黃 彬 ，張 偉 ，覃朝云

（1.國網(wǎng)冀北電力有限公司，北京 100053；2.國網(wǎng)冀北電力有限公司 秦皇島供電公司，秦皇島 066000）

變電站直流電源的蓄電池是目前直流供電的主要能源[1]，為了確保蓄電池組的良好性能并延長其使用壽命，有必要對電池組進行良好的控制和管理。鉛酸電池具有密封性高，維護簡單，使用壽命長，電池內(nèi)阻小，大電流放電特性好等優(yōu)點[2-4]。因此鉛酸電池在變電站直流系統(tǒng)中得到廣泛應用。

文獻[5]根據(jù)蓄電池電壓，電流和溫度等實時在線測量，對剩余電量SOC進行了在線和實時估算。SOC值直接反映了蓄電池組的狀態(tài)，通過每個蓄電池的不同SOC值來判斷蓄電池組中各個蓄電池之間的不同性能，并且根據(jù)不同的性能達到充電均衡的目的，其最終目的是延長電池壽命，限制最大放電電流并預測持續(xù)放電的時間，等。文獻[6]指出蓄電池SOC在線應用和實時估算方法有很大的改進空間。當估計誤差超過8%時，則不能滿足實際要求。因此，為了提高SOC在線和實時估計的準確性，需要對測量方法、電池模型和估計方法進行深入的研究。

文中在簡述傳統(tǒng)SOC估計方法的基礎(chǔ)上，分析了模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)勢，得到了自適應神經(jīng)模糊推理系統(tǒng)ANFIS模型，并介紹了它的結(jié)構(gòu)及其學習規(guī)則，用高斯函數(shù)作為激活函數(shù)，將電壓、電流和電池表面溫度作為模型輸入變量，SOC值作為輸出預測值。

1 傳統(tǒng)SOC估計方法

SOC作為剩余電量，表示額定容量中剩余容量所占的百分比，范圍為0～100%，即：

式中：Qn為電池總功率；Qt為t時刻的電池剩余容量。 式（1）可表示為

式中：Q0為電池的初始容量；ia（t）定義為從 0到時刻的電池容量變化量；ia（t）為使用電量過程中額定功率平均值。

傳統(tǒng)SOC評估方法主要有電流積分法[7]、開路電壓法[8]、OCV和SOC對應關(guān)系法[9]等。對于這些方法，可以從溫度改變率、充放電速率、充放電效率等方面加以改進，也可以利用模糊控制算法、神經(jīng)網(wǎng)絡(luò)算法、卡爾曼濾波算法、阻抗譜法和C.Ehret線性模型等方法進行改進。

由于蓄電池的高度非線性特性，使得傳統(tǒng)的SOC評估方法不能有效地反映出評估的準確性，如：電流積分法有誤差累積；開路電壓法不適用于脈動電流過程中的頻繁波動；模糊控制依賴于工程經(jīng)驗；神經(jīng)網(wǎng)絡(luò)依賴于樣本的選擇；卡爾曼濾波取決于精確的計算復雜度；阻抗譜法需要構(gòu)造附加額外的函數(shù)且增加了計算機復雜度；線性模型方法僅適用于低電流情況；等。

2 ANFIS定理與結(jié)構(gòu)

2.1 模糊邏輯與神經(jīng)網(wǎng)絡(luò)的結(jié)合

由于單一神經(jīng)網(wǎng)絡(luò)對蓄電池SOC預測是啟發(fā)式學習。因此，根據(jù)傳統(tǒng)規(guī)則表達啟發(fā)式學習并不利于訓練非線性數(shù)據(jù)集，且不可避免地增加網(wǎng)絡(luò)的訓練時間[10]。而單一模糊預測可以簡單地實現(xiàn)啟發(fā)式學習，但無法獲得準確的結(jié)果。由于其自學習能力和適應能力的較弱，則難以自動形成隸屬函數(shù)局部模糊的規(guī)則[11]。因此，模糊邏輯與神經(jīng)網(wǎng)絡(luò)的組合形式可以在任何條件下獲得精確值，同時也可以優(yōu)化估計過程，并可以利用神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的優(yōu)勢。

