２００７年第２１卷第５期（总第６５期）测试技 术学报Ｊ０ＵＲＮＡＬ０ＦＴＦＳＴＡＮＤＭＥＡＳＵＲＥＭＥＮＴＴＥＣＨＮ０Ｌ０ＧＹＶｏｌ．２１Ｎｏ。５２００７（ＳｕｍＮｏ．６５） 文意编号：１６７１一７４４９（２００７）０５一０４０５一０５基于模糊神经网络的电池剩余电量计算模型李革臣，江海，王海英 （ 哈尔滨理工大学自动化学院，黑龙江哈尔滨１５Ｏ０８０）摘要：为了有效地对电池剩余容量进行预测，在分析了与电池剩余电量相关因数的基础上．提出了基于棋湖神经网络的电池剩余电量预测模型。充分利用了模型可通近任何多输入输出参数函数的性能．系统通过样本训练达到了较好的仿真结果．从现场实验的数据分析，该模型能较准确地预测电池剩余电足，为电池管理系统提供了一种新的预测方法．关键词：模糊神经网络。电池；ＳＣ〔估计中图分类号：ＴＭｇｌＯ７文献标识码：ＡＴｈｅＳ０ＣＣｏｍＰｕｔ ｅＭｏｄｅＩｏｆＢａｔｔｅｒｉｅｓＢａｓｅｄｏｎＦｕｚｚｙＮｅｕｒａｌＮｅｔｗｏｒｋ ＬＩＧｅｃｈｅｎ，ＪＩ ＡＮＧＨａｉ，ＷＡＮＧＨａｉｙｉｎｇ（ ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔ元ｏｎ，ＨａｒｂｉｎＵｎｌｖｅｒｓｉｔｙｏｆｓｃｌｅｎｃｅ衣Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５ｏ０８ｏ。Ｃｈｉｎａ）Ａｈｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｐｒｅｄｉｃｔｔｈｅｓｔａｔｅｏｆｃｈａｒｇｅ（ＳＯＣ）ｏｆｂａｔｔｅｒｌｅｓｄｕｒｉｎｇｄｉｓｃｈａｒｇｅ，ｂｙａｎａｌｙｚｉｎｇｔｈｅｆａｃｔｏｒｓｉｎｆｌｕｅｎｃｉｎｇｔｈｅＳＯＣｏｆｂａｔｔｅｒｉｅｓ，ｔｈｅａｕｔｈｏｒｐｒｏｐｏｓｅｄａｐｒｅｄｉｃｔｉｖｅＳ０Ｃｍｏｄｅｌｂａｓｅｄｏｎｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｍｏｄｅｌｃａｎａｐｐｒｏａｃｈｔｈｅｎｏｎ一ｌｉｎｅａｒｆｕｎｃｔｉｏｎｗｉｔｈｍａｎｙｉｎｐｕｔ／ｏｕｔｐｕｔｐａｒａｍｅｔｅｒｓ．Ｓｉｍｕｌａｔｅｄｒｅｓｕｌｔｓａｎｄｅｘｐｅｒｉｍｅｎｔａ１ｒｅｓｕｌｔｓｐｒｏｖｅｄｔｈｅａｄｖａｎｔａｇｅｓｏｆｔｈｅｎｅｗｍｅｔｈｏｄａｎｄｔｈｅｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｂａｔｔｅｒｙｍａｎａｇｅｓｙｓｔｅｍ．Ｋｅｙｗｏｒｄｓ：ｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ；ｂａｔｔｅｒｙ；ｔｈｅｅｓｔｉｍａｔｉｏｎｏｆｓｔａｔｅｏｆｃｈａｒｇｅ蓄电他被广泛应用于工业生产、日常生活等领域，已经成为各领域中不可缺少的供电系统之一对 电池剩余电量（ＳＯＣ）的预测已经成为电池管理的重要环节．但是，由于电池结构比较复杂，电池剩余电量受到浮充电压、放电电流，内部温度，内阻等因素影响，并且系统有较强的非线性．用传统的电池剩余电量测量方法，如：电压曲线拟合法、等效电路法等都无法对电池的ＳＯＣ进行较精确地预测．因此，本文提出了基于模糊神经网络的电池ＳＯＣ计算模型，在结合了传统方法优点的基础上，充分发挥了模糊神经网络的非线性特性和较强的学习能力．