国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于人工神經網絡的最大充放電功率預測方法研究

2012-12-23 06:10李智勇
汽車零部件 2012年3期
關鍵詞:輸入量目標值人工神經網絡

李智勇

(重慶郵電大學自動化學院模式識別及應用研究所,重慶400065)

0 引言

世界能源短缺、溫室氣體排放、環(huán)境污染等問題促使各國研究開發(fā)新能源和節(jié)能、環(huán)保產品。交通工具的能量消耗量占世界總能源消費的40%,汽車的能源消耗量約占1/4,面對節(jié)能和環(huán)保的巨大壓力,世界各國紛紛開發(fā)新能源汽車,包括純電動汽車EV、燃料電池電動車FC、混合動力電動汽車HEV。對比其技術經濟特性,HEV 對于加油站等基礎設施不會為之改變,技術性能相對成熟,污染小,噪聲低,操作簡單,成本在三者最低,略等于傳統(tǒng)汽車的1.3 倍,比較可知HEV 在現階段最具節(jié)能環(huán)保優(yōu)勢。為此,國家在“十一五”計劃安排了“863”節(jié)能與新能源汽車項目,把此納入國家安全戰(zhàn)略高度來考慮?;旌蟿恿ζ囎灾餮邪l(fā),成為業(yè)內追逐的熱點,普遍看好其應用前景。

在混合動力汽車研發(fā)過程中,其核心就在于鎳氫電池組模塊的研發(fā)。電池組模塊下一時刻的最大充放電功率值直接關乎混合動力汽車啟動和爬坡性能,是其電池組模塊使用過程中的重要參數之一,如何準確地預測一直是相關研究人員關注并投入大量精力研究的課題。

1 電池功率預測

文中鎳氫電池組模塊是由120 個單體鎳氫電池串聯(lián)組成,每個單體鎳氫電池的上限電壓為1.6 V,下限電壓為0.8 V,額定電壓為1.2 V。文中所指的下一時刻是一個瞬時值,由于在本次實驗中是每隔10 ms 采集一次數據,因此下一時刻定為10 ms 后那一時刻。因此下一時刻最大充放電功率值,即是指從t=0 到t=10 ms 之間鎳氫電池組模塊所能吸收或釋放出的累計的最大的功率值。在汽車啟動和爬坡中,能預知其在10 ms 內電池所釋放出的最大功率值,是很有用的。

在大多數已經發(fā)表的有關預測鎳氫電池組模塊下一時刻最大充放電功率的文獻中,用傳統(tǒng)估計算法、復合脈沖法、基于SOC 法[1-2]居多,還未看到有選用人工神經網絡算法來預測鎳氫電池組模塊下一時刻最大充放電功率。

2 ANN 算法設計

2.1 ANN

文中采用人工神經網絡算法,該方法預測帶有較強的智能性,并具有很強的學習功能,在處理大量的不能用規(guī)則或公式描述的原始數據時表現出極大的靈活性和自適應性[3-4]。通過大量樣本的反復訓練,神經網絡能夠更好地學習和適應未知系統(tǒng)的動態(tài)特性,并將此特性隱含存儲在網絡內部的連接權中。結果證明,文中提出的ANN 算法能夠準確地預測混合動力汽車中鎳氫電池組模塊下一時刻最大充放電功率。

人工神經網絡算法是屬于基于歷史數據的預測方法。基于歷史數據的預測,是指根據歷史數據來預測功率的方法,也就是在鎳氫電池組模塊若干個歷史數據(包括功率、電壓、電流、溫度等)和目標值之間建立一種映射關系,方法包括人工神經網絡方法、卡爾曼濾波法、持續(xù)性算法、ARMA 算法、線性回歸模型、自適應模糊邏輯算法等。

2.2 ANN 樣本

神經網絡的性能與樣本的選取密切相關。文中在混合動力汽車多種行駛工況下,每隔10 ms 采集一次數據,得到混合動力汽車中鎳氫電池組模塊(由120 個單體鎳氫電池串聯(lián)組成)的實時電壓值、電流值、溫度值等基本參數。然后根據安時法得到SOC 值。

