• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于RBF神經網絡的電池電解液密度預測

      2016-08-11 04:00:26杜靈根王百杰
      船電技術 2016年7期
      關鍵詞:訓練樣本電解液神經網絡

      杜靈根,彭 澎,王百杰

      (武漢船用電力推進裝置研究所,武漢 430064)

      基于RBF神經網絡的電池電解液密度預測

      杜靈根,彭 澎,王百杰

      (武漢船用電力推進裝置研究所,武漢 430064)

      為了對電池電解液密度進行預測,建立了RBF神經網絡模型,用電池放電試驗數(shù)據對其進行了訓練和檢驗。利用訓練后的神經網絡模型進行了電池電解液密度的預測,預測值與實測值的最大誤差值為0.022g/cm3,均方根誤差值為0.004 g/cm3左右。結果表明,RBF神經網絡方法可以滿足預測精度要求,從而可用于建立電池剩余電量實時監(jiān)測系統(tǒng),降低電池維護工作量并延長電池的使用壽命。

      電池 RBF神經網絡 徑向基函數(shù) 電解液密度 SOC

      0 引言

      電池在應用過程中,需要準確測量或預測電池的剩余電量,及時為電池充電,以避免使用過程中電量不足,或電池的過放電行為加速電池的老化,降低其使用壽命。

      目前常用的評估鉛酸蓄電池剩余電量的方法有密度法、開路電壓法、放電試驗法、負載電壓法、內阻法、安時積分法等[1]。其中,密度法利用密度計測量電池電解液密度來推算電池的放電程度,該方法適用于有加液孔蓋的鉛酸蓄電池,但是對密封式鉛酸蓄電池并不適用。同時,密度法需人工巡檢,不能實現(xiàn)對電池剩余電量的即時監(jiān)控,不利于電池的維護工作。其它方法也普遍存在著各自的缺點及監(jiān)測精度不高等問題。

      本文針對密度法評估鉛酸蓄電池剩余電量的不足,借助于神經網絡對非線性問題良好的自學習能力、逼近能力和泛化能力,采用了RBF神經網絡(Radial Basis Function Neural Network,徑向基函數(shù)神經網絡)方法建立了電池電解液密度預測網絡模型,使用電池放電試驗數(shù)據對所建立的網絡模型進行訓練,得到了預測精度較高的神經網絡,并利用網絡預測的電池電解液密度進行電池剩余電量的推算。

      1 RBF神經網絡的主要原理

      RBF神經網絡是一種典型的局部逼近網絡,由Moody和Darken于20世紀80年代末提出。與常用的反向傳播網絡(Back Propagation,BP)相比,RBF神經網絡具有更好的逼近能力、收斂性和學習速率,且不會陷入局部極小值點而無法得到最優(yōu)解。同時,RBF神經網絡通過逐個增加隱層神經元數(shù)的方式進行網絡訓練,因此不需要像BP神經網絡那樣事先確定隱含層節(jié)點個數(shù),更容易得到最優(yōu)的網絡結構。

      RBF神經網絡由三層組成,輸入層用于傳遞輸入信號到隱含層,隱含層節(jié)點由像高斯函數(shù)那樣的輻射狀函數(shù)構成,用于將輸入信號進行非線性變換并作為隱空間的輸出。輸出層節(jié)點為簡單的線性函數(shù)。在隱層節(jié)點足夠多的情況下,經充分學習,可以任意精度逼近任何非線性函數(shù)[2]。圖1所示為典型的徑向基神經網絡結構圖。

      隱層的基函數(shù)采用高斯函數(shù),設輸入為 x,徑向基函數(shù)向量為h=[h1,h2,…,hm],hj為高斯基函數(shù),即:

      式中,x是n維輸入向量;cj是第j個基函數(shù)的中心矢量,是與x具有相同維數(shù)的向量,為高斯函數(shù)的標準化常數(shù),表示高斯核函數(shù)圍繞中心點的寬度;m是隱層節(jié)點的個數(shù);為輸入向量x距離第j個隱層節(jié)點的徑向基函數(shù)的中心向量的歐幾里得范數(shù),為輸入層節(jié)點的數(shù)目。

      輸出層的輸出結果為:

      式中,x為輸入向量;wj為隱層節(jié)點到輸出節(jié)點的權值。

      RBF神經網絡的學習過程分為兩個階段。第一個階段是對所有的輸入樣本進行聚類分析,計算出隱含層各節(jié)點的高斯函數(shù)中心矢量cj和標準化常數(shù)σj;第二階段是在確定隱含層參數(shù)后,根據樣本,利用最小二乘法,求出隱含層到輸出層的權值wj。然后再根據樣本數(shù)據對隱含層參數(shù)和權值進行校正,以進一步提高網絡的逼近精度[3]。

      2 樣本數(shù)據獲取及預處理

      對某型鉛酸蓄電池進行了多時率、全壽命周期的充放電試驗,測量數(shù)據包括端電壓、放電電流、電解液溫度、放電時間積累、充放電周期和電解液密度,建立了電池充放電試驗數(shù)據庫,利用試驗測得的數(shù)據作為樣本數(shù)據對 RBF神經網絡模型進行訓練和測試。

      數(shù)據的預處理包括訓練樣本和測試樣本的分配、輸入數(shù)據的歸一化處理兩部分。

      2.1 訓練樣本及測試樣本分配

      訓練樣本用于對神經網絡進行訓練,根據仿真數(shù)值和實測值的誤差對神經網絡隱含層的參數(shù)和權值進行修正。從總樣本數(shù)據中抽取不少于10%的數(shù)據作為測試樣本,對神經網絡的訓練情況進行測試。如測試樣本的仿真數(shù)值與實測值的誤差值接近訓練樣本的誤差值,表示網絡具有良好的泛化能力,得到了良好的訓練。

      該型電池的充放電試驗共獲得 7643組放電試驗數(shù)據,將其中隨機抽取10%用作測試樣本數(shù)據,其它數(shù)據用作訓練樣本數(shù)據。采用每10條數(shù)據抽取一條作為測試樣本,剩余數(shù)據作為訓練樣本的方法,利用自主開發(fā)的VB程序進行了訓練樣本和測試樣本的分配,最終得到的訓練樣本數(shù)據共計6879條,測試樣本數(shù)據共計764條。也可以采用MATLAB程序編程的方法實現(xiàn)訓練樣本和測試樣本的分配。

      2.2 數(shù)據歸一化處理

      由于輸入數(shù)據具有不同的量綱和量級,因此需對其進行歸一化處理,以避免部分輸入項因為數(shù)據范圍過小而出現(xiàn)數(shù)值屏蔽現(xiàn)象,無法正確體現(xiàn)該輸入項對輸出結果的影響。同時,為提高訓練速度和靈敏性以及有效避開徑向基函數(shù)的飽和區(qū),也需要對數(shù)據進行歸一化處理。

      采用公式(3)對輸入數(shù)據進行了歸一化處理,經過歸一化處理后的數(shù)據集中在[0,1]區(qū)間內:

      式中,x'為經過歸一化處理之后的數(shù)據,x為初始數(shù)據,min和max分別為初始數(shù)據的最小值和最大值。

      3 RBF神經網絡建模及仿真

      利用MATLAB神經網絡工具箱建立RBF神經網絡模型。采用新建徑向基函數(shù)神經網絡函數(shù)newrb,設置目標均方誤差值為1.6e-5,神經元的擴展常數(shù)為spread=0.7,RBF神經網絡通過逐個添加神經元個數(shù)的方式進行神經網絡建模,直至仿真誤差達到設定的均方誤差為止。

      最終建立的神經網絡共包含269個隱層神經元,神經網絡收斂曲線如圖2所示:

      本文使用均方根誤差(Root Mean Square Error,RMSE)對模型的預測精度進行評估,RMSE定義為[4]:

      式中,f(xi)為RBF神經網絡預測值,yi為實測值,n為樣本數(shù)據的個數(shù)。

      最終訓練完成的 RBF神經網絡模型對訓練樣本和測試樣本數(shù)據的仿真誤差RMSE值分別為0.0040 g/cm3和0.0039 g/cm3,神經網絡預測值與實測值的最大偏差為 0.022g/cm3。測試樣本數(shù)據的神經網絡預測值與實測值的偏差值分布如圖 3所示。仿真結果表明,測試樣本仿真誤差略小于訓練樣本的仿真誤差,說明RBF網絡模型得到了良好的訓練,且具有較高的預測精度。

      圖3中偏差較大的數(shù)據點對應的放電電流較高,偏差在±0.001 g/cm3以內的數(shù)據點對應的放電電流值均較低,表明放電電流對電解液密度預測的影響較大,小電流放電時可以得到精確度更高的預測結果。

