：提出了一种基于MEA-BP神经网络的电池储能系统荷电状态(SOC)预测方法,可准确评估储能电池的SOC状态。选择较易获得的电池外特性电流、电压和温度作为BP神经网络的输入,SOC状态作为神经网络输出,并利用思维进化算法(MEA)优化网络结构,对电池储能系统SOC状态进行评估。将评估结果与传统BP神经网络评估结果进行对比,结果表明,该方法可实现对电池储能系统SOC的准确评估,且预测误差小,具有良好的工程应用前景。 神经网络输出，并利用MEA优化BP网络的权值和阈值，对电池储能系统SOC状态进行评估。最后将评估结果与传统BP神经网络评估结果进行对比，仿真表明，所提算法不仅可以提高预测精度，还可以加快BP神经网络的学习速度，可实现对电池储能系统SOC的精确估计，具有很好的发展前景。1基于BP神经网络的SOC预测模型BP三层神经网络目前应用十分广泛，包括输入层、隐含层和输出层。各层神经元通过权值和阈值连接，

公司网站 转载中国知网 www.wangaunjimuju.com系统SOC状态评估-电动折弯机数控钢管滚圆机滚弧机张家港液压弯管机滚弧机同层神经元之间无连接［11］。采用三层BP神经网络进行电池储能系统SOC预测，如图1所示。图1基于BP神经网络的SOC预测模型电池储能系统某时刻工作电压U、电流I和温度T是影响SOC的主要因素，因此将这3个因素作为模型的输入矢量［X1，X2，X3］，即神经网络的输入节点数为3。电池SOC作为模型的输出矢量［Y］，即输出节点数为1。经多次试验，发现在隐含层中采用12个节点可较准确地描述电池电压、电流、温度与电池SOC的相互关系。2MEA-BP神经网络SOC预测模型2．1MEA算法思维进化算法(MEA)将群体划分为优胜子群体和临时子群体，在此基础上定义的趋同和异化操作分别进行探测和开发。这两种功能相互协调且保持一定的独立性，便于分别提高效率［12-14］。其主要步骤如下:(1)利用初始化种群产生函数产生大小为Nsize的种群大小;利用子种群产生函数产生个数为Nbsize优胜子种群和个数为Ntsize临时子种群。(2)子种群的趋同操作。在子群体范围内，个体成为胜者而竞争的过程叫趋同。一个子群体在趋同的过程中，若不再产生新的胜者，则称该子群体已经成熟。当子群体成熟时，该子群体的趋同过程结束。(3)子种群的异化操作。各个优胜子种群和临时子种群趋同操作完成后，便系统SOC状态评估-电动折弯机数控钢管滚圆机滚弧机张家港液压弯管机滚弧机 公司网站 转载中国知网 www.wangaunjimuju.com