１与电池剩余电量相关的因素蓄电池的剩余电量受到多方面因素的影响．阀控式铅酸电池剩余电量的影响因素为： １）浮充电压．电池在充电过程中所存在的浮充电压关系到电池的充满程度．浮充电压过高或过低， 都会加剧电池的劣化．当劣化程度加剧时，电池剩余电量相应地减少‘）浮充时间．与电池充满程度有关．２ ）放电电压．指放电过程实时的电池两端电压．放电电压的放电过程是逐渐下降的过程，当电池剩３ ．收稿日期 ２００６一１２一０７基金项目：国家９７５重点基础研究计划资助项自（ ＺｏｏＺＣＢＺｌｌｓｏ３）作者简介，李革臣（ １９４９一）．男。教授．主要从事电化学与计算机检测技术的研究．万方数据４０６测试技术学报２００７年第５期余电量接近零时，电池电压急剧下降．放电电压是最直接反映电池剩余电量的因素）电池温度．指电池电极和电解液的温度．电极和电解液的温度如果偏离了额定温度，会加剧电池４ 的裂化，从而使电池剩余电量减少．由于电池是密封的，在实际中很难测量．有些文献提出了测量电池壁温度的方法，不过用电池壁的温度来表示电池内部的温度存在较大的滞后．实际效果不明显．５）放电电流是影响电池５ＯＣ的重要因素之一电流的大小与负载有关．在恒温的环境下，放电电 流大小与电池内部温度有较大的关系，相同时间内放电电流大的电池温度变化大，对于密闭的电池，放电电流大小能较好地反应电池内部温度的变化． ）６电池内阻．内阻是反映电池当前性能的重要因素．它不仅反映电池当前的剩余电量，而且还反映电池当前的劣化程度．在放电过程中，电池内阻值随着电池剩余电量的减少而增大．内阻值一般在几十微欧，为了保证测量精度，需使用专门的仪器实现内阻的测量［］．ｌ对于一个实际系统，如果都考虑到上述因素，需要处理大量的数据，会使系统变得过于庞大，失去 实用性．因此本文的研究重点主要是考虑易于测量的主要因素，即电池的当前电压、电池的内阻、电池的放电电流．２模糊神经网络建模基础神经网络是对人脑的结构和工作方式的近似与简化，这种结构和工作方式的并行在许多方面产生了 类似于人脑行为的某些功能特点．模糊推理系统是对人脑思维的模糊性方面进行工程化的模拟阁．模糊推理系统和神经网络结合，充分发挥了模糊推理系统易于直接在建模过程中包容人类对目标系 统的专门知识的优点和神经网络具有表示任意非线性关系和学习能力的优点．随着模糊推理系统和神经网络的理论研究与应用的发展，两者逐渐融合为当前智能科学的研究热点本文以自适应神经网络模糊推理系统ＡＮＦＩ Ｓ（Ａｄａｐｔｉｖｅｎｅｕｒａｌｆｕｚｚｙｉｎｆｅｒｅｎｃｅｓｙｓｔｅｍ）作为建模的理论基础［．ｓ习．模型的推理机制和结构见图１，图２．首先假设模糊推理系统是两个输入ｘ，ｙ，单个输出二的一阶Ｓｕ ｇｎｅ。模糊模型［．ｓ‘〕，具有两条模糊ｆｉ一ｔｈｅｎ规则的普通规则是： 规则１：如果二是月：ａｎｄ少是丑，，那么ｆｌ一Ｐ：二＋，，少＋ｒ卜规则２：如果２是八： ａｎｄ夕是Ｂ：，那么九二户：ｘ＋９２，＋介．第１层袖厂甲ｒ二叼，，才第２层第３层第４层第５层备去十｛｝助声少产叼．”乃入‘钊厂十哟石 ！二二）沪一蔺而丽厂Ｖ“可十邸 图１５叹，。摸型的推理机制Ｆ…ＩＳｕｇｅ ｎｏｍｏｄｅｌ图２模型ＡＮＦＩＳ的结钩Ｆｉｇ．ＺＳｔｒｕｃｔｕｒｅｏ「ＡＮＦＩＳ第１层：每个结点函数的自适应结点０、，＝户Ａ， （ｘ），１＝１，２或者０１ ．