基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)蓄電池壽命預(yù)測研究?

吳海洋 繆巍巍 郭 波 呂順利 吳 昊 滕欣元

（1.國網(wǎng)江蘇省電力公司 南京 210000）（2.南瑞集團（國網(wǎng)電力科學(xué)研究院） 南京 210000）（3.國網(wǎng)青海省電力有限公司信息通信分公司 西寧 810000）（4.長沙理工大學(xué) 長沙 410000）

1 引言

設(shè)備供電不可避免存在不可用或電壓不穩(wěn)等問題，為保證用電設(shè)備及其上承載業(yè)務(wù)的可靠運行，一般對重要用電設(shè)備均會配備蓄電池。但目前蓄電池管理主要依靠充放電實驗和外觀觀察等技術(shù)手段，進(jìn)行周期性檢修，在蓄電池數(shù)量較多時，無法有效兼顧。蓄電池的運維需要有效的壽命預(yù)測來指導(dǎo)實現(xiàn)狀態(tài)檢修，化被動運維為主動運維。如何以科學(xué)、有效、實用的方式管理維護電力通信傳輸設(shè)備及蓄電池，成為通信管理部門的重大研究課題［1～6］。

目前，蓄電池壽命預(yù)測模型主要有以下幾種研究方法。采用神經(jīng)網(wǎng)絡(luò)模型對電池剩余電量進(jìn)行預(yù)測，初步滿足了生產(chǎn)環(huán)境的需要［7～9］。采用支持向量機的方法建立電池壽命預(yù)測模型，提升蓄電池預(yù)測的準(zhǔn)確度［10］。采用灰色系統(tǒng)理論，實現(xiàn)小數(shù)據(jù)量下蓄電池的壽命預(yù)測［11～12］。應(yīng)用RC模型做蓄電池的SOC預(yù)測，預(yù)測結(jié)果可以有效管理和維護蓄電池的運行［1，13～15］。這些預(yù)測方法主要是基于電池本身的運行時參數(shù)，忽視了電池型號和外部環(huán)境對電池運行的外部影響因素。

電力系統(tǒng)中蓄電池運行環(huán)境良好，較少發(fā)生外力破壞等嚴(yán)苛問題，影響蓄電池壽命的主要因素在于型號和運行溫度。本文基于電力系統(tǒng)中不同型號、不同溫度蓄電池實際運行數(shù)據(jù)進(jìn)行了壽命預(yù)測，通過建立蓄電池壽命預(yù)測模型指標(biāo)體系和基于遺傳算法的神經(jīng)網(wǎng)絡(luò)算法，實現(xiàn)了一種新的蓄電池壽命預(yù)測模型，分析了蓄電池運行溫度和電池型號對蓄電池壽命的影響。預(yù)測結(jié)果可以很好地指導(dǎo)基站蓄電池運維檢修與監(jiān)控，有效地保證了用電設(shè)備的可靠運行。

2 神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其改進(jìn)

2.1 神經(jīng)網(wǎng)絡(luò)預(yù)測

蓄電池壽命預(yù)測可等價于數(shù)據(jù)回歸分析問題。神經(jīng)網(wǎng)絡(luò)是回歸分析領(lǐng)域的經(jīng)典模型，它具有很強的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系。由于壽命預(yù)測需要考量蓄電池相關(guān)的多維指標(biāo)數(shù)據(jù)，各維數(shù)據(jù)間關(guān)聯(lián)性不確定，因此適合神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)模型通常采用BP（error BackPropagation，誤差反向傳播）算法求解，其步驟如下:輸入訓(xùn)練樣本，包括樣本輸入X和期望輸出Y。兩層權(quán)值分別為wij和wjk，隱含層規(guī)定的閾值a，輸出層規(guī)定的閾值b。輸入層的神經(jīng)元數(shù)n，輸出層節(jié)點數(shù)m，確定隱含層節(jié)點數(shù)l，通常根據(jù)如下公式取得或根據(jù)經(jīng)驗和實驗確定。1≤d≤10 其中，i=1，2，…，n，j=1，2，…，l，k=1，2，…，m。

1）網(wǎng)絡(luò)初始化。為連接權(quán)值wij、wjk及閾值a、b賦予［－1，+1］區(qū)間的隨機值。

2）隱含層和輸出層輸出計算。連接各層的權(quán)值和閾值，由輸入層輸入信號計算隱含層Hj，再由隱含層計算輸出層

3）誤差計算及權(quán)值、閾值的調(diào)整。根據(jù)預(yù)測輸出Ok和期望輸出Y計算預(yù)測誤差ek，并不斷調(diào)整初始設(shè)定的權(quán)值和閾值。

2.2 基于遺傳算法的神經(jīng)網(wǎng)絡(luò)預(yù)測

神經(jīng)網(wǎng)絡(luò)模型存在容易陷入誤差函數(shù)的局部極值點、初始連接權(quán)重和閾值對結(jié)果影響大等問題。遺傳算法是一種基于生物機制的全局搜索優(yōu)化算法。本文將這兩者有機結(jié)合起來，利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值，再利用BP算法找到其最優(yōu)解。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的步驟如下:

1）種群初始化。對于一個具N個輸入層L個隱含層和M個輸出層的3層BP神經(jīng)網(wǎng)絡(luò)而言，染色體的長度S=(N+1).L+(L+1).M。

2）適應(yīng)度函數(shù)。將預(yù)測樣本的預(yù)測值與期望值的誤差矩陣的范數(shù)作為目標(biāo)函數(shù)的輸出，即，適應(yīng)度函數(shù)采用排序的適應(yīng)度函數(shù)。

