針對礦用電動汽車鋰電池SOC預(yù)測易受到工況環(huán)境影響、建模復(fù)雜、預(yù)測誤差大等問題,該文將電池端電壓、放電電流、環(huán)境溫度、濕度作為SOC的表征因子,構(gòu)成樣本集以訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN),再引入具有Levy飛行特征的雙子群果蠅優(yōu)化算法(LFOA)優(yōu)化GRNN的平滑因子σ。LFOA結(jié)合了Levy飛行搜索和果蠅優(yōu)化算法的優(yōu)點(diǎn),全局搜索能力更強(qiáng),收斂速度更快。仿真結(jié)果表明,經(jīng)LFOA優(yōu)化的GRNN能更快地搜索到合適的σ,并有效預(yù)測電池任一充放電狀態(tài)下的SOC,與FOA-GRNN模型比較,LFOA-GRNN模型預(yù)測精度更高、時間更短,最大絕對誤差不超過0.03,具有較好的工程應(yīng)用價(jià)值。

【文章頁數(shù)】：4 頁

【文章目錄】：
0 引言
1 基于雙子群果蠅優(yōu)化算法的廣義回歸神經(jīng)網(wǎng)絡(luò)模型
    1.1 廣義回歸神經(jīng)網(wǎng)絡(luò)
    1.2 Levy飛行
    1.3 雙子群果蠅優(yōu)化算法
    1.4 雙子群果蠅優(yōu)化算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)
2 基于LFOA-GRNN的鋰離子電池SOC預(yù)測
3 實(shí)驗(yàn)仿真與分析
    3.1 搭建實(shí)驗(yàn)平臺
    3.2 LFOA-GRNN模型驗(yàn)證
4 結(jié)論



本文編號：3868794