由于采集的數據之間存在一定的相似性,如直接提取訓練樣本則會包含很多冗余數據,所以先進行了初步整理:舍棄各種造成功率劇烈突變的不合理點,周期性或變化趨勢一致的數據也只選取一組。所有的樣本數據應該盡可能地相互獨立并且具有代表性,否則,隨著網絡輸入空間維數的增加,所需的網絡訓練樣本數將迅速增加,從而容易使網絡出現過擬合現象。系統(tǒng)的輸入輸出特性包含在數據樣本中,網絡的訓練時間也明顯與訓練數據量有關,因此數據量的選擇也需要注意。實驗在選擇樣本時,先用數據量多的樣本訓練網絡,后用數據量較少的樣本再訓練樣本,最后選取結果較好的一組樣本。

按照上述方法,文中總共選取了15 組樣本數據。隨機抽取N 組作為訓練樣本訓練網絡,其他15 ~N 組均可作為驗證樣本,用于驗證所得到網絡的預測正確性以及其泛化能力。N 的大小由訓練算法決定。

通過相應實驗可得到目標值與電壓的對應曲線、目標值與SOC 的對應曲線、目標值與溫度的對應曲線,形成所謂的匹配表,通過這個匹配表,也就是目標值與電壓、SOC、溫度的關系,可得到不同時刻、不同條件下的目標值。

匹配表原理如圖1 所示模塊。輸入為電壓、SOC、溫度三項,根據三項與目標值一一對應表得到各自對應的目標值,再在得到的3 個目標值中取最小的一個值作為最終目標值。為了避免因為電池參數測量誤差的原因導致電池功率出現大的波動,在查表得到電池功率后,再將其跟前一時刻的功率值比較,使其不能大于1。

2.3 ANN 結構

目前,在ANN 的實際應用中,絕大部分的神經網絡模型都是采用BP 神經網絡 (Back-Propagation Neural Network,BPNN)。研究表明,使用三層的BPNN 可以任意逼近實際函數f[5],因此文中也采用了最常用的三層BP 神經網絡。

神經網絡的輸入變量是否合適,變量數量是否恰當,都將直接影響神經網絡預測的準確性和計算量。這輸入變量的選取對于本次預測能否成功至關重要,在這步中需經過多種變量組合的實驗,得到各種有可能讓人想象不到的意外情況,也因此得到一個結論,對于特定的目標值,其輸入變量組合也是特定的那幾個。變量數量不可少也不可多,少了,算法無法收斂,最終無法得到結果,多了,算法就會過于冗長,增加無限計算量,最終也無法得到結果。這就需要經過大量實驗得到其所需的輸入變量組合。

對于功率(下一時刻最大充放電功率,簡稱為功率),因為與電壓和電流的乘積有關,輸入變量自然要有電壓和電流兩個量,這一點是毋庸置疑的。單把這兩個量作為輸入量,功率作為輸出量,最終得到的結果卻是無法收斂。所以就功率來講,只有電壓和電流作為輸入量是不夠的。因為當電壓、電流都相同時,功率是不盡相同的。又知當SOC 不同時,功率肯定也不同,根據SOC (剩余電荷量)的定義,SOC 對功率的影響應比電壓、電流對其的影響都大,故SOC 也必然作為一個輸入量。各輸入量、輸出量短期內(10 ms)是具有穩(wěn)定性和連續(xù)性的,那么短期內根據前一時刻的數據來預測后一時刻的數據是可行的。舉個例,根據研究,預測SOC 值可用人工神經網絡算法預測得到,輸入量為前一時刻(10 ms)的SOC 值、電流、電壓,輸入量為此時刻的SOC 值。輸入量就有前一時刻的目標值,而且實驗證明把前一時刻的目標值作為一輸入量是必不可少的,這也證明了之前提到的人工神經網絡算法是基于歷史數據的算法。就算其他輸入量都完全相同的情況下,前一時刻的目標值不一樣,結果也會不一樣。而且因為文中預測的目標值(下一時刻最大充放電功率:t=0 到t =10 ms 累加的吸收或釋放的最大的功率值)跟SOC 一樣,也是一個累加值,所以前一時刻(t=-10 ms 到t=0)的目標值不得不作為很重要的一個輸入量。實驗證明,算法很快就收斂了,為最終得到理想的結果提供了很大的幫助。溫度影響著電池內阻的大小等,也影響著電池能量的釋放、吸收,因此溫度也是必不可少的一個輸入量。

上述提到的ANN 的輸入量有電壓、電流、SOC、上一時刻目標值、溫度,但實驗證明全都作為輸入量,只會讓算法過于冗長,無限增加計算量,同樣得不到結果。經過筆者反復從這五個輸入量中提取三、四個輸入量組合實驗,得到結論:電壓、溫度、上一時刻目標值作為輸入量,能很好地得到預測結果,其算法收斂較快,預測誤差值在可控范圍內。

