PSO-Elman神經(jīng)網(wǎng)絡(luò)在車載蓄電池剩余壽命預(yù)測應(yīng)用分析

陳曉龍 鄭鵬元 黃緒民 李碩 王宇

摘 要：高速鐵路列車車載蓄電池是列車安全運(yùn)行的重要保障之一，針對車載蓄電池剩余壽命預(yù)測的問題，本文以尋找特征因子表征蓄電池退化狀態(tài)，采用粒子群算法（PSO）和Elman動態(tài)神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測方法，該方法具有很好的動態(tài)預(yù)測能力，并建立基于PSO-Elman神經(jīng)網(wǎng)絡(luò)的蓄電池剩余壽命預(yù)測模型。研究結(jié)果為該領(lǐng)域研究提供了一定的參考，具有一定的實用意義。

關(guān)鍵詞：蓄電池;退化狀態(tài);PSO-Elman;預(yù)測

高速鐵路列車車載蓄電池組是列車安全行駛的重要保障之一，蓄電池組可為列車提供啟動時受電弓所需的電源，在緊急情況下，充電機(jī)或者輸入電源故障時蓄電池組可以作為驅(qū)動、制動和通信等系統(tǒng)緊急的備用電源。是列車的備用心臟。

蓄電池組內(nèi)電解液大多為有機(jī)易燃液，且能量大應(yīng)用不當(dāng)會導(dǎo)致著火甚至爆炸;過充電、過放電會導(dǎo)致電池內(nèi)部材料特性發(fā)生變化，造成不可逆的容量損失，從而導(dǎo)致性能下降，壽命縮短，另外隨著電池充放電次數(shù)的增加，電池的容量等整體性能都會衰退?？赡軙Ω咚倭熊嚢踩\(yùn)行帶來非常嚴(yán)重的后果。因此對列車車載蓄電池的剩余壽命進(jìn)行科學(xué)合理的預(yù)測，是實現(xiàn)蓄電池長時間可靠工作，保持高速列車安全、平穩(wěn)運(yùn)行具有一定的實際意義。國內(nèi)外許多學(xué)者對蓄電池剩余壽命的預(yù)測進(jìn)行了研究。

1 蓄電池退化狀態(tài)識別

反映電池存儲電能性能，定量反映電池退化狀態(tài)的參數(shù)指標(biāo)，隨著充放電次數(shù)的增多，電池性能退化，電池狀態(tài)會反映到相對應(yīng)的特征因子上，用來確定電池的健康狀態(tài)。目前國內(nèi)外研究學(xué)者一般可以采用容量、功率及阻抗表征電池的退化狀態(tài)。然而直接對電池容量的預(yù)測較為困難。因為普通的傳感器無法在線監(jiān)測電池的內(nèi)部狀態(tài)，實際工程中，無法實時有效地獲取，往往是通過安時估算法估算電池的實際容量，這種方法不但耗時多，而且誤差較大。所以采用直接預(yù)測的方法往往會因為數(shù)據(jù)方面的短板導(dǎo)致預(yù)測模型不精確。

因此本文提出采用間接測量的方式，通過尋找與電池容量變化相關(guān)性較高的特征因子進(jìn)行相關(guān)性分析，得到特征因子與電池容量變化的模型來反映電池容量的衰退過程，這種間接測量的方式易于測量，可以快速反映電池退化的進(jìn)行和健康狀態(tài)，誤差相對較小。

2 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是在前饋式網(wǎng)絡(luò)的隱含層中增加一個反饋層，反饋層將上一時刻隱含層的輸出與當(dāng)前時刻的網(wǎng)絡(luò)輸入一起作為隱含層輸入，因此網(wǎng)絡(luò)對隱含層前一時刻的系統(tǒng)狀態(tài)具有記憶功能。Elman神經(jīng)網(wǎng)絡(luò)一般分為4層：輸入層、隱含層、承接層和輸出層，其中輸入層、隱含層和輸出層的連接類似于前饋網(wǎng)絡(luò)。輸入層的作用時對神經(jīng)網(wǎng)絡(luò)信號進(jìn)行傳輸，輸出層是對神經(jīng)元進(jìn)行加權(quán)。隱含層有線性和非線性兩類激勵函數(shù)，通常激勵函數(shù)采用Signmoid非線性函數(shù)，承接層是記錄隱含層前一時刻的輸出值，其具有一步延時作用。隱含層的輸出通過承接層的記錄和延時，自聯(lián)到隱含層的輸入，這種傳輸方式使其對歷史數(shù)據(jù)具有一定的承接性，這種在神經(jīng)網(wǎng)絡(luò)內(nèi)加入反饋網(wǎng)絡(luò)的方式增加了神經(jīng)網(wǎng)絡(luò)處理動態(tài)信息的能力。

3 PSO-Elman神經(jīng)網(wǎng)絡(luò)模型

PSO-Elman神經(jīng)網(wǎng)絡(luò)模型的流程圖。該模型包含確定Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、PSO粒子群算法優(yōu)化和Elman神經(jīng)網(wǎng)絡(luò)預(yù)測3個部分。

