基于貝葉斯正則化算法BP神經網絡釩電池SOC預測

楊春生 牛紅濤 隋良紅 李明興

摘 要： 電池荷電狀態（SOC）用于表征電池的剩余電量，是全釩液流電池的一個重要參數。在此介紹常用的釩電池SOC預測方法，并對比其優缺點。基于電池SOC的非線性特征，提出采用BP神經網絡預測釩電池的SOC，并采用L?M優化算法以及貝葉斯正則化算法對網絡進行優化。使用貝葉斯正則化改進的神經網絡在對項目中全釩液流電池測試過程實時預測SOC。實驗結果表明，采用貝葉斯正則化算法改進的神經網絡能夠提高SOC的實時預測精度，具有很好的實用前景。

關鍵詞： 釩電池； 荷電狀態； BP神經網絡； 貝葉斯正則化算法

中圖分類號： TN915?34； TP301.6 文獻標識碼： A 文章編號： 1004?373X（2016）08?0158?04

Application of BP neural network improved by Bayesian regularization algorithm in VRB SOC prediction

YANG Chunsheng1， NIU Hongtao1， SUI Lianghong1， LI Mingxing2

（1. National Institute of Measurement and Testing Technology， Chengdu 610021， China；

2. School of Manufacturing Science and Engineering， Sichuan University， Chengdu 610064， China）

Abstract： The state of charge （SOC） is an important parameter of VRB to character the remaining capacity of the battery. In this paper， the common prediction methods of VRB SOC are introduced， and the advantages and disadvantages are compared. Based on the nonlinear characteristic of VRB SOC， the method of using BP neural network to predict VRB SOC is proposed. The BP neural network was optimized with Levenberg?Marquardt optimization algorithm and Bayesian regularization algorithm. The neural network improved with Bayesian regularization can predict SOC in real time in VRB testing process. The experimental results show that the neural network improved by Bayesian regularization algorithm can improve the real?time prediction accuracy of SOC， and has good application prospect.

Keywords： VRB； SOC； BP neural network； Bayesian regularization algorithm

0 引 言

隨著傳統化石能源的不斷消耗，能源供應已越發緊張，燃燒化石能源帶來的環境問題已經給國民經濟發展帶來嚴重負擔并威脅國民健康。調整能源結構已迫在眉睫，國家也制定了一系列的政策措施，推動新型可再生能源的發展。大規模儲能設備是風能等新型清潔能源存儲、輸送的關鍵設備，近年來一直是研究重點。全釩液流電池是一種根據釩離子價態改變進行能量交換的一種液流電池，有望在今后大規模儲能領域扮演重要角色。電池荷電狀態（SOC）是電池管理的一個重要參數，表征電池放電的剩余電量。電池SOC在電池放電過程中受到電池端電壓、電流、電池內阻以及電池溫度的影響[1]。在釩電池測試工作過程中，實時有效地監控釩電池的SOC狀態，對于提高釩電池的電化學性能和安全性能具有重要意義。

1 釩電池SOC常用預測方法

電池SOC不能夠直接測量，只能夠通過測量某時刻電池其他參數估計得到[2]。常用于預測電池SOC的方法包括：安時積分法、開路電壓法、內阻法、卡爾曼濾波法和神經網絡法。安時積分法通過對電流進行積分求得放掉的電量。電池初始時刻的電量減去電池放出的電量，即為電池剩余電量。這種估計方法只考慮了電流的影響，忽略了很多因素的影響，其缺陷是無法準確知道初始時刻的荷電狀態以及存在誤差積累問題[2?4]。開路電壓法是根據電池的SOC與電池開路電壓存在一定的聯系。通過測多個點進行曲線擬合，得到SOC與開路電壓的關系。這種方法算法簡單，但是開路電壓與工作電壓不同，兩者的差別受到電流引起的極化效應影響，因此無法在電池工作時動態測量SOC[5]。內阻法由于電池的內阻非常小，而且在電池動態工作時候，很難測量[6]，不易推廣。卡爾曼濾波法需要建立一個高精度的電池模型才能達到預測精度[6?7]。神經網絡法具有非線性的基本特征，有很強的學習能力。根據Kolmogorov定理，一個三層前向網絡具有對任意精度連續函數的逼近能力[8]。因此，使用神經網絡預測釩電池SOC具有明顯的優勢。

