基于GABP神经网络的电池剩余电量的预测-基于GA-BP神经网络的电池剩余电量的预测.pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.51M 资料格式：pdf 举报版权申诉

weixin_39840650-11538195-4744302542864873426.pdf-第1页.png

第1页 / 共6页

weixin_39840650-11538195-4744302542864873426.pdf-第2页.png

第2页 / 共6页

weixin_39840650-11538195-4744302542864873426.pdf-第3页.png

第3页 / 共6页

weixin_39840650-11538195-4744302542864873426.pdf-第4页.png

第4页 / 共6页

weixin_39840650-11538195-4744302542864873426.pdf-第5页.png

第5页 / 共6页

weixin_39840650-11538195-4744302542864873426.pdf-第6页.png

第6页 / 共6页

文本预览

第28卷第12期计算机仿真 2011年12月文章编号：1006—9348(201I)12-0323—04 基于GA—BP神经网络的电池剩余电量的预测冯冬青，李卫帅 (郑州大学电气工程学院，河南郑州450001) 摘要：研究动力电池剩余电屠问题，电池剩余电量的准确预测一直以来都是一个难点。由于剩余电量与电流、内阻和温度有关，电池内部复杂的电化学反应导致了电池电压不能线性反映电池的剩余电量，传统的方法往往会有较大的误差。BP神经网络的特点是可以逼近任意的非线性函数，而BP神经网络并非完美的神经网络，采用用遗传算法优化BP神经网络可以克服其缺点，更好的预测电池的剩余电量。实验结果证明。所用的GA—BP神经网络方法具有反应快，误差小的特点，达到了预先设计的目的。关键词：遗传算法；神经网络；电动汽车；电池剩余电量；预测中图分类号：TPl83 文献标识码：B Prediction of Residual Capacity for Battery Based on GA—．BP Neural Network FENG Dong—qing，LI Wei—shuai (The school of Electrical Engineering，Zhengzhou University，Zhengzhou Henan 450001，China) ABSTRACT：Prediction of remaining battery power has always been a difficulty．The complex electrochemical reac- tion inside the battery leads to fact that battery voltage does not linearly reflect the remaining battery power，and the traditional methods often have large errors．BP neural network carl approach any nonlinear function，however，BP neural network is not a perfect neural network．Using genetic algorithm BP neural network Call overcome its shortcom· ings and better predict the remaining battery capacity．Experiments and data simulation results show that the designed GA—BP neural network has fast response characteristics with small error． KEYWORDS：Genetic algorithms；Neural network；Electric cars；Residual capacity for Battery；Prediction l 引言显的，影响电池剩余电最大小的因素不但是电池电，矗电流，还有不断变化的电池内阻和电池温度。由于电池这的种高传统的石化能源已经越来越不能满足人们对能源高效、度非线性，导致对电池的剩余电堵的估箅采用传统的方法误低碳、清洁的要求，新能源荸命即将来临。作为新能源典型差较大。神经网络具有可以充分逼近任意复杂的非线性函代表，电动汽车在未来数年必将兴起，直至最终取代传统的数的特点，故非常适合对电池剩余电母进行预测。燃油汽车。动力电池是电动汽车的核心，在相当程度上制约着电动汽车发展。电动汽车要有突破性进展，动力电池问题 2动力电池系统必须很好解决。关于动力电池问题应该分为两个方面：一是对测量设备的设计就是要能获得任何类型电池足够数进一步研发性能更好、容萤更大的电池，二足对电池的控制系统进行改进，得到更加精确的电池数据，以延长电动汽车续航能力。动力电池使用时，其内部发牛着复杂的电化学反映。传统的电池剩余电龋预测大多是直接测量电池电压，根据电压的大小线性估算出电池剩余电嚣。这种测量缺点是比较明收稿13期：20101一Ol一20 万方数据据，这样才能够准确的估计出电池的状态。使用电脑控制系统既町以仿真负载模式，又可以收集相火数据。参数的测冒包括：端电压、充放电电流、电池内阻、电池和空气温度。系统如图1所示。测最数据是多路传输的，并且反馈到与计算机相连接的数字万用表。多路器由计算机控制，允许设定不同的采样倍数。一个双极电源对电池进行充电和放电，这个电源同样是由计算机控制，以能够仿真不问的充放电模式。由于电池的研究是相对独立的，并且在电动汽车上也是单独．．．．—323．．．——

