基于BAS-BP神经网络的动力电池SOC估算

任舒蕊，王 琪，2

（1.西安工业大学 电子信息工程学院，西安710032；2.西北工业大学 电子信息学院，西安710072）

作为电动汽车电池管理的关键指标，SOC 表示动力电池的剩余电量，这是无法直接测量的状态量，需要使用特定的数学模型或算法进行测量和估计[1-2]。准确估算动力电池SOC，以优化车辆功率分配，可以避免由于电池不一致而导致单个电池过度充电或过度放电，确保整个电池组发挥最大效率[3-4]。

动力电池因其复杂的特性难以创建准确的数学模型，因此大多数学者进行SOC 估算时采用BP 神经网络模型[5]。BP 神经网络拥有非常强大的非线性拟合能力，只是单纯的神经网络在学习过程中收敛缓慢，很容易达到局部最小值[6]。天牛须算法[7]（beetle antennae search，BAS）是近几年提出来的一种单体搜索算法，在处理复杂优化问题上有着较高的效率。将天牛须算法（BAS）与BP 网络结合形成BAS-BP 神经网络联合算法用于电池SOC 估算，克服了BP 神经网络容易过分进行数据拟合的缺点，提高了估算的准确性。

基于此，在充分考虑环境温度对动力电池SOC的影响下，本文提出了利用天牛须算法（BAS）改善BP 神经网络，建立BAS-BP 网络预测模型，通过仿真实验比较两种不同模型得出的SOC 值，以此来证明优化算法的准确性。

1 BP 神经网络预测SOC 模型建立

神经网络通常分为3 层结构，即输入层—输入变量数据；输出层—预测输出结构；隐含层—实验数据的权重[8-9]。本文把BP 神经网络的输入向量设置为动力电池的环境温度（T），电压（U），电流（I），输出向量为电池荷电状态SOC，即SOC=f（U，I，T）。……