因此文中研究的重點即是確定混合動力汽車鎳氫電池組模塊的下一時刻(t=0 到t=10 ms)最大充放電功率與電壓、溫度以及上一時刻(t=-10 ms 到t=0)預測出的最大充放電功率之間的關系,這是對函數曲線的預測,同時也可以將此理解為一個三元函數。

神經元的傳遞函數都采用線性函數。在神經網絡的設計中,增加隱含層的神經元個數可以改善網絡與訓練組匹配的精確度,但是隱含層的神經元個數并不是越多越好。神經元個數太多會讓網絡記住包括噪聲在內的所有訓練數據,這會降低網絡的泛化能力。在文中實驗中,通過試湊法對比仿真結果后發(fā)現,神經網絡的隱含層采用10 個神經元就可以比較準確地描述輸入變量與輸出變量的曲線關系。

2.4 ANN 算法

在實驗中為了避免網絡的過度訓練,采用訓練和仿真交替進行的方式。即訓練樣本每訓練完一次網絡后,保持網絡的權值和闕值不變,再用驗證樣本數據作為網絡的輸入,正向運行網絡,檢驗輸出的平均誤差。由于在實驗時,使用前一刻的目標值輸出量作為下一時刻的輸入量,即Pt+1 =P't,t >1 且為整數,所以當繼續(xù)訓練不能減小網絡的輸出平均誤差時,我們就認為本輪網絡訓練結束。

當給一個訓練結束的BP 網絡提供新的記憶模式時,已有的連接權將被打亂,這導致已記憶的學習模式的信息消失,在重新訓練新網絡時需要加入原來的學習模式。因此,在增加訓練樣本時,原來的樣本也要保留。如果在加入新的訓練數據后,不能訓練得到比上一個網絡平均誤差還要小的網絡,就說明這個神經網絡已經接近穩(wěn)定,是實驗想要通過訓練得到的神經網絡。訓練數據組數N 由此決定。預先設置的訓練結束目標并不是越小越好,因為網絡存在過度訓練的問題。更新訓練總步數是指網絡在沒有收斂的時候進行下一輪訓練。實驗在本輪訓練結束后,還將判斷神經網絡預測的平均誤差是否比上一輪小,如果是就需要用相同的方法繼續(xù)訓練,直至不再減小為止,否則就增加樣本進行新的訓練。

3 結果分析

根據上面所設計的ANN 算法以及按上面方法所提取的樣本數據,在Matlab 中對其進行仿真。仿真結果如下。

3.1 ANN 輸入量組合實驗

一是輸入量數量少的情況,假使輸入量僅為電壓、電流,仿真如圖2 所示,藍色曲線為實際功率值,紅色曲線為通過人工神經網絡算法預測功率值的仿真結果,誤差越來越大,無法收斂。若取電壓、電流、SOC、溫度中任意兩項作為輸入量都會出現無法收斂,誤差很明顯的結果。

二是輸入量數量過多的情況,假使電壓、電流、SOC、溫度、前一刻目標值等均作為輸入量,結果是仿真很長時間都無法得到結果圖。輸入量數量過多,使計算量無限增加,導致無法得到結果。

經過輸入量組合實驗,當輸入量為電壓、溫度、前一時刻目標值三項時,可得到較理想的結果,并且仿真時間不會很長,大概在半小時到1 小時之間。如圖3 所示,紅色的仿真功率曲線與藍色的實際功率曲線較接近。

3.2 ANN 算法實驗

在上文中提到,由于使用前一刻的目標值輸出量作為下一時刻的輸入量,當給一個訓練結束的BP 網絡提供新的記憶模式時,已有的連接權將被打亂,這導致已記憶的學習模式的信息消失,在重新訓練新網絡時需要加入原來的學習模式。因此,在增加訓練樣本時,原來的樣本也要保留。