在模糊控制系統(tǒng)中，模糊推理主要是輸入與輸出的映射關(guān)系。以輸入作為前提，并結(jié)合非模糊原則控制輸出。由于神經(jīng)元可以映射任何函數(shù)關(guān)系，所以它可以用來實現(xiàn)模糊推理[12]。此外，神經(jīng)網(wǎng)絡(luò)也可以實現(xiàn)模糊性和非模糊性。因此神經(jīng)網(wǎng)絡(luò)可以代表所有的模糊控制，實現(xiàn)自適應神經(jīng)網(wǎng)絡(luò)模糊推理。它要求的計算和啟發(fā)式學習的數(shù)量相對獨立，且包含的錯誤輸入變量較少（因為可以在研究中自動排除），并且可以進行并行計算、分布式計算等。因此ANFIS可以用于變電站直流電源的蓄電池能源管理系統(tǒng)。

2.2 ANFIS構(gòu)造

ANFIS廣泛應用于建模、決策、信號處理和控制領(lǐng)域[13]。文中主要介紹ANFIS的結(jié)構(gòu)及其學習機制。

假設(shè)模糊神經(jīng)網(wǎng)絡(luò)具有2個輸入變量x和y，1個輸出量z。根據(jù)一階T-S模糊模型[14]，在此定義規(guī)則如下：

規(guī)則1對于 x∈A1，y∈B1，則：

規(guī)則2對于 x∈A2，y∈B2，則：

相應的等效ANFIS模型結(jié)構(gòu)如圖1所示。

圖1 等效ANFIS結(jié)構(gòu)Fig.1 Equivalent ANFIS structure

相同層的節(jié)點具有相同的函數(shù)：

第1層Ai和Bi為輸入變量模糊集，該層的節(jié)點激活函數(shù)代表模糊變量的隸屬函數(shù)，輸出表示模糊結(jié)果即隸屬度。其中，節(jié)點傳遞函數(shù)可表示為

通常使用高斯函數(shù)作為激活函數(shù)[15]。

第2層乘以模糊得到2個任意隸屬度，因此輸出表示模糊規(guī)則或自適應函數(shù)，即：

式中：wi為隸屬度權(quán)重。

第3層規(guī)范每個規(guī)則的應用程度，即：

第4層計算每個規(guī)則的結(jié)論，即：

第5層計算所有規(guī)則的輸出，則系統(tǒng)輸出為

式中：pi，qi和ri為對應的參數(shù)。通過算法訓練，ANFIS可以使它們在指定的目標上達到模糊建模的目的。

3 基于ANFIS的SOC估計

3.1 基于ANFIS的SOC估計模型

電池的SOC會受到環(huán)境溫度、初始電壓、蓄電池電阻、工作時間等許多因素的影響。在變電站直流電源供電運行過程中會遇到諸如冷、熱等各種問題，這些條件不可避免地影響著蓄電源的性能。理想的神經(jīng)網(wǎng)絡(luò)模型是輸入越全面，映射的輸出越好，且越接近實際情況。許多輸入數(shù)據(jù)依賴于各種儀器和傳感器來獲得。更多的輸入數(shù)據(jù)需要更多的計算量，在獲得滿意結(jié)果的前提下，較少的輸入將有利于結(jié)果，這不僅降低了處理問題的難度，而且降低了計算量。

文中有3個輸入變量，即電壓V，電流I和電池表面溫度T；唯一的預測輸出值是SOC值，如圖2所示。

圖2 自適應模糊神經(jīng)網(wǎng)絡(luò)預測SOC值模型Fig.2 Adaptive fuzzy neural network model for predicting SOC value

通過傳統(tǒng)方法從三維空間映射到一維空間很難實現(xiàn)。為解決這個問題，充分利用了魯棒性強、神經(jīng)網(wǎng)絡(luò)系統(tǒng)精度高等特點的模糊邏輯推理，并且所構(gòu)造的神經(jīng)網(wǎng)絡(luò)系統(tǒng)是3個輸入變量和1個輸出結(jié)果的簡單系統(tǒng)，這使得隱藏節(jié)點大大減少且易于實現(xiàn)。

