基于熵权法和Elman神经网络相结合的储能系统SOC估计

摘要

电池荷电状态(State of Charge,SOC),也称电池剩余电量,是表征电池特性的关键参数。该文提出基于熵权法(Entropy Weight Method,EWM)和Elman神经网络相结合的储能系统SOC状态估计方法。针对神经网络输入参数选择通常依靠经验的问题,使用熵权法计算储能系统运转参数的权重并排序,形成待评价特征集。通过Elman神经网络对不同输入特征参数进行仿真测试,挑选功效最优的一组特征集作为Elman神经网络的输入,使用思维进化算法(Mind Evolutionary Algorithm,MEA)优化Elman神经网络初始权值和阈值,建立了基于EWM-MEA-Elman神经网络的储能系统SOC状态估计模型。经全钒液流电池充放电实测数据仿真数据表明,正确选择输入特征集可以有效提高预测精度和训练速度。该仿真结果验证了本文神经网络模型的效果和准确性,为储能系统的应用提供了优秀的理论支持。