2 BP神經網絡結構和原理分析

BP（Back Propagation）神經網絡是一種按照誤差逆傳播算法訓練的多層前饋網絡，廣泛應用于非線性逼近[9]。如圖1所示，BP神經網絡結構包含輸入層、隱含層和輸出層三個層次。網絡在層與層之間是全連接的，每一層神經元之間無連接。輸入層和輸出層的神經元個數由具體要求確定。隱含層節點數對網絡性能影響較大，增加節點，可以提高網絡的性能，但訓練時間較長。目前仍然是根據經驗確定隱含層節點數，通常在5～15之間。

原理算法上，內部信息處理集中在網絡隱含層。以隱含層的一個神經元K1為例，它的輸入值包括輸入層神經元的所有輸出值的加權和K1神經元的閾值b1。輸入的權值[ω11，ω12，…，ωki]和b1是可調整的。神經元將求得的加權和與閾值b1之和通過神經元內的傳輸函數得到K1神經元的輸出結果。隱含層傳輸函數是一個非線性函數，最常用的是logsig函數或tansig函數，輸出層函數可以是線性函數purelin函數[10]。

標準的BP神經網絡采用最速梯度下降法訓練網絡。訓練過程包括信號的正向傳遞和誤差的反向傳遞。信號通過各層的神經元之間的傳遞，最終得到網絡的輸出值。訓練網絡時除了需要原始的輸入數據外，還需要一個目標輸出結果。每一次網絡的輸出與目標結果之差視為網絡的輸出誤差。通過以上信號正向傳遞的分析知道，網絡的輸出結果以及誤差實際上是關于各個權值的函數。網絡的第h次迭代的輸出性指標以輸出誤差能量表示：

[e（h）=12j=0Je2j（h）] （1）

式中：J表示輸出值個數；ej表示第j個輸出與對應目標輸出之差。當誤差值大于訓練設置的目標性能參數時，調整各神經元的輸入權值，使得權值朝著最速梯度下降方向調整。這個過程是從后向前逐層調整，直到輸出誤差達到要求或者設定步數完成為止。這種算法的一大缺點在于網絡可能按照梯度下降收斂到某個局部極小值而非全局的最小值。

3 BP網絡改進算法和網絡建立

3.1 L?M優化算法trainlm[11?12]

L?M（Levenberg?Marquardt）算法可以有效提高BP神經網絡的收斂速度和降低預測誤差值。L?M算法按照式（2）對網絡權值進行迭代。

[ω（h+1）=ω（h）-[JTJ+μI]-1JTe] （2）

式中，[μ]是可以調整的非負數，當誤差較小，則減小[μ]值，當誤差較大，則增加[μ]的值。由于避免計算Hessian矩陣，大大降低了計算量，因而比起最速梯度下降法，L?M的收斂速度很快，但是L?M算法對于內存的占用更大。

3.2 貝葉斯正則化算法trainbr

Trainbr[13?16]算法是在神經網絡訓練過程中，在常規均方差性能函數基礎上引入對性能函數的修正函數。

[f（ω）=αEω+βEd] （3）

式中：[f（ω）]為修正后的性能函數；[Eω]為網絡所有權值的均方誤差；[Ed]為網絡輸出結果均方誤差；[α]，[β]為正則化參數。網絡通過自適應方法自動根據訓練結果調整[α]，[β]值以調整網絡權值。由于[α]，[β]參數按照常規方式很難確定，貝葉斯正則化算法思想就是將權值參數設為隨機變量，根據權值的概率密度確定最優的權值函數。文獻[13?16]對該算法的具體過程步驟做了詳細介紹。采用trainbr可以有效改善擬合曲線的誤差。