使用，这样就可以设计充放电模式仿真操作。如图2所示。该电流特性由开始部分的一个平坦沿和一个下降沿组成，可以有效地模拟放电操作时的脉冲。圈1电池自动检测系统图3 BP网络3．2 BP网络的前馈计算如隐含层的第』个节点的输入写为 M netp／=哟=∑Wq0‘ 7．5A 7．5A 第』个节点的输出为图2电池充放电特性电池内阻数据的获取则是按照目前比较成熟方法，例如，使用微交流电激励。测量出电池的交流电压压降，并且把交流电流作为分母，根据欧姆定律计算出阻抗。 3 BP神经网络 3．1 BP网络模型误差反向传播算法简称BP算法，其基本思想是最小二乘法。BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号从输出层经隐含层逐层处理，并传向输出层，每层神经元节点状态只影响下一层神经元状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使误差信号满足设定值。设BP网络的结构如图3所示，有时个输入节点，输入 D，=以netj) 其中，“，唧，)为激发函数贝聊‘)2孺1 1+e一—百一 (1) (2) 其中，一，表示阀值，正的oj的作用是使激发函数沿水平轴向右移；如的作用是调节占函数的形状，较小的岛使6函数变得较为平坦。对式(2)求导，可得，厂(聊tf)=以netj)[1一，(船tf)] (3) 第J个节点的输出D，将通过加权系数伽。向前传播到第k个节点，输出层第k个节点的总输入为 netk 2 6、％∑川 (4) 其中q为隐含层的节点数。输出层第k个节点的实际网络输出为 O^=以netI) (5) 若网络输出与期望输出值以不一致，则将其误差信号从输出端反向传播，并在传播过程中队加权系数不断修正，使在输出层节点上得到的输出结果尽可能接近期望输出值以。对样本p(p=l，2，…，P)完成网络加权系数的调整后，再送人另一个样本模式对，进行类似学习，直到完成P个样本的训练学习为止。 3．3 BP网络权值的调整规则设每一个样本P的输出模式对的二次型误差函数定 (6) (7) 层节点的输出等于其输入。输出层有￡个输出节点，网络的隐含层有q个节点，埘j是输入层和隐含层节点之间的连接权值。”。是隐含层和输出层节点之间的连接权值，隐含层和输义为￡ ● q=÷∑(咄一％)2 出层节点的输入是前一层节点的输出的加权和，每个节点的系统的平均误差代价函数为激励程度由它的激发函数来决定。在训练该网络的学习阶段，设有Ⅳ个训练样本，先假定 P L P ．耳=÷∑∑(奴一％)2=乏E 一p 2l-2-P。I 用其中的某一固定样本的输入输出模式x，和{d—I对网络进行训练。为书写方便，暂时将公式中样本P的记号略去，式中，P为样本模式埘数，己为网络输出节点数。问题是如何调整连接权系数以使代价函数E最小。下面介绍基于式．-——324．—-—— 万方数据

