   变量');
x=bestchrom;
%% BP网络训练
%网络进化参数
net.trainParam.epochs=100;
net.trainParam.lr=0.1;
%net.trainParam.goal=0.00001;%网络训练
[net,per2]=train(net,inputn,outputn);%% BP网络预测
%数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
an=sim(net,inputn_test);
test_simu=mapminmax('reverse',an,outputps);
error=test_simu-output_testfigure(2);
plot(test_simu,':og');
hold on;
plot(output_test,'-*');
legend('预测输出','期望输出','fontsize', 12);
title('遗传算法优化的BP神经网络预测输出','fontsize',12);
xlabel('样本','fontsize',12);
ylabel('输出','fontsize',12);

4、结果分析

从上图中可以清晰地看到，GA-BP网络预测误差基本上保持在3％，最大误差不超过5％，而BP网络预测误差明显大于GA-BP网络，最大时达到了7％。通过MATLAB仿真实验证明，经过遗传算法优化后的BP神经网络对锂电池SOC的估算表现出了更好的准确性。

电池SOC仿真系列-基于GA-BP神经网络的电池SOC估算方法相关推荐

## ***电池SOC仿真系列-基于扩展卡尔曼(EKF)算法的SOC估计（内含代码等资料）***
## ***电池SOC仿真系列-基于扩展卡尔曼(EKF)算法的SOC估计(内含代码等资料)*** ## 1 研究背景电池的荷电状态(SOC)代表的是电池当前的剩余容量,数值定义是电池剩余电量与电池额 ...
电池SOC仿真系列-基于UKF算法的电池SOC估算研究
基于UKF算法的电池SOC估算 1.UKF算法无迹卡尔曼滤波是将数据变化(UT变换)与卡尔曼滤波结合起来的一种算法,通过UT变换将一个状态点转换为多个状态点,依据一定的权重传递给后面观测值,再根 ...
电池SOC仿真系列-基于遗忘因子的最小二乘法电池参数辨识（二阶RC）
基于遗忘因子的最小二乘法电池参数辨识最小二乘法是系统辨识中最常用的一种估算方法.为了克服最小二乘法存在"数据饱和"的问题,我们通常采用含有遗忘因子的递推最小二乘法(Forge ...
基于三层BP神经网络的人脸识别
实验四.基于三层BP神经网络的人脸识别一. 实验要求采用三层前馈BP神经网络实现标准人脸YALE数据库的识别,编程语言为C系列语言. 二.BP神经网络的结构和学习算法实验中建议采用如下最简单的三 ...
【故障诊断分析】基于matlab BP神经网络三相逆变器故障诊断研究【含Matlab源码 1736期】
一.BP神经网络三相逆变器故障诊断简介针对三相桥式逆变电路为研究对象,建立了仿真模型,并对逆变器主电路开关器件的开路故障进行仿真,提出了基于BP神经网络的故障诊断方法,确定了网络的结构和参数,并以 ...
C++毕业设计——基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现（毕业论文+程序源码）——车牌定位和识别系统
基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现(毕业论文+程序源码) 大家好,今天给大家介绍基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现,文章末尾附有本毕业设 ...
【电力负荷预测】基于matlab BP神经网络电力负荷预测【含Matlab源码 278期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源: [电力负荷预测]基于matlab BP神经网络电力负荷预测[含Matlab源码 278期] 获取代码方式2: 付费专栏Matlab智能算 ...
【停车位预测】基于matlab BP神经网络停车位预测【含Matlab源码 765期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[停车位预测]基于matlab BP神经网络停车位预测[含Matlab源码 765期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方 ...
（文章复现）5.基于BP神经网络的风电功率预测方法（MATLAB程序）
复现文章: 基于BP神经网络的风电功率预测方法--刘立群(2021年) 摘要: 风电功率预测结果的准确性,不仅关系到风力发电厂的综合运行效率,也与区域运行成本具备直接联系,为解决传统预测方法的不足,基 ...
基于遗传算法改进BP神经网络的电池容量SOC预测
摘要为提升新能源汽车的整车动力性.经济性以及安全性,更精确估算车用电池的荷电状态值(SOC),以纯电动汽车动力锂电池为研究对象,采用遗传算法(GA)优化BP神经网络,解决了误差逆传播存在的收敛速度慢 ...

电池SOC仿真系列-基于GA-BP神经网络的电池SOC估算方法