基于LFOA?GRNN模型的矿用锂电池SOC预测

陈德海 丁博文 潘韦驰

摘  要： 针对矿用电动汽车锂电池SOC预测易受到工况环境影响、建模复杂、预测误差大等问题，该文将电池端电压、放电电流、环境温度、湿度作为SOC的表征因子，构成样本集以训练广义回归神经网络（GRNN），再引入具有Levy飞行特征的双子群果蝇优化算法（LFOA）优化GRNN的平滑因子σ。LFOA结合了Levy飞行搜索和果蝇优化算法的优点，全局搜索能力更强，收敛速度更快。仿真结果表明，经LFOA优化的GRNN能更快地搜索到合适的σ，并有效预测电池任一充放电状态下的SOC，与FOA?GRNN模型比较，LFOA?GRNN模型预测精度更高、时间更短，最大绝对误差不超过0.03，具有较好的工程应用价值。

关键词： 矿用锂电池; SOC预测; GRNN; LFOA; 模型建立; 仿真分析

中图分类号： TN86?34; TM912.9                 文献标识码： A                       文章编号： 1004?373X（2020）06?0115?04

Mining lithium battery SOC prediction based on LFOA?GRNN model

CHEN Dehai， DING Bowen， PAN Weichi

（Jiangxi University of Science and Technology， Ganzhou 341000， China）

Abstract： In allusion to the problem that the state of charge （SOC） prediction of the lithium battery of the mine electric vehicles， which is susceptible to the environmental impact of the working conditions， has complex modeling， large prediction error， etc.， in this paper， the battery terminal voltage， discharge current， ambient temperature and humidity are taken as the characterization factors of SOC to form a sample set to train the generalized regression neural network （GRNN）. The double subgroup drosophila optimization algorithm （LFOA） with Levy flight characteristics is introduced to optimize the smoothing factor σ of GRNN. In combination with the advantages of Levy flight search and drosophila optimization algorithm， LFOA has stronger global search ability and faster convergence speed. The simulation results show that the LFOA?optimized GRNN can search for the appropriate σ more quickly and predict the SOC of the battery under any states of charging?discharging effectively. In comparison with the FOA?GRNN model， the LFOA?GRNN model has higher prediction accuracy and shorter prediction time， and its maximum absolute error is less than 0.03. It has a certain engineering application value.

Keywords： mining lithium battery; SOC prediction; GRNN; LFOA; modelling; simulation analysis

0  引  言

随着国家对金属地下矿山绿色生产、环境保护越来越重视，传统的矿用汽车使用柴油设备污染矿山空气、耗能大、噪声大，因而逐步被电动汽车代替。锂电池具有放电电压稳定、自放电率低、使用寿命长、质量轻、环境污染小的优点，将逐步取代传统铅酸蓄电池成为矿用电机车主要动力源。矿用电动汽车的荷电状态（State of Charge， SOC）估计是目前电动矿用设备的关键技术，SOC的估计对于电动汽车的续航里程的预估和动力电池的安全保护起着十分重要的作用[1]。精确估计动力电池的SOC既可以有效地避免电池的过冲和过放，又可以给电池均衡系统提供重要参数，进而提高电池使用性能，延长电池使用寿命。由于锂电池内部电化学特性……