(6)的一阶梯度法的优化方法，即最速下降法。为简便起见，略去下标P，重写式(6)，有 =可％(1一％)(∑瓢％)％ (15) L - E=÷∑(噍一Ot)2 (8) 式中，o一是输出节点k的输出，D。是隐含节点』的输出，％是输入节点i的输出。权系数应按E函数梯度变化的反方向进行调整，使网络从上面推导的结果可得网络连接权值调整式：的输出接近期望的输出。埘#(t+1)=仲F(t)+呀5。O‘+Ot[埘草(t)一加v(t一1)] 1)输出层权系数的调整权系数的修正公式为式中，t+1表示第t+1步，a为平滑因子，00；堕帆为以号信差误传反义定堕吨盖= 瓯=一丽OE=瓦OE罴式中差-．(也刮老=却蚓=f(net。) 龟=(以一0I)，(netI)=0‘(I一0。)(也一0I) (11) 又 iOnetk=击(主％oj)：q a彬m、身’ 却^ ’ 由此可得输出层的任意神经元权系数的修正公式为 △％=叩(也一Ot)厂(nett)q=巾t0， (12) 2)隐含节点权系数的调整计算权系数的变化量为峨=一叩瓦OE一刀旦On％篙一叼蔫g 幽F一叩瓦一'7一面一叼面％ =田(一以OE盟On％10i／ =’7(一差)，，(吲Di=鹕Di 式中票不能直接计算，需通过其他间接量进行计算，即 dU：一。OEo，=一砉丽OE旦a咝oj=荟L(一盖Onet)参(骞％q) 一=一，一——一=’●一—：一l～I，"1U， k}aoi、每”扩” 色amtk 急＼ aoi 3．4 BP学习算法的缺陷 BP算法的缺点可以分为以下几种"t7 J： 1)由于BP算法实质上是采用非线性优化问题的梯度下降法，故存在收敛问题，主要是容易陷入局部极小值，不能保证收敛到全局最小点。 2)网络权值和阀值的初始值很大程度上影响着学习收 (10) 敛速度，可能导致收敛慢。 3)隐含层数和隐含节点数及激励函数的设定，同样可以对网络产生很大的影响。 3．5遗传算法改进BP神经网络遗传算法是多点搜索，而不是单点，从而避免陷入局部最优，逐步逼近全局最优解。在最优化问题中，传统的方法往往是从解空间一个初始点开始最优解的迭代搜索过程。然而复杂问题会使解李间中出现若干局部最优解，传统的方法很容易陷入局部最优解而停滞不前。而遗传算法同时从由很多个体组成的一个初始群体开始搜索，对这个群体进行选择、交叉、变异等运算，产生出新一代的群体，其中包括了很多群体信息。这一点使遗传算法具有较好的全局搜索性能，大大减少陷入局部解的风险。遗传算法用于神经网络主要是用遗传算法学习神经网络的权重和学习神经网络的拓扑结构，特别是学习神经网络的权重，也就是用遗传算法来取代一些传统的学习算法，利用遗传算法的寻优能力来获取最佳权重。 =砉(一盖)％=_砉瓯％显然有岛2／(聊‘)善氐％将样本标记P计入公式后，有对于输出节点k：～咏='l，’(峨)(咄一％)％ =，70砖(哆一一0_砖)D0 对于隐含层节点，： △，吩=，z，’(础‰)(荟靠％)％万方数据 (13) (14) 田4遗传算法优化BP神经网络流程图 ·————325··-——

4电量预测系统络的状态和输flj同样是变化的。由于短时间范围变化更可能是由外部噪声源而非电池本身造成的，所以要使用中值过电池状态模拟系统框图如图5所示。有一个可以显示滤技术来稳定输出。如图所示，在31个样本的窗口，输出非电池参数和温度的采样单元纽成，该系统还有一个预测系统常稳定。『司时给出了平均和最大误差。 (由神经网络组成)和输出显示器相连接。神经网络的结构如图6所示，是一个三层前馈网络，由4个输入神经元和lO 个输}{j神经元用来指示电池0—100％的状态。隐含层神经元的数目没有给出，将在后面讨论。电池在250c充满电时，标准化神经网络的输入参数，电量估计由神经网络输出层的状态岜接给出。巨塑口 0训练曰 O采样圉距鬈旧曰 I鼍曩1日旧鬈1日k器f 电阻 I输入I I输出l 温度电压电流内阻输入层隐含层输出层图6三层前馈网络图 5结果神经网络函数隐藏层神经元数日的理想精度可以通过估算得到。精度町以是平均误差和平均绝对误差。图7显示了作为隐含层神经元数量的平均绝对误差函数。可以看出输出误差在50个单位之后并没彳f很大下降。而计算机的 CPU时问会随着神经元的增加明显k升。对应用来说可以认为50个隐含单元能够提供足够精度，计算机速度也町以接受。图8所示是一次实验仿真中的网络输}H。黑色的线表示预测容量，灰色的区域足真实容量。后者是在电池恒流放电时从假设剩余电量线性下降的测试数值中计算出来的。 250c时满允的电池完全放电以获得测试时间，在电池容量 O 0 O 0 O 0 0 0 0 O 糊酱}露牛茁舞{{事匮晰叭窭|啪嗡嘶似咙啪懈图7平均绝对误差和隐含层神经元数目关系堡棚谣蒜蜘硼圈8使用中值过滤的稳定网络输出 6总结用GA—BP算法成功训练的神经网络来预测一种类型的封闭式铅酸电池，在周围条件变化时，四个输入参数可以使其获得好的性能。设计过程考虑了模犁中温度和内阻的重要性，所以电池的热失控和过最放电是可以避免的。由于任意数日电池和应用的训练网络具有町行性，故设计中比较适合使用神经网络。缺点是需要训练数据的提供，但可以使用自动测量设备来获取数据。参考文献： [1]张德丰．MATLAB神经网络应用设计【M]．北京：机械T=业出版社，2009． [2] 雷英杰，张善文，李旭武，周创明．MATLAB遗传算法工具箱及应用[M]．西安：西安电f科技大学出版社，2005． [3]N Tanpo，Mummot0，T Yamazaki．K Mat8uura．Development of a Battery Checking System Using Neural Network[c]．Proceedings of the Joint Conference of Hokufiku Chapters of Institutes of Elee· 每下降10％时计算时间。电池状态会随时间而变化，所以网 trical Engineers，1995． (下转第334页) ．—-——326．．．—— 万方数据

