基于遗传神经网的自适应电池荷电态预估模型
摘要:电池荷电态（SQC)题电电流、馳压、髓等多麵細复細非離赚，而且不同麵的幅具補大 的差异，不鍵立统-的模型。因此要_做出精_预估是-件很酬的事情，需要耗麵多的人力和时间对特定 类型的电池断大量试麵后賴。为克腿些缺点，關-种基于遗翻嶋自舰soc丽翻,通过遗传 算法对神经网络结构及其学习算法进行优化，在较短的时间$寻找麵合特定类型电池的神纟别糾貞型，大大缩短 了人工麵翻的_，提高了翻对SOC麵議能。X扞三种不_馳_聽进摘_減试验结果验 证了本方法的有效性。
关键词:荷电态;非线性函数;遗传算法;神经网络
中图分类号:TM 911 文献标识码义 文章编号：1002-087X(2004)08-0504-04
-电池是工业生产、日常生活等领域中不可缺少的供电能 源设备之一,对电池荷电态（SOC )的预估已成为电池管理系 统中重要的监测环节。电池内部有着复杂的物理化学变化过 程，其容量是放电电流、端电压温度等多种因素的复杂的非 线性函数，因此很难对soc作出比较精确的预估。另外，电池 的种类、特性也是多种多样，这给电池SOC预估模型的建立 造成了更大的困难。许多传统方法从不同的角度试图解决这 个问题，比如等效电路模型法叭库仑法P]、电阻法W等等。这些 方法在一定程度上解决了 soc预估的问题，但都存在适用范 围窄、对于不同类型的电池需要大量的工作重新建模的问题。 近年来，多层則馈神经网络在电池容量预测问题上得到了应 用神经网络本身的高度非线性特性、多输人多输出特性、 学习和泛化的能力使得它具有优秀的曲线逼近性能’因而在 电池容量预估问题中具有传统方法难以比拟的优越性。
目前应用最广泛的神经网方法仍然是采用BP算法对不 同结构的单隐层神经网络进行大量的人工试验，选取其中较 好的组合进行建模，这样既耗费很多的人力和时间，又不能保 证模型的有效性。因为一方面BP算法本身存在很多问题，例 如收敛速度慢、容易陷人局部最优;另一方面，单隐层的神经 网络虽然可以逼近任意函数，但在收敛速度、预测准确性上并 不能保证一定最好。所以，建立电池SOC预估模型时，既要考 虑学习时间和预估误差’又要考虑选取最适合某一类型电池 的神经网络结构和学习算法进行建模,才能取得较好效果。 本文针对上述问题,采用遗传神经网对电池soc的预估进行 建模，同时对所使用的学习算法和网络结构进行优化选择,以 得到适当的学习算法和网络结构。最后对三种不同类型电池 SOC的预估进行仿真,结果验证了所采用方法的有效性。
1遗传神经网模型
1.1电池SOC预估中所采用的神经网
采用多层前馈神经网络进行建模，网络输人节点为2,输 出节点为1。输人变量为放电电流、端电压，输出为电池SOC。
式(1)和式(2)中的x均为神经元输人值。
1.2遗传算法优化网络拓扑
1.2.1编码方式
遗传编码方式采用二进制编码方式。为了简化问题的复 杂性，限制最大隐层数为2,每个隐层最大节点数为15。编码 串共10位,分为三部分:第一部分是前4位’表示第一隐层节 点数;第二部分是第5位至第8位，表示第二隐层节点数;第 三部分是最后两位，表示神经网络所采用的学习算法，其中 00 表示 Levenberg-Marquardt 算法（LM); 01 表本 Resilient Backpropagation 算法(RB); 10 表示 Scaled Conjugate Gradient 算法(SCG); 11表示Quasi-Newton算法(QN)。如果某一隐层 节点数为0,则表示该隐层不存在。
例如编码串:0101 1110 01，表示第一隐层5个节点，第二 隐层14个节点，采用Resilient Backpropagation算法进行学 习。
4结论
本文针对目前SOC预估模型的建立需要耗费大量人力 和时间进行反复试验的弊端，提出了一种基于遗传神经网的 自适应SOC预估建模方法，有效地解决了这个问题，而且遗 传算法多点搜索、全局优化的优点提高了最终结果的可靠性。 仿真结果表明这种自适应建模方法在较短的时间里，能够寻 找到比较适合某一种类型电池的神经网络模型，进化得到的 模型无论在收敛时间上还是在预测准确性上都有很好的表 现,其性能远超过用BP算法、单隐层结构构建的模型。
本文的不足之处是未考虑温度对电池放电过程的影响。 下一步的工作将考虑更多影响电池放电的因素，以使得预测 结果更加准确。另外，遗传神经网络的进化速度还有待提高， 这一点有待通过降低评价函数的时间耗费来解决。
致谢
本文工作得到了天津大学化工学院电化学专业田建华副