1）選取N組輸入，輸出數(shù)據(jù)，帶入到神經(jīng)網(wǎng)絡(luò)中，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將得到的特征因子數(shù)據(jù)標(biāo)準(zhǔn)化。

2）結(jié)合神經(jīng)網(wǎng)絡(luò)輸入和輸出參數(shù)的個數(shù)確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，從而確定PSO算法的數(shù)值。

3）將神經(jīng)網(wǎng)絡(luò)中所有神經(jīng)元的連接權(quán)值和閾值進(jìn)行編碼，并得到相應(yīng)編碼值的N維向量用來作為PSO算法的初始化粒子群。

4）將預(yù)測結(jié)果與真實值進(jìn)行對比得到誤差絕對值，作為個體的標(biāo)記，并根據(jù)標(biāo)記得到極值和全局極值。

5）判斷全局極值是否滿足PSO算法結(jié)束的條件：全局極值達(dá)到一定的設(shè)定值或迭代到設(shè)定的代數(shù)，滿足結(jié)束條件，就退出PSO尋優(yōu)，進(jìn)而進(jìn)行第6步;若不滿足，則更換每個粒子的速度和初始位置，跳轉(zhuǎn)至第4步。

6）找到全局極值所對應(yīng)的PSO算法粒子，并選擇其為Elman神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

7）將第6步中得到的最優(yōu)的初始權(quán)值和閾值賦給Elman網(wǎng)絡(luò)，訓(xùn)練并得到Elman網(wǎng)絡(luò)模型，用訓(xùn)練好的Elman神經(jīng)網(wǎng)絡(luò)模型對蓄電池剩余壽命進(jìn)行預(yù)測。

現(xiàn)階段較大多數(shù)神經(jīng)網(wǎng)絡(luò)采用的是靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)系統(tǒng)當(dāng)層數(shù)增多時相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)會迅速增大，會造成神經(jīng)網(wǎng)絡(luò)系統(tǒng)學(xué)習(xí)速度下降、收斂速度較慢等問題。基于列車車載蓄電池預(yù)測的精度要求，本文采用PSO算法和Elman動態(tài)神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型。Elman神經(jīng)網(wǎng)絡(luò)具有較好的動態(tài)回歸特性，可以使預(yù)測模型具有更強(qiáng)的預(yù)測能力和多輸入預(yù)測準(zhǔn)確度較高的性能，可以保證預(yù)測的精度。同時采用PSO粒子群優(yōu)化算法結(jié)合Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的訓(xùn)練時，可充分利用PSO粒子群優(yōu)化算法的全局尋優(yōu)能力，克服常規(guī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)時易于陷入局部最優(yōu)解、收斂速度慢、編程復(fù)雜等問題。

利用matlab進(jìn)行仿真，采用Elman網(wǎng)絡(luò)結(jié)構(gòu)為5-15-1，即輸入層5個節(jié)點，隱含層15個節(jié)點，輸出層有1個節(jié)點，共有90個權(quán)值，15個閾值。并采用PSO優(yōu)化算法粒子長度為105，種群規(guī)模為100，算法迭代次數(shù)為50進(jìn)行迭代得到最優(yōu)的初始值和閾值。

從圖上得到，相比與Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，基于PSO-Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測模型誤差更低，具有更高的預(yù)測精度。

在車載蓄電池剩余壽命預(yù)測應(yīng)用過程中，通過收集最新的特征因子數(shù)據(jù)，代入到預(yù)測模型中進(jìn)行權(quán)值和閾值的更新，形成滾筒式預(yù)測方式，從而使蓄電池剩余壽命的預(yù)測更為準(zhǔn)確。克服車載蓄電池在不同環(huán)境下、不同工況條件下導(dǎo)致退化速度變化，單一模型預(yù)測存在較大誤差的問題，滿足高速列車車載蓄電池動態(tài)預(yù)測的要求。

4 總結(jié)

針對高速列車車載蓄電池剩余使用壽命的問題。本文提出了尋找特征因子表征蓄電池退化狀態(tài)，采用粒子群算法（PSO）和Elman動態(tài)神經(jīng)網(wǎng)絡(luò)相結(jié)合，并建立基于PSO-Elman神經(jīng)網(wǎng)絡(luò)的蓄電池剩余壽命預(yù)測模型，實現(xiàn)高速列車車載蓄電池剩余使用壽命的預(yù)測。并驗證了PSO-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測方法具有較好的準(zhǔn)確性。為下一步研究打下了基礎(chǔ)。

參考文獻(xiàn)

[1]楊麗，胡金鑫.車載蓄電池應(yīng)急牽引改造方案[J].鐵道機(jī)車與動車，2019，（4）：32-34.

[2]佐藤雄司，石煒.鐵路用車載蓄電池更換周期合理化研究[J].國外鐵道機(jī)車與動車，2019，464（02）：50-52.

[3]丁碩，常曉恒，巫慶輝，等.基于Elman神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷研究[J].國外電子測量技術(shù)，2014，33（4）：72-75.

作者簡介

陳曉龍（1992-），男，漢族，助理工程師。