3.3 BP神經網絡建立

本文需要預測的是一組由5節單體釩電池串聯組成的釩電池組在實際放電過程中的實時SOC值。工作過程中對電池工作溫度進行控制，著重考慮溫度相同情況下電池端電壓和放電電流對SOC的影響，通過Matlab神經網絡工具箱建立BP神經網絡。輸入層神經元為電池電壓V輸入和電流I輸入。輸出層只有一個神經元，輸出SOC的預測結果。隱含層通過經驗公式和實際訓練效果確定，當隱含層設為10個節點時比較合理。

在對網絡訓練之前，需要將訓練樣本數據進行歸一化預處理。數據的歸一化操作能夠使網絡避免由于輸入數據量級差異而導致的誤差，提高網絡的泛化能力。由于此處采用tansig函數作為傳輸函數，將其輸出值限定在（-1，1）之間，所以需要將電壓值和電流值都歸一化到 （-1，1）內[17]。數據歸一化處理計算公式如下：

[xi=2xi-xmin-xmaxxmax-xmin] （4）

式中：[xi]為歸一化后的數據；[xi]為原始數據；[xmin，xmax]為初始數據的最小值和最大值。釩電池在正常測試過程中，電池電壓在4.5～9 V之間，所以將最小值和最大值設為4.5和9。釩電池單次放電為恒流放電，因此整個過程中電流的最大值和最小值沒有差別。考慮電池在多種電流下的恒流放電，以擴展網絡預測的工況范圍，將電流的最大值設為9 A，最小值設為2 A。這個范圍包含了釩電池在40～120 mA/cm2的電流密度區間，涵蓋了項目要求的所有測試電流大小。輸入的目標值SOC以百分號為單位表示，因此它的最大值是100，最小值是0。

本BP網絡的訓練樣本由三種電流密度下的100組數據組成。一共為300個數據，將電壓和電流歸一化后，組成一個2行300列的矩陣，作為輸入。同時建立三個BP神經網絡，設置輸入層和隱含層傳遞函數為tansig函數；輸出層為purelin函數，設定輸出誤差值0.001，學習率為0.05。三個網絡分別采用traingd，trainlm和trainbr算法訓練。

訓練的網絡對80 mA/cm2電流密度下的樣本模擬輸出SOC值反歸一化到0～100后與目標值的比較結果如圖2和圖3所示。顯然采用貝葉斯正則化算法的模型更好。

4 試驗結果與分析

將通過貝葉斯正則化算法訓練好的BP網絡保存于Matlab安裝目錄下，釩電池充放電監控系統上位機軟件由LabVIEW編寫，LabVIEW通過調用Matlab腳本VI調用這個訓練好的神經網絡，對釩電池在多個不同電流密度下的放電實驗進行采樣，對每一個采樣時刻進行SOC值估計并動態顯示。

實驗中所測試的釩電池按照電流密度60 mA/cm2、80 mA/cm2和120 mA/cm2，對應電流為4.42 A，5.89 A和8.81 A對電池進行放電測試。電池充放電監控系統每一秒采集電池放電實時端電壓和電流值，通過軟件歸一化后作為網絡輸入。每一組實驗隨機抽取了20個預測點，預測結果與其真實值如圖4所示，其預測誤差值分布如圖5所示。

圖5中誤差分布集中分布在±0.5%，最大誤差值-1.5%。

從圖2和圖3幾種曲線的對比看出相比較于標準的最速梯度下降法和常用的L?M優化算法，采用貝葉斯正則化算法訓練的網絡的逼近結果更能接近真實值。實際上對于L?M算法3%的訓練誤差，已經可以認為是一個不錯的結果，本實驗只采用貝葉斯正則化算法而非L?M算法的原因就是，因為經過trainlm算法訓練的網絡對訓練樣本實現了較好的擬合，而對于訓練樣本之外的新樣本表現的誤差會更大。實際應用中樣本不可能將所有預測的結果都包含，否則就不需要再進行預測了。因此本試驗需要一個能夠具有很好的推廣作用的神經網絡，能夠通過網絡對小樣本所反映的規律準確的反應。貝葉斯正則化算法訓練的神經網絡，具有對輸入噪聲不敏感的特點，因而訓練的誤差更小，具有更好的推廣能力。因此用貝葉斯正則化算法訓練好的網絡來實時預測電池放電過程中SOC狀態比較理想。