二产Ｂ＿２（夕），＝３，４－参数化的隶属函数采用一般的钟型函数万方数据（总第６５期）墓子棋糊神经网络的电池剩余电量计算模型（李革臣等）４０７式中：｛。‘，ｂ‘，ｃ‘｝为参数集．内“’二两常〕，第２层：每个结点是一个标识ｎ的固定结点，它的输出是所有输入信号的积 ０： ，‘二切Ａ‘（士）产Ｂ‘（少），１＝１，２－第３层：每个结点是一个Ｎ的固定结点．第１个结点计算第１条规则的激励强度之和的比值 ０３．，＝孤晰 切１＋ｗ：１，２。第４层：每个结点１是一个结点函数的自适应结点 ０‘，‘二蔽大二瓦（Ｐ二＋９少＋价），式中：瓦是从第３层传来的归一化激励强度；｛ｐ，ｑ，动是该结点的参数集．第５层：这一层的单结点是一个标以名的固定结点．它计算所有传来信号的和作为总输出 艺二‘ 关总输出一。‘一习瓦五一‘￣玄飞二ＡＮＦＩ ｓ采用神经网络方法对样本数据进行计算得到前提参数和结论参数，完成自适应建模过程．３基于模糊神经网络的电池剩余电量的预测３．１剩余电量的神经网络建模 由于电池的放电特性受多方面因素的影响，现场可以采集到的数据主要有：浮充电压、浮充时间、放电点流、放电电压、电池内部温度、电池内阻．如果将这６种采集量作为输入量，该模型需要０１‘二１Ｏ００Ｏ００。个训练数据，显然实现起来很困准．在实际的应用中，主要采用了易于测量的主要彩响因素，即放电电流、电池内阻的变化与电压的变 化三者结合起来监测电池的剩余电量．放电电流与电池的电子负载有关，而且与电池的内部温度有很大关系．在相同的时间内，电池内部 温度的变化与放电电流成正比，电池内阻分析是电化学研究的常用方法，内阻与电池的剩余电量和电池的裂化程度有直接的关系． 在测试过程中使用了内阻测试仪ＺＭ３ｏ００Ｕ，测量电池内阻，保证了测量的准确性．电池电压是最容易测量的一个参数，但它是反应电池信息最多的一个参数． 为了使模型不受具体规格电池采样值的影响，对输入数据进行归一化处理：）１ 放电电流倍率Ｘ 一一 不ｈａ式中：五为电流采样值，１口为与额定容量相应的电流值；Ｎ为允许最高放电倍率．）２ 电压下降幅度 又＝Ｕｏ一Ｕ，Ｕ。一认’式中：队为当前电压；Ｕ。为放电平台初始电压；队图３Ｓ ｕ砂ｎｏ模栩系统ＳＯｃ校必为放电终止电压．Ｆｉ公．３Ｓｕｇｅ的ｆｕｚＺｙｓｙ，ｔｅｍＳＯＣ价记ｅｌ万方数据４０８测试技术学报２００７年第５期）内阻上升幅度３片一ｒ ｏ一几一ｒｏ，式中：。为当前内阻；ｒｏ为放电平台初始内阻；ｒ’为放电终止内阻．在确定输入变量后，以电池的ＳＯＣ作为输出构造了一阶Ｓｕｇ ｎ。模糊模型如图３所示，分别对每个ｅ输入使用３个隶属函数进行训练．．２仿真研究３训练样本的选择对保证Ｓ ＯＣ计算模型的精度非常重要样本数据的获取采用了不同劣化程度的不同规格电池．由于前述的归一化处理，电池的电流、电压和内阻数据均与电池额定的容量大小无直接关系．对于某一类型的电池，在相同的放电终止电压，不同的放电模式下电池的输出电量可能不同，而且无法预先确定因此在计算不同时刻的剩余电量时，采用以电池的最终实际输出容量的逆推［，ｖ幻方法．训练样本数据除了采用不同劣化程度的不同规格的电池之外，放电电流和放电电压选择了比较宽的 范围．放电电流的选择从（０．１一５）Ｃ，电压范围选择从浮充电压到额定终止电压．所选的电池放电电流、放电电压和电池的内阻组成了训练样本的输入量，和相应逆推的电池剩余电量的数值构成了模型的勺１！