3.2 基于ANFIS的SOC估計實現(xiàn)

3.2.1 收集數(shù)據(jù)、分析和創(chuàng)建數(shù)據(jù)集和測試數(shù)據(jù)集

在22～27℃的實驗室環(huán)境溫度下，在此使用GFM-200C型變電站直流電源的蓄電池進行持續(xù)放電試驗。不同的放電條件下的電流-電壓測量結(jié)果如圖3所示。

圖3 不同的放電條件下的電流-電壓測量Fig.3 Measurement of current-voltage under different discharge conditions

如圖所示，測試電流越大則測試電壓的下降趨勢越快。

3.2.2 確定ANFIS網(wǎng)絡(luò)結(jié)構(gòu)

為了利用MatLab模糊工具箱對采集到的數(shù)據(jù)進行仿真，在此選擇ANFIS自帶的genfisl函數(shù)進行計算。通過網(wǎng)格劃分的方式給定數(shù)據(jù)集并生成模糊推理系統(tǒng)。通過genfisl函數(shù)生成的模糊推理系統(tǒng)輸出隸屬函數(shù)曲線，可以確保覆蓋整個輸入和輸出空間的均勻劃分，并且定義其輸入和輸出隸屬函數(shù)的類型和數(shù)量。

將不同的電壓、電流、SOC和關(guān)于時間序列的放電率作為試驗所用的訓練數(shù)據(jù)和測試數(shù)據(jù)，并且將序列中的奇數(shù)項目作為訓練數(shù)據(jù)，偶數(shù)項目作為測試數(shù)據(jù)。

3.2.3 確定輸入和輸出隸屬函數(shù)的類型

通常ANFIS可以提供8個可變參數(shù)的函數(shù)類型。文中選擇高斯隸屬函數(shù)（Gaussmf）[16]作為輸入和輸出的隸屬函數(shù)。由于ANFIS是Sugeno型模糊系統(tǒng)，因此具有2個輸出變量隸屬函數(shù)，即常數(shù)項和線性函數(shù)。

3.2.4 劃分輸入變量空間

對收集的數(shù)據(jù)進行排序，以獲得最小和最大輸入變量。最后為每個輸入變量建立3個模糊集，對應生成高、中、低隸屬函數(shù)結(jié)果，輸入空間對應于隸屬乘積的輸出變量，對應的輸出值在0和1之間。

4 試驗分析

BP算法的本質(zhì)是求解誤差函數(shù)的最小問題，利用最速下降法[17]進行非線性規(guī)劃，根據(jù)負梯度方向的誤差函數(shù)來修正權(quán)重，因此存在訓練效率低，收斂速度慢，易陷入局部最小狀態(tài)，網(wǎng)絡(luò)泛化能力相對較差等問題。在此利用BP神經(jīng)網(wǎng)絡(luò)與ANFIS模型比較電池剩余容量。

圖4給出了20 A和40 A恒定電流放電過程中SOC預測值與實際值之間的比較。

圖4 20A和40A恒定電流放電SOC預測值與實際值的比較Fig.4 Comparison of SOC predicted value and actual value of 20 A and 40 A constant current discharge

在試驗條件下，將SOC的預測值與實際值進行比較，可以將大部分相對誤差控制在5%以內(nèi)；ANFIS模型的預測效果更好，誤差可控制在3%以內(nèi)，不僅滿足工業(yè)應用的要求，而且適用于實際的預測研究。從訓練步驟和訓練時間來看，ANFIS模型預測SOC更加有效，是實時預測的理想選擇。

5 結(jié)語

文中在分析傳統(tǒng)變電站直流電源蓄電池剩余電量估算方法的基礎(chǔ)上，提出了一種通用性強、適應性強和精度高的蓄電池剩余容量模型。通過分析電池的充放電過程，確定SOC的關(guān)鍵參數(shù)，并在MatLab平臺上對試驗模型進行了修正。通過試驗仿真比較，表明ANFIS具有較強的自適應能力和泛化能力，該方法將SOC估計誤差降低到3%以下，可用于混合動力汽車智能監(jiān)控系統(tǒng)。