如圖4 是用一組樣本數據作為訓練數據,訓練人工神經網絡模型,再用其他數據進行驗證,其平均誤差為13.65%,誤差太大,需進一步優(yōu)化模型。如圖5 是按照之前算法所提到的,在基于圖4 的訓練數據上,再多加一組數據作為訓練數據,仿真結果得出,其平均誤差為10.67%。同理,如圖6 所示,在基于圖5 的訓練數據上,再多加一組數據,此時有三組數據(包括圖4 的數據、圖5 新添加的數據和圖6 新添加的數據)作為訓練數據,仿真結果得出,其平均誤差比圖5 更小,為7.42%。如圖7 所示,當再按照上面做法添加另一組數據作為訓練數據時,仿真結果得出,其平均誤差為7.39%,與圖6相差很小。若再添加訓練數據,誤差不會再縮小多少,但仿真時間會增加不少,還會存在過度訓練的問題。由此這個神經網絡已經趨于穩(wěn)定,訓練數據組數由此決定,為4 組。

3.3 ANN 驗證實驗

為了驗證文中人工神經網絡算法預測鎳氫電池最大充放電功率的可行性,必須引入現行估算鎳氫電池最大充放電功率的最為實際和可靠的方法對其預測的結果數據進行比較驗證分析。

可近似地認為,瞬時電流不變,放電時電池電壓降到下限電壓,充電時電池電壓升到上限電壓,那么鎳氫電池下一時刻最大功率值估算為電流與電壓與最大或最小工作電壓之差的乘積,將此作為驗證文中人工神經網絡算法預測鎳氫電池最大充放電功率可行性的依據。

下面是用人工神經網絡模型和電流電壓乘積估算方法來預測最大放電功率值的比較曲線,如圖8 所示。

圖8 中,藍色曲線為人工神經網絡模型預測功率曲線,紅色曲線為電流電壓乘積估計算法預測功率曲線,由圖可知兩種不同方法預測功率的效果比較接近,又由于用電流電壓乘積估計算法理論可靠,故與此對比的人工神經網絡模型預測功率也是比較可靠的,是具有一定的可行性的。

4 結論

為了在汽車運行過程中實時預測鎳氫電池下一時刻最大充放電功率值,同時保證預測的準確性和良好的自適應能力,文中設計了一種可用于預測功率的3 個輸入(電壓、溫度、前一時刻目標值)、10 個神經元、1 個輸出的人工神經網絡模型,并逐步選用1 組到4 組數據作為訓練數據進行訓練優(yōu)化過程。該神經網絡模型把電池上一時刻的功率狀態(tài)即Pt引入到神經網絡模型的預測中,從而考慮了Pt對預測Pt+1的影響,提高了神經網絡的自適應能力。在神經網絡的訓練過程中采用了比例共軛梯度算法,通過交替訓練仿真,不斷地修改網絡中各種連接的權重,最終形成固定的記憶模式用于對功率的預測。同時根據不同的神經網絡仿真誤差的比較避免網絡的過度訓練。仿真結果表明,本實驗建立的人工神經網絡模型預測混合汽車鎳氫電池最大充放電功率誤差在8%內,是比較可靠的,具有一定的可行性。

【1】Gregory L Plett. High-Performance Battery-Pack Power Estimation Using a Dynamic Cell Model[J]. IEEE Transactions on Vehicle-Technology(S0018-9545),2004,53(5):1586-1593.

【2】INEEL(Idaho National Engineering & Environmental Laboratory).Freedom CAR Battery Test Manual for Power-Assist HybridElectric Vehicles[Z]. DOE/ID-11069,2003,PDF version. USA:INEE-L.2003.

【3】Salkind A,Fennie C,Singh P,Atwater T,Reisner D. Determination of state-of-charge and state-of-health of batteries by fuzzy logic methodology[J]. Journal of Power Sources,1999,80(2):293-300.

【4】Shen Wenxue. State of available capacity estimation for lead-acidbatteries in electric vehicles using neural network[J].Energy Conversion and Management,2007,48(2):433-442.

【5】Zhang Hongmei,Deng Zhenglong.UKF-based attitude determination method for gyro less satellite[J].Journal of System Engineering and Electronics,2004,15(2):105-109.

猜你喜歡
輸入量目標值人工神經網絡
基于人工神經網絡的Ni-ZrO2納米鍍層耐腐蝕性能預測
蒙特卡洛法在發(fā)動機推力測量不確定度評估中的應用
AI講座:ML的分類方法
ML的迭代學習過程
電流互感器測量結果不確定度評定
輸入量與尿量比在深Ⅱ度燒傷患者休克預防性補液中的應用分析
人工神經網絡實現簡單字母的識別
基于人工神經網絡的優(yōu)化配置研究
挖掘“小專業(yè)”贏得大市場
基于人工神經網絡的經濟預測模型