练样本对，取误差指数ＳＳＥ（ｓｕｍ：ｑｕａｒｅｄｅｒｒｏｒ）为４ｘ工。一３． 训练过程中取４０只电池的１５０对数据，经过２５０步训练后即达到了０．００４的方均根误差，由此可见，ＡＮＦＩＳ具有较强非线性映射能力，仿真结果如图４所示．恻＿＿】哎ｕｊｒ＼＼／／＼＼／／ＩＶＯｒ１＿＿１＼＼／／＼＼／１／１’。！．，／人一一少丈￣一。！．岌…火￣夕｝００． ０５０１０」５０２０．２５０３０３５０．４０．４５０＿５００Ｏ５ＯＪ０注５０．２０２５０３０３５０４０．４５０．５电流初始隶属函度电流训练后隶属度３．３现场测试数据分析 利用ＡＮＦＩＳ模型，得到变电流下所测量的蓄电池的剩余电量顶测模型ＳＯｃ、 蓄电池的剩余电量）＝最终实际输出总容量一电池已经输出的容量式中：最终实际输出总容量为电池放电电压从浮充电压到电池终止电压电池输出的容量；电池已经输出的容量为从开始到当前电池已经输出的容量．万方数据侧噢锅００５０］众１５０．２０２５０３０３５０４０４５０．５０１０２０＿３０４０名０石０＿７电压初始隶属函度电压训练后隶属度 侧嘿联０刀５０１０１５０２０２５０３０３５０４０４５０石０．４Ｄ６０８１＿０１２ 内阻初始隶属函度图形的横纵坐标都为无刚量图４ＡＮＦＩＳ仿真曲线 Ｆ泛９．４５ｍｕｌａＬｌｏｏｃｕｒｖｅｏｆＡＮＦＩＳ内阻训练隶属度 （总第６５期）荃子模糊神经网络的电池剩余电量计算模型（李革臣等）４０９表１是一组２ ４只阀控式铅酸电池３００Ａｈ／Ｚｖ（ａｎＰａｏｎｓｉｃＭｓＥ一３。。尸）电池的测试结果，数据表明：在蓄电池放电末期．ＳＯＣ计算模型具有很高准确度的计算性能．表１荃于电压、电流和内阻的剩余容量计算 介ｂ．ＩＳｔａｔｅｏｆＨｅａｌｔｈＣａｌ仁。万压‘１０口压，ｉｎｇｏｎＶｏｌｔａｇｅ。Ｃｕｒｒ吧ｎｔａ耐Ｉｎｔ已ｒｎａ１Ｒｅ，ｉｓｔａｎｃｅ实测容量棋型计算平均值／％误差／％１００９７。０一３，０９０９１，０１０８Ｏ８２，３２．３７Ｏ７３８３８６０５０５１．２１２４０３７９一２．１３Ｏ２８．０一２．０２０ｌ０５１０，８一０．２６２．５２．５１９０一１．０９。６一０．４４８一０．２从现场测试的数据可以得知，末期的计算精度来源于内阻变化．在放电末期〔 剩余电量小于２。％左右〕，电池的内阻呈现加速上升趋势，该特点对于提高电源系统的可靠性起到了重要的作用．４结论本文阐述了影响电池剩余电量的相关因素，分析了影响电池放电性能的主要因素，提出了基于模枷 神经网络的电池ＳＯＣ计算模型，并以内阻、电压和电流作为主要输入对该模型进行了仿真试验和现场测试．从现场测试的数据看出这种模型到达了较高的精度，因此具有很强的实际应用价值．ＡＮＦＩＳ方法由于无须知道在某一个状态下电池内部复杂的物理化学过程，为电池管理系统的发展提供了一个新的手段．由于训练样本相对简单，在不同型号的电池、不同的运行环境下，精度存在较大的差异，应该对模型进行更多的训练和验证．本文给出的神经网络较为简单，未能引人电池内部温度和充放电次数对电池放电容量的影响，这方面的情况有待进一步研究．参考文献：［１〕Ｒａｍａｄａ，ｓＰＭａｔｈｅｍａｔｉｃａｌｍｏｄｅｌｉｎｇｏｆｔｈ吧ｃａｐａｃｉｔｙ几ｄｅｏｆＬｉ一ｉｏｎｃｅｌｌ，［Ｊｊ．Ｐｏｗｅｒｓｏｕｒｃｅ，２００３，１２３（３）：２３０一２性０．［２〕Ｇｒｏｗａｌｓ．＾ｎｏｖｅｌｔｅｏｈｎｉｑｕ。