电池的SOC与电压、电流、自放电等多个因素有关，神经网络有较强的学习能力，因此本文选择神经网络法对电池的SOC进行估算，输入变量选择电池的电压、电流，输出变量为电池SOC[3]。由于BP网络估算SOC存在权值阈值不确定的问题，本文选择基于蝴蝶优化算法的BP神经网络对电池进行精确估算，通过仿真比较两种模型的SOC估计值，进而验证改进算法的优良性。
2.1 BP神经网络模型
以采集到的电压、电流值作为BP神经网络输入层变量，SOC作为输出层变量，将输入层节点数设为M，输出层的节点数设为L，10]区间自然数。根据上文所述，将本文神经网络确定为2个输入层，1个输出层。故m可取[3,12]。实验表明，m=6效果最佳。选择logsig为激活函数，以及均方误差为性能函数。
BP神经网络作为一个典型的输入信号正向传递，误差反向传播的网络模型。很容易进入局部极值阶段，这是因为在整个机器学习流程中，系统并不能引入其他参数或对其加以优化，其权值和阈值直接影响着整个算法的特性[4]。关于这一问题，本文利用BOA算法优化BP神经网络的权值和阈值，提高神经网络迭代速度。
