基于人群搜索的極限學(xué)習(xí)機(jī)荷電狀態(tài)估計(jì)

姜長(zhǎng)泓， 王 闖

(長(zhǎng)春工業(yè)大學(xué) 電氣與電子工程學(xué)院， 吉林 長(zhǎng)春 130012)

基于人群搜索的極限學(xué)習(xí)機(jī)荷電狀態(tài)估計(jì)

姜長(zhǎng)泓， 王 闖

(長(zhǎng)春工業(yè)大學(xué) 電氣與電子工程學(xué)院， 吉林 長(zhǎng)春 130012)

以電池組的電壓、充放電電流作為輸入變量，SOC作為輸出變量。在建模過程中，用人群搜索算法來優(yōu)化隨機(jī)給定的極限學(xué)習(xí)機(jī)的輸入權(quán)值矩陣和偏差。

荷電狀態(tài)； 極限學(xué)習(xí)機(jī)； 人群搜索算法； 預(yù)測(cè)

0 引 言

電池的荷電狀態(tài)(SOC)是電池的一個(gè)重要參數(shù)，反映了電池的使用情況。在電池的管理系統(tǒng)中，SOC的估算占有很重要的地位。準(zhǔn)確的估算SOC可以提高電動(dòng)車運(yùn)行的可靠性和安全性。但是電動(dòng)汽車在實(shí)際運(yùn)行過程中，電流隨工況不同而隨之波動(dòng)，電池組的溫度也隨之有升高的趨勢(shì)，從而影響電池的性能。因此采取有效方法可靠的估計(jì)SOC尤為重要，這也是電池管理系統(tǒng)研究的重點(diǎn)之一。根據(jù)Peukert經(jīng)驗(yàn)方程Int=k可知，當(dāng)放電電流I為恒流時(shí)，放電電量Q=I1-nk，其中,k為電池型號(hào)類別的常數(shù)、t為放電時(shí)間。而SOC與放電電量有關(guān)，可以看出SOC與電流具有一定的非線性關(guān)系。又根據(jù)G.L.Plett提出的電池簡(jiǎn)化模型可知，SOC與電池電壓具有一定的非線性關(guān)系?？紤]到電池模型的非線性特性，文中采用神經(jīng)網(wǎng)絡(luò)來研究非線性特性。

文中采用人群搜索的極限學(xué)習(xí)機(jī)預(yù)測(cè)方法,結(jié)合了人群搜索算法收斂精度高、收斂迅速和極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度快、誤差小的優(yōu)點(diǎn)[1]。使得SOC的估算和預(yù)測(cè)速度有所提高，具有較高的預(yù)測(cè)和估算精度。

1 極限學(xué)習(xí)機(jī)(ELM)

極限學(xué)習(xí)機(jī)是一種新型的前饋神經(jīng)網(wǎng)絡(luò)[2-3]學(xué)習(xí)算法。對(duì)于一個(gè)單隱層的神經(jīng)網(wǎng)絡(luò)，假設(shè)n個(gè)任意的樣本(Xi，Yi)，Xi=[Xi1,Xi2,…,Xin]T∈Rn,Yi=[Yi1,Yi2,…,Yim]T∈Rm,對(duì)一個(gè)具有L個(gè)隱含節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)而言，激勵(lì)函數(shù)為g(x),輸出可以表示為：

如果這個(gè)具有L個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能以零誤差逼近這n個(gè)樣本，則存在ai，bi，βi使得fL(X)=Yi,i=1,2,…,L。當(dāng)輸入權(quán)值矩陣和偏差隨機(jī)給定時(shí)，隱含層矩陣就會(huì)確定,從而可以計(jì)算得出輸出權(quán)值矩陣。

2 人群搜索的極限學(xué)習(xí)機(jī)(SOA-ELM)

