基于SSA-BPNN的锂离子电池SOH估算

锂离子电池已被广泛应用于储能系统与电动汽车中,精确地估算锂离子电池健康状态SOH(state-of-health)是保证系统安全可靠运行的必要条件。从容量的角度分析SOH,在恒流-恒压CC-CV(constant current-constant voltage)充电电压和温度曲线中提取了7个健康特征HI(health indicator)作为输入,基于数据驱动法提出了麻雀搜索算法-反向传播神经网络SSA-BPNN(sparrow search algorithm-back propagation neural network)的锂离子电池SOH估算方法,并应用数据增强进一步提高模型的鲁棒性,最终在NASA锂离子电池随机使用数据集上进行验证。通过与未采取数据增强的传统BP神经网络相比,获得SOH估算精度有明显提升,测试集SOH估算的最大绝对误差和均方根误差分别小于3%和1.32%,实验结果表明该方法兼顾误差小,收敛快,全局搜索能力且能够适应电池老化差异特性。

基于SSA-BPNN的农村精准扶贫成效评价

为实现精准扶贫成效评价,建立基于农户满意度的樽海鞘算法(Salp swarm algorithm,SSA)优化反向传播神经网络(Back propagation neural network,BPNN)的农村精准扶贫成效评价模型。首先,从生存环境维度、生活状况维度、精准扶贫政策效果和人文发展与社会保障4个角度建立基于农户满意度的精准扶贫成效评价指标体系。其次,将16个精准扶贫成效评价二级指标的得分数据和精准扶贫成效评价等级作为BPNN的输入向量和输出向量,建立精准扶贫成效评价BPNN模型。最后,运用SSA优化BPNN模型的初始权值和阈值,建立SSA-BPNN的精准扶贫成效评价模型。结果表明,与其他算法相比,SSABPNN具有更高的准确率,为精准扶贫成效评价提供了方法。