基于HPSO-BP神经网络融合的锂电池SOC预估研究

为实现锂离子电池荷电状态(SOC)的高精度预测,采用混合粒子群(HPSO)与BP神经网络相结合的联合优化算法,通过优化神经网络的初始权值和阈值克服了种群易陷入局部极小的缺点,加快了收敛速度,减小了SOC预估的误差,通过分析磷酸铁锂(LiFePO4)电池充、放电机理,将电池电压、电流、内阻和温度作为SOC的影响因子。MATLAB仿真结果表明,HPSO-BP神经网络算法的预测精度和收敛速度较传统BP神经网络算法更优。

基于HPSO-BP神经网络的个人信用评估

为了解决BP神经网络和标准PSO-BP神经网络模型收敛慢、易陷入局部最优值等问题,引入改进的粒子群算法HPSO,提出了基于HPSO-BP神经网络的信用评估模型。在PyCharm环境下,利用德国个人信用数据集,分别比较了BP神经网络模型、标准PSO-BP神经网络模型和文中的HPSO-BP神经网络模型。实验结果表明,基于HPSO-BP神经网络的评估模型在收敛速度和准确度上都优于另外两个模型。