由于ELM隨機(jī)給定輸入權(quán)值矩陣和偏差，而隱含層輸出權(quán)值矩陣是由輸入權(quán)值矩陣和偏差計(jì)算得出。當(dāng)輸入權(quán)值矩陣和偏差都為零時(shí)，此時(shí)隱含層節(jié)點(diǎn)是無效的。因此在實(shí)際中需要大量隱含節(jié)點(diǎn)才能滿足精度[4]。SOAELM結(jié)合了SOA和ELM的優(yōu)點(diǎn)。由SOA優(yōu)化選擇ELM的輸入權(quán)值矩陣和偏差，從而得到一個(gè)優(yōu)化的網(wǎng)絡(luò)。SOA是一種群智能算法[5]，該算法種群的個(gè)體是由輸入權(quán)值矩陣和隱含層偏差構(gòu)成，粒子長(zhǎng)度D=k·(n+1)，其中k是隱含層節(jié)點(diǎn)數(shù)，n為輸入神經(jīng)元數(shù)，用D表示SOA的搜索空間維數(shù)。

2.1 搜索步長(zhǎng)的確定

SOA模擬人智能搜索行為，建立目標(biāo)函數(shù)與步長(zhǎng)的關(guān)系[6]。采用高斯隸屬函數(shù)表示搜索步長(zhǎng)模糊變量：

當(dāng)輸入變量超出[μ-3δ,μ+3δ]時(shí)，隸屬度u(μ-3δ)<0.011 1，故umin=0.011 1。采用線性隸屬度時(shí)，在最佳位置有最大隸屬度umax=1.0，最差位置有最小隸屬度。當(dāng)隸屬度在[umin,umax]時(shí)，隸屬度則有：

根據(jù)下式可以算出步長(zhǎng)：

其中：

2.2 確定搜索方向

根據(jù)人群搜索的利己、利他和預(yù)動(dòng)行為進(jìn)行分析，分別得到第i個(gè)搜尋個(gè)體的利己方向di,ego、利他方向di,alt和預(yù)動(dòng)方向di,pro。

考慮到搜索種群個(gè)體的差異，采用3個(gè)方向加權(quán)平均確定搜索方向：

2.3 搜尋者個(gè)體位置更新

根據(jù)搜索方向和步長(zhǎng)進(jìn)行位置更新。

通過上述幾步反復(fù)運(yùn)用直到得到最優(yōu)的輸入權(quán)值矩陣和偏差，然后將它們代入公式計(jì)算得出輸出權(quán)值矩陣。

3 驗(yàn)證仿真和分析

文中將容量為100 A·h的磷酸鐵鋰動(dòng)力電池組作為研究對(duì)象。電池組共24塊單體電池。先常溫下以0.4 C恒流充電至84 V,然后恒壓充電至電流降到0.02 C為止。分別采用0.2、0.3、0.4 C的恒流放電。為了防止過放，當(dāng)某一塊電池達(dá)到最低電壓2.8 V時(shí)，則停止放電。然后靜置一段時(shí)間。通過電池測(cè)試柜獲取電池組的電壓、充放電電流和電池真實(shí)SOC這3項(xiàng)數(shù)據(jù)。將所得數(shù)據(jù)進(jìn)行整理隨機(jī)分成訓(xùn)練集和測(cè)試集二類，其中訓(xùn)練集60個(gè)樣本，測(cè)試組33個(gè)樣本。每個(gè)樣本都是由電池組電壓、充放電電流和相應(yīng)SOC組成。設(shè)置種群規(guī)模為30，最大迭代次數(shù)為50，隱含層節(jié)點(diǎn)數(shù)都設(shè)為10，其他參數(shù)設(shè)置相同。將所得數(shù)據(jù)分別用ELM、PSOELM、SOAELM、BPNN來訓(xùn)練和測(cè)試。4種模型的性能比較見表1。