5 結 語

釩電池SOC值是表征釩電池放電過程中的剩余電量的一項重要參數，無法直接測試，只能通過多個實時參數對其進行估計。

本文在控制放電溫度條件下，分析了常用三層BP神經網絡對于SOC非線性曲線逼近的原理，在參考了L?M算法對BP網絡優化的基礎上，提出運用貝葉斯正則化算法訓練改進BP網絡應用于釩電池SOC的預測。對比通過訓練樣本的訓練結果，證明貝葉斯正則化算法的訓練結果更優。運用該算法訓練的神經網絡作為預測工具，對釩電池多個放電電流情況下實時SOC值進行實時動態預測。結果顯示，預測絕對誤差低于±2%，證明方法是準確可行的。

參考文獻

[1] 萬永凱.混合動力電動汽車鋰離子電池SOC估計方法研究[D].武漢：武漢理工大學，2013.

[2] 杜濤，李愛魁，馬軍，等.動力電池SOC預估方法研究進展[J].電源技術，2015，39（4）：844?845.

[3] 王熙俊，張勝寒，張秀麗，等.全釩液流電池SOC監測方法綜述[J].華北電力技術，2015（3）：66?70.

[4] 林成濤，王軍平，陳全世.電動汽車SOC估計方法原理與應用[J].電池，2004，34（5）：376?378.

[5] 周曉鳳，趙又群.電動汽車動力電池SOC估算研究[J].機械科學與技術，2014，33（2）：263?266.

[6] 李國進，董第永，陳雙.磷酸鐵鋰電池的SOC預測[J].計算機仿真，2015，32（3）：163?168.

[7] 李正國，孟凡琨.SVM和Kalman濾波大功率動力電池SOC預估方法的研究[J].中國測試，2013，39（5）：92?95.

[8] SHI P， BU C G， ZHAO Y W. The ANN models for SOC/BRC estimation of Li?ion battery [C]// Proceedings of 2005 IEEE International Conference on Information Acquisition. [S.l.]： IEEE， 2005： 560?564.

[9] 周品.Matlab神經網絡設計與應用[M].北京：清華大學出版社，2013.

[10] 陳明，武冬，郅曉娜，等.Matlab神經網絡原理與實例精講[M].北京：清華大學出版社，2013.

[11] 苑倩，劉金枝，楊鵬.基于BP神經網絡的鋰電池SOC在線預測[J].河北工業大學學報，2014，43（5）：15?20.

[12] 尹安東，張萬興，趙韓，等.基于神經網絡的磷酸鐵鋰電池SOC預測研究[J].電子測量與儀器學報，2011，25（5）：433?437.

[13] 楊海深，傅紅卓.基于貝葉斯正則化BP神經網絡的股票指數預測[J].科學技術與工程，2009，9（12）：3306?3310.

[14] 楊琴，謝淑云.BP神經網絡在洞庭湖氨氮濃度預測中的應用[J].水資源與水工程學報，2006，17（1）：65?70.

[15] 田凱，孫永泰，高慧，等.貝葉斯算法BP神經網絡缺陷量化研究[J].中國測試，2014，40（3）：93?97.

[16] 宋雷，黃騰，方劍，等.基于貝葉斯正則化BP神經網絡的GPS高程轉換[J].西南交通大學學報，2008，43（6）：724?728.

[17] 蔡信，李波，汪宏華，等.基于神經網絡模型的動力電池SOC估計研究[J].機電工程，2015，32（1）：128?132.