孙 硕，孙俊忠，周智勇，杨占录，蔡 巍

(海军潜艇学院，山东青岛266042)

铅酸蓄电池是一种典型的富液电池，其电极主要由铅及其氧化物制成，电解液为硫酸溶液。铅酸蓄电池作为二次电池，在充电过程中，如充电电流、充电时间、充电初始状态等因素都会对其荷电状态(state of charge，SOC)产生影响，电池SOC 估算的准确性和时效性十分重要，能够准确预测蓄电池充电过程中的SOC，对于合理使用铅酸蓄电池意义重大。

国内外对电池充电过程的SOC 预测已经进行了大量研究，建立的预测模型包括物理模型和人工智能算法模型两类。基于物理模型的预测方法中，主要分为基于电化学机理的建模、基于电化学经验公式的建模和基于等效电路的建模等方法[1-3]。物理建模方法预测过程复杂，需要研究蓄电池充电过程中的变化机理，难以将影响因素考虑周全，造成预测结果往往不够准确，误差较大。人工智能网络具有逼近多输入输出参数的特点，只需将数据输入到网络模型就可以进行预测，且准确度较高，是当前对蓄电池充电过程SOC 预测的主要研究方法[4-5]，但其研究对象多为锂电池，而对铅酸蓄电池这类的富液电池研究较少。

BP 神经网络具有非线性映射的特征和良好的泛化能力，对神经网络输入的自变量数据进行筛选时，平均影响值(mean impact value，MIV)算法能够反映输入特征参量对预测量的影响。本文采用MIV 方法对铅酸蓄电池充电过程中的影响因素进行评估和筛选，采用遗传算法(genetic algorithms，GA)优化BP 神经网络的初始权值和阈值，解决BP 神经网络易陷入局部极小点的问题，提高铅酸蓄电池充电过程中SOC的预测精度。……