表1 4種模型的性能比較

從表1可以看出，SOAPLM的均方誤差比ELM、PSOELM和BPNN的均方誤差都要小，說明該方法有較高的預(yù)測(cè)精度。而且訓(xùn)練平均誤差和測(cè)試平均誤差比其他3種方法都要低，故該方法具有較好的收斂精度。當(dāng)電池組發(fā)生不均衡問題時(shí)，該方法也可以很好地預(yù)測(cè)SOC。

用SOAELM來訓(xùn)練和測(cè)試，得到訓(xùn)練集和測(cè)試集的SOC擬合曲線如圖1所示。

圖1 SOC擬合曲線

通過圖1可以很明顯看出，該方法可以很好地預(yù)測(cè)SOC且具有較高的精度。訓(xùn)練集和測(cè)試集都能進(jìn)行很好的擬合。

通過人群搜索的極限學(xué)習(xí)機(jī)方法可以得到SOC預(yù)測(cè)誤差曲線，如圖2所示。

圖2 預(yù)測(cè)誤差曲線

通過圖2可以看出，對(duì)于每個(gè)測(cè)試樣本，其預(yù)測(cè)誤差都很小，最大預(yù)測(cè)誤差低于1.2%，說明該方法具有很高的預(yù)測(cè)精度。證明了算法的有效性和優(yōu)越性。

4 結(jié) 語

采用一種新的SOC估算方法，即基于人群搜索的極限學(xué)習(xí)機(jī)的預(yù)測(cè)方法。在正確輸入變量的情況下，只需要通過簡(jiǎn)單的訓(xùn)練，就能達(dá)到很好的預(yù)測(cè)效果。該算法采用智能算法，可以嵌入芯片中，對(duì)SOC進(jìn)行實(shí)時(shí)預(yù)測(cè)，具有很好的實(shí)際意義。人群搜索的極限學(xué)習(xí)機(jī)是一種新的有效方法，在其他類似的預(yù)測(cè)中具有推廣意義。

[1] 王杰,畢浩洋.一種基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)[J].鄭州大學(xué)學(xué)報(bào)：理學(xué)版，2013(1):100-104.

[2] Huang Guangbin， Zhu Qinyu， Siew Cheekheong． Extreme learning machine：theory and applications [J]. Neurocomputing，2006，70(1/2/3)：489-501.

[3] 陳盛雙.基于極限學(xué)習(xí)機(jī)的XML文檔分類[J].計(jì)算機(jī)工程，2011，19:177-178，182.

[4] 李國(guó)進(jìn)，董第永，陳雙.磷酸鐵鋰電池的SOC預(yù)測(cè)[J].計(jì)算機(jī)仿真，2015(3):163-168.

[5] 莫宏偉.自然計(jì)算研究進(jìn)展[J].智能系統(tǒng)學(xué)報(bào)，2011(6):544-555.

[6] 余勝威，曹中清.基于人群搜索算法的PID控制器參數(shù)優(yōu)化[J].計(jì)算機(jī)仿真，2014(9):347-350，373.

ExtremeLearningMachineSOCestimationbasedonseekeroptimization

JIANG Changhong, WANG Chuang

(School of Electrical & Electronic Engineering, Changchun University of Technology, Changchun 130012， China)

With the battery voltage, charge and discharge current as input variables, and state of current (SOC) as output variables. Seeker optimization algorithm is used to modify the input weight-matrix and bias of the extreme learning machine, when a random model is established.

SOC； Extreme Learning Machine (ELM); seeker optimization algorithm; prediction.

2017-08-25

姜長(zhǎng)泓(1969-)，男，漢族，吉林長(zhǎng)春人，長(zhǎng)春工業(yè)大學(xué)教授，博士，主要從事機(jī)械故障診斷與微弱光電檢測(cè)及儀器方向研究,E-mail:jiangchanghong@ccut.edu.cn.

10.15923/j.cnki.cn22-1382/t.2017.5.11

TM 911

A

1674-1374(2017)05-0468-04