ｆｏ：ｍｏｄｅｌｉｎｇｔｈｅｓｔａｏｅ。ｆｃ卜ａｒｇｏｏｆｌｉｔｈｉｕｍｂａｏｔｅｒｙｕｓｉｎｇａｒｔｉｆｉｃｉａｌｏｅｔｗｏｒｋｓｌＮＴＥＩ』Ｅｃ２００１，Ｉ ｎｔｅｒｎａｔｉｏｎａｌ吸ｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ吕吧ｎｅｒｇｙｃｏｎｆｅｒｅｏｃｅ，Ｅｄｉｎｂｕｒｇｈ［Ｃ〕．Ｌｏｎｄｏｎ：Ｉｎ，ｔｉｔｕｔｉｏｎｏｆＥｌｅｃｔｒ吐ｃａｌ Ｅｎｇｉｅｅｎｒｓ，ＺＱ０１：１７４一１７９－［３〕Ｓｕ．亡ｊ、ＯＭ，ＫａｎｇＧＴＳｔｒｕｃｔｕｒｅｉｄｅｎｔｉ石ｃａｔｊ助ｏｆｆｕｚ砂ｍｏｄｅ１Ｄ］Ｆ。“ｙｓｅｔｓａｎｄｓｙｓｔｅ砒，１，９８，２８：１５一３３．［４」ＴａｋａｇｉＴ。５“ｇｅｎｏＭ．氏ｒｉｖａｔｉｏｎｏｆｆｊｚｚｙｃｏｎｔｒｏｌｒｕｌｅｓｆｒｏ爪ｈｕｍａｎｏｐｅｒａｔｏｒ，５。ｏｎｔｒｏｌａｃｔｉｏｎｓＤ〕，Ｐｔｏｃｅｅｄｉｎｇ，ｏｆｔ卜ｅＩ ＦＡＣ匀ｍｐｏｓｉｕｒｎｏｎＦｕｚｚｙｌｎｆｏｒｍａｔｉｏ。，ＫｎｏｗｌｅｄｇｅＲｅｐｒｅｓｅｎｔａｔｉｏｎａｎｄ压ｃｉｓｌｏｎａｎａｌｙｓｉｓ，１９５３（７）：５５一６０．［５〕ＴａｋａｇｉＴ，ｓｕｇｏｎｏＭ．Ｆｕｚｚｙｉｄｅｎｔｉ６ｏａｔｉｏｎｏ王ｓｙｓｔｅｍ，ａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ：ｔｏｍｏｄｅｌｉｎｇ。ｎｄ。ｏｎｔｒｏｌ〔Ｊ〕．ＩＥＥＥｒａＴ ｎｓａｃｔｉｏｎｏｎｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔ盆ｃｓ．１９８５（１５）：１１６一１３２〔６〕张智星．神经一棋糊和软计算〔Ｍ〕，西安：西安交通大学出版社，２ｏ０：２３８一２４１．〔７１薛建军．人工神经网络预测ＭＨ一ｉ蓄电池容量仁ＪＮ］．电源技术，２００３，２７（３）：３０５一３０７．Ｘｕｅｊｉ ａｎｊｕｎ．ｐｒｅｄｌｃｔｌｏｎｏｆＮｉ一ＭＨｂａｔｔｅｒｙｃａｐａｃｉｔｙｂｙｔｈｅａｒｔｌｆｉｃｉａ１ｎｅｕｒａｌｎｅｔｗｏｒｋｍｅｔｈｏｄ［Ｊ〕．Ｐｏｗｅｒｓｏｕ了ｃｅｓ，２００３，２７（３）：３０５一３０７．（ｉｎＣｈｉ ｎｅｓｅ）〔８」邓超．基于神经网络的ＭＨ一ｉ电池剩余容量预测〔ＮＪ〕．哈尔滨工业大学学报．２０３，３０５（１”：１１ｏ５一ｎ０８． ｅＤｎｇＣｈａｏ．ｐｒｅｄｉｃｔｌｏｎｏｆｒｅ‘ｌｄｕａｌｃａｐａｃｉｔｙｏｆＭＨ／Ｎｉｂ日ｔｔｅｒｉｅｓｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ〕，２００３，３５（１１）１１０５－１１ ０８．（ｉｎＣｈｉｎｅｓ巴）〔９〕张秀玲．基于ＲＢＦ神经网络的ＭＨ一Ｎｉ电池荷电状态预模型〔］‘建模与仿真技术，２ｏ０Ｊ５，２。（ｎ）８４一７８ＺｈａｎｇＸ］ ｕｌｉｎｇＲＳＦｎｅｕｒａｌｎｅｔｗｏｒｋｓｂａｓｄｏｎｄｙ胜ｍ记ｎｅａｅｒｅｓＬｎｅ‘ｇｈｂｏｒ一ｃｌｕｓｔｅｒ已ｎ尽ａｌｇｏｒｌｔｈｍａｎｄｉｔｓａｐｐｌＬａｔｅｌｏｎｌｎｐｒｅ ｄ记ｔ价ｎｏｆＭＨ一ＮｂａｔｔｏｒｙｏａＰａ：。ｔｙ〔Ｊ〕，Ｔｒａ二ａｏ１妙ｏｆＣｈｉｎ。Ｅｌｅ亡ｔｒｏｌｅｃｈｎｃａＩＳｏｃｉｅｔｙ，２００５，２０（１１）：８４一８７（，ｎＣｈｉｎｅ，已） 万方数据