4．4 BP神经网络对电力负荷非线性部分预测时发、供电进行合理调度。由于电力负荷’j多利-因索街叼十¨ 将电力负荷的残莲序列和影响饵素组成一个非线性样关，同此是一种复杂的非线性变化系统，导敛传统雌一模删本，将1985—2005年的非线性数据输人到BP神经网络进行小能全面反映』￡变化规律，导致预测精度不高，本文利川学习，采用遗传算法确定BP神经网络参数，从f『ii用建正好的 ARMA和BP神经网络的优点，使它们达到q：补，使预测模J刊电力负荷{E线性预测模型对2005—2007年的电力负荷残差包禽更多的信息，仿真结果表明．组合模型的预测精度明显序列进行预测，得到的结果如表3所示。高于译一模型，～定程度I：提高r屯力负荷预测纠，粜的准确表3 BP神经网络预刮结果性，在lU力负荷顶测巾有很大的实际应用价值。 4．5组合模型的电力负荷预测结果将ARMA模型和BP神经网络的预测结果丰H加，得到电力负荷预测的最终结果，为r说明本文方法的优越性，采用参考文献： [1]康翦庆，夏清，刘梅电力系统负荷预测[M]北京：一l，四电JJ 出版社，2007 [2] 陶莉．肖品，周魏负荷特性分析方法的研究[J]电力需求侧恃硎，2004，5(4)：30—32 单一ARIMA模型和BP神经网络摸型对屯力负荷进行的预 [3j 陈建电力负荷项测方法【J]渤海大学学报(自然科学版)，测结果，Je结果如表4所示。 2006．27(2)：142—144 表4 3种模型预测结果对比 l 4 J杨颖运川季廿和趋势模型预测用电负荷[J J电力需求侧管理．2004，22(3)：22—24 【5]韩止余，靠志洪基于负荷分解的城市k期负荷颅测模删研究 [J?电力i畴求倒管理．2005，17(6)：7一】9 [6] 潘峰．程浩忠蕈1：支持向星机的电力系统短期负荷预测[J J 电网技术，2004(11)：39—42 [7] 吴什，等基J：模糊层次分析法的电力负荷组台预测[J]华东电力，2006，34(4)：1I一13 【8] 余健明．撼E巾长期电力负荷的变权灰色组合预测模型[J] 电刚技术，2005(17)：27—29 [9 J孙晓玲，土宁．粱艳垃用BP神经网络的教学评价模型及仿真 [J]汁算机仿直，2010，27(1】)：84—88 [作者简介] 曾德明(1970一)，男(汉族)，四川泸县人，讲师，硕 {+：毛要研究方向：信息安全技术，信息技术应川。对表3的几种模型预测结果进行对比分析，可以知道．本文的组合模型的电力负荷预测预测精度要远远高于比单一ARMA模型和BP神经网络模型，结果表明．组合模型利用ARMA对线性部分预测和BP神经网络对非线性部分预测，全面挖掘电力负荷的变化规律，从而获得更高电力负荷预测精度，很好的克服单一模型小能全面对电力负荷变化规律进行准确预测的难题，是一种切实、町行、高精度的电力负荷预测模型。 5结束语当电力系统进行在线控制时．精确的电力负荷预测能够 (上接第326页】 [9]D F Goldberd Genetic algorithmsin searchl J J I)ptlmization and 4】师黎，陈铁军．李晓媛．姚丽娜智能控制理论与应用【Mj北 Machine Le唧ing，Addision Wesley，1989 京：清华大学出版社．2009 [10 B Widww R Winter Neural nets for adaptive filtering and adap- 51 王伟人丁神经网络原理——^门与应用[M]北京：北京航 tire pattern reeognition[J]IEEE Compuler．1988 卒航又大学出版社．1995 【6]车士勇模糊控制、神经网络控制和智能控制理论【M]哈尔 [作者简介1 滨：哈尔滨J=业大学出版社，1996 ‘ [7] 下杰，金耀初智能控制系统理论及应用[M]郑州：河南科学技术出版社，1997 [8]蔡鹭欣．杨燕明．杨亢原基r反向传播神经网络的遗传算法在酒类气体识别中的应用[J]城¨人学学撤(自然科学版)， 1999．38(3)：403～407 冯冬青(1958一)，男(汉族)．广东佛山人．博士，教授，丰要研究方向为智能控制。李卫帅(1984一)，男(汉族)，河南杞县人．邵州大学电气工程学院硕士生．研究方向为智能控制。 ——334 万方数据