      考慮到在電池實際使用時放電過程是一個時變、非線性系統(tǒng),此時的放電時間積累項是一個沒有意義的參數(shù)項,因此通過壓減該輸入變量來精簡神經網絡的結構,降低其計算量,同時也使神經網絡建模過程更接近實際工況。新建立的RBF神經網絡訓練經過295周迭代后達到收斂,最終訓練完成的神經網絡模型對訓練樣本和測試樣本數(shù)據的仿真誤差 RMSE值分別為 0.0051 g/cm3和0.0047 g/cm3。表明放電時間積累項對電池電解液密度預測的影響較小,可以在滿足預測精度的情況下去除該輸入項,以精簡神經網絡的結構并降低計算量。

      4 結論

      本文采用 RBF神經網絡方法對電池電解液密度預測進行了研究,預測值與實測值的均方根誤差在 0.004 g/cm3左右,表明在訓練樣本足夠大、樣本質量夠高的情況下,RBF神經網絡方法可以得到精度較高的預測結果。驗證了RBF神經網絡方法用于電池電解液密度預測的可行性,可以用于電池管理系統(tǒng)中,以替代人工測量電池電解液密度的傳統(tǒng)電池維護方式。

      [1]岳仁超.電池管理系統(tǒng)的研究[D].北京:北京交通大學, 2010.

      [2]米林,趙孟娜,秦甲磊等.基于徑向基函數(shù)神經網絡的電動汽車動力電池 SOC模型[J].重慶理工大學學報(自然科學),2011,25(10):1-5.

      [3]吳俊利,徐巖.基于 RBF神經網絡的太陽能電站VRLA蓄電池容量預測方法[J].華北電力大學學報,2010,37(4):35-38.

      [4]雷肖,陳清泉,劉開培等.電動車電池SOC估計的徑向基函數(shù)神經網絡方法[J].電工技術學報,2008,23 (5):81-87.

      Prediction of the Density of Batteries Electrolyte Based on RBF Neural Network

      Du Linggen, Peng Peng,Wang Baijie
      (Wuhan institute of Marine Electric Propulsion, Wuhan 430064, hina)

      RBF neural network is built to forecast the density of batteries electrolyte. The neural network is trained and tested by data of discharging test, and the trained neural network model is used to forecast the density of batteries electrolyte. Maximal error between prediction value and measurement value is 0.022g/cm3, and root mean square error is about 0.004 g/cm3,which verify that the RBF nural network method can meet the demand of the density of battery electrolyte forecast, they are used to establish the observation system of the density of batteries electrolyte, as well as to decrease the workload of batteries maintenance and extend the useful life of the battery.

      battery; RBF neural network; radial basis function; density of electrolyte; SOC

      TP183

      A

      1003-4862(2016)07-0070-03

      2016-03-12

      杜靈根(1984-),男,河南南陽人,碩士,工程師。研究方向:化學電源。

      猜你喜歡
      訓練樣本電解液神經網絡
      人工智能
      神經網絡抑制無線通信干擾探究
      電子制作(2019年19期)2019-11-23 08:42:00
      平行流銅電解液凈化一次脫銅生產實踐
      山東冶金(2019年5期)2019-11-16 09:09:12
      寬帶光譜成像系統(tǒng)最優(yōu)訓練樣本選擇方法研究
      融合原始樣本和虛擬樣本的人臉識別算法
      電視技術(2016年9期)2016-10-17 09:13:41
      基于稀疏重構的機載雷達訓練樣本挑選方法
      基于神經網絡的拉矯機控制模型建立
      重型機械(2016年1期)2016-03-01 03:42:04
      用高純V2O5制備釩電池電解液的工藝研究
      電源技術(2016年2期)2016-02-27 09:04:59
      硫酸鋅電解液中二(2-乙基己基)磷酸酯的測定
      復數(shù)神經網絡在基于WiFi的室內LBS應用
      玉树县| 嵩明县| 永吉县| 齐河县| 万安县| 博客| 平谷区| 隆子县| 深水埗区| 布尔津县| 泾源县| 夹江县| 磐石市| 同心县| 丰顺县| 池州市| 农安县| 阜康市| 栖霞市| 光泽县| 海安县| 香河县| 墨玉县| 宝兴县| 什邡市| 长武县| 临泽县| 如皋市| 吴江市| 益阳市| 得荣县| 镇原县| 荣成市| 叶城县| 黄大仙区| 嘉荫县| 庆阳市| 泌阳县| 庐江县| 龙川县| 内丘县|