3）選擇、交叉與變異。采用隨機遍歷抽樣的方式進(jìn)行選擇操作；交叉算子采用單點交叉算子，隨機方法選出發(fā)生變異的基因。

4）重復(fù)2）和3），直到達(dá)到進(jìn)化代數(shù)或者滿足誤差要求。

通過遺傳算法優(yōu)化過的神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閥值作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。在此基礎(chǔ)上進(jìn)行標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

3 蓄電池壽命預(yù)測實驗及應(yīng)用

3.1 指標(biāo)體系的構(gòu)建

本文考慮型號、環(huán)境溫度、投運時長作為指標(biāo)，預(yù)測在品牌型號、環(huán)境溫度和投運時長給定的情況下，蓄電池的剩余容量值。如表1所示。

表1 指標(biāo)體系表

3.2 數(shù)據(jù)來源和預(yù)處理

本文數(shù)據(jù)來源于某省電力公司（包括省市公司和變電站）充放電實驗數(shù)據(jù)集。從中選擇型號、環(huán)境溫度、投運時長和剩余容量作為指標(biāo)進(jìn)行蓄電池壽命預(yù)測研究。

為了構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，本文做了如下預(yù)處理工作。

1）在神經(jīng)網(wǎng)絡(luò)模型里，分類數(shù)據(jù)首先需要預(yù)處理。假設(shè)分類數(shù)據(jù)包括A類和B類兩種，首先應(yīng)將指標(biāo)轉(zhuǎn)換為0-1型的兩個指標(biāo)類A和類B，兩個指標(biāo)對應(yīng)的值分別為0或1。為表示A類，則指標(biāo)類A對應(yīng)的值為1且指標(biāo)類B對應(yīng)的值為0。為表示B類，同理可得。

2）在蓄電池數(shù)據(jù)中型號類目繁多，部分型號數(shù)據(jù)量較少且投運時間單一，無法對模型產(chǎn)生貢獻(xiàn)，相反可能會影響模型的準(zhǔn)確性，因此清洗了品牌數(shù)據(jù)中的投運時間單一且數(shù)據(jù)量小的值。最后選擇了9個主要品牌作為研究的數(shù)據(jù)集。

3）環(huán)境溫度是數(shù)值數(shù)據(jù)，但運維需要了解的是環(huán)境溫度范圍下蓄電池的壽命情況，因此將環(huán)境溫度劃分成若干環(huán)境溫度范圍的分類數(shù)據(jù)。

3.3 實驗方案與預(yù)測結(jié)果

從3515條數(shù)據(jù)集隨機選擇2500條數(shù)據(jù)作為訓(xùn)練集，其余1015條作為測試集，分別使用BP算法和基于遺傳算法的BP算法建立預(yù)測模型，通過品牌、環(huán)境溫度和投運時長預(yù)測剩余容量。準(zhǔn)確度計算公式如式（1）和式（2）:

剩余容量預(yù)測結(jié)果如圖1所示，BP神經(jīng)網(wǎng)絡(luò)算法的準(zhǔn)確度為87.1%，而基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法準(zhǔn)確度為92.3%。改進(jìn)后的神經(jīng)網(wǎng)絡(luò)算法由于改進(jìn)了搜索空間，比原始的神經(jīng)網(wǎng)絡(luò)算法更接近真實值。

圖1 剩余容量預(yù)測圖

3.4 蓄電池壽命預(yù)測應(yīng)用

通過本文的預(yù)測模型可以得出各品牌在不同溫度范圍內(nèi)剩余容量的下降曲線。實際運行中可以據(jù)此預(yù)測出蓄電池需要更換的時間，并對偏離正常曲線范圍的蓄電池剩余容量進(jìn)行預(yù)警，從而指導(dǎo)用戶進(jìn)行蓄電池運行管理和維護工作。各品牌在不同溫度范圍內(nèi)剩余容量的下降曲線如圖2和圖3所示。因根據(jù)相關(guān)管理規(guī)范，當(dāng)電池剩余容量下降到80%以下或在運7年以上時，為避免影響業(yè)務(wù)可靠運行需進(jìn)行更換，圖中當(dāng)剩余容量小于80%或投運時長大于7年時不再計算。

圖2 給定品牌和溫度（12°～21°）下剩余容量曲線圖

圖3 給定品牌和溫度（21°～30°）下剩余容量曲線圖

從圖2和圖3可見，蓄電池剩余容量整體呈現(xiàn)下降趨勢，下降速度隨投運時長增大而變緩。同一品牌蓄電池在不同溫度情況下剩余容量下降趨勢不一樣，在18°～21°范圍運行的蓄電池剩余容量下降更慢，表明該溫度段更有利于蓄電池壽命的延長；在同一溫度下，各型號蓄電池的剩余容量會有一定差別，隨著投運時長增大這種差異幾乎消失，表明主流蓄電池的品牌差異并不大，只要滿足技術(shù)參數(shù)要求，其壽命基本一致。

4 結(jié)語

本文利用電網(wǎng)蓄電池的充放電數(shù)據(jù)，構(gòu)建了一種遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，相比原始算法準(zhǔn)確率提升了5.97%。模型能夠估算不同型號、不同溫度范圍內(nèi)的蓄電池的剩余容量，實現(xiàn)了蓄電池運行狀態(tài)監(jiān)測及壽命預(yù)測，為通信蓄電池系統(tǒng)的安全運行監(jiān)控、健康狀態(tài)管理提供有效支撐。