基于GA-BP神经网络的电池剩余电量的预测作者：冯冬青，李卫帅， FENG Dong-qing， LI Wei-shuai 作者单位：刊名：英文刊名：郑州大学电气工程学院,河南郑州,450001 计算机仿真 Computer Simulation 2011,28(12) 年，卷(期)：参考文献(10条) 1.张德丰 MATLAB神经网络应用设计 2009 2.雷英杰;张善文;李旭武;周创明 MATLAB遗传算法工具箱及应用 2005 3.N Tanpo;Muramoto;T Yamazaki;K Matsuura Development of a Battery Checking System Using Neural Network 1995 4.师黎;陈铁军;李晓媛;姚丽娜智能控制理论与应用 2009 5.王伟人工神经网络原理--入门与应用 1995 6.李士勇模糊控制、神经网络控制和智能控制理论 1996 7.王杰;金耀初智能控制系统理论及应用 1997 8.蔡鹭欣;杨燕明;杨亢原基于反向传播神经网络的遗传算法在酒类气体识别中的应用[期刊论文]-厦门大学学报(自然科学版) 1999(03) 9.D E Goldberd Genetic algorithms in search 1989 10.B Widrow;R Winter Neural nets for adaptive filtering and adaptive pattern recognition 1988 本文读者也读过(5条) 1. 邓超.史鹏飞基于神经网络的MH/Ni电池剩余容量预测[期刊论文]-哈尔滨工业大学学报2003,35(11) 2. 刘雨梦.耿壮.张建智.杨成兵动力电池组检测系统设计及其Proteus仿真[期刊论文]-广西轻工业2011(9) 3. 胡任.韩赞东.王克争.HU Ren.HAN Zan-dong.WANG Ke-zheng 基于BP神经网络预测静置电池的剩余电量[期刊论文]-电池 2006,36(1) 4. 武云丽.李革臣.陈松林 BP神经网络在电池分选中的应用[期刊论文]-哈尔滨理工大学学报2001,6(5) 5. 左适够.周亚.张达.ZUO Shi-gou.ZHOU Ya.ZHANG Da 基于DSP的电动汽车蓄电池电量计量及荷电状态估计[期刊论文]-机电工程2012,29(4) 本文链接：http://d.g.wanfangdata.com.cn/Periodical_jsjfz201112080.aspx

分享到：

赞收藏

资料库

基于GABP神经网络的电池剩余电量的预测-基于GA-BP神经网络的电池剩余电量的预测.pdf

相关推荐

开发技术

热门标签

最新资料