基于IMPSO-BP鎳氫電池智能充電技術

程方曉，王 源，王 旭

(長春工業大學 電氣與電子工程學院，吉林 長春 130012)

?

基于IMPSO-BP鎳氫電池智能充電技術

程方曉，王 源*，王 旭

(長春工業大學 電氣與電子工程學院，吉林 長春 130012)

以充電電壓與額定電壓之差ΔV和臨近兩個電壓采樣點的變化率Δu/Δt作為輸入變量，建立人工神經網絡模型，研究了基于自適應動態調整慣性權重粒子群算法的BP算法(IMPSO-BP)。利用Matlab仿真得到了理想的快速充電電流。

電動汽車；充電；鎳氫電池；粒子群算法；人工神經網絡

0 引 言

隨著人們環境保護意識的增強，越來越多的人選擇了環境污染小的電動汽車[1]。鎳氫電池因其具有比能量和比功率相對較高、對環境污染小等特點，而被用于包括電動汽車動力電池在內的很多領域。但是隨著人們生活節奏的日益加快，對于電動汽車充電速度的要求越來越高，關于電動汽車快速無損充電的問題是阻礙電動汽車發展的決定性因素。常規鎳氫電池的充電方式一般是恒流充電，這種方式會導致在開始充電時，充電電流達不到電池可接受的最大值，隨著電池充電過程的進行，電流逐漸超過電池的可接受值，將會導致電池出現極化現象，并且產生大量熱量。這種充電方式不僅產生了能量的極大浪費,而且容易導致電池過充，損壞電池。所以，尋找一種新型智能充電方式勢在必行。針對以上問題進行研究，文中將IMPSO-BP算法引入到鎳氫電池充電過程中，通過對人工神經網絡的參數進行修正和優化，使電池能夠按照理想充電方式進行充電。

1 電池可接受電流分析

1976年，美國科學家J.A.Mas對蓄電池進行大量實驗，發現了蓄電池析氣的根本原因與規律，提出了以最低析氣率為前提的蓄電池能接受的最大充電電流以及可接受的充電電流曲線(簡稱馬斯曲線)，快速充電技術的理論依據就是馬斯曲線[2]，如圖1所示。

圖1 蓄電池可接受的充電電流曲線

(1)

式中：I0——t=0時可接受的最大充電電流；

I——t任意時刻可接受的最大充電電流；

α——充電接受比，也稱衰減率常數；

t——充電時間。

一般電池的充電過程，充電電流在圖1中的接受區，此時蓄電池不會發生析氣現象，但是充電需要大量的時間。如果充電電流曲線在馬斯曲線附近徘徊，此時充電速率提高，且析氣率會很小，由此可以實現電池的快速無損充電[3]。

2 IMPSO-BP算法

人工神經網絡能在未知作用機理的情況下，從學習樣本得到規律，是一種常用的非線性建模工具[4]。多層前向BP網絡是目前最廣泛的人工神經網絡模型，它能夠完成一個從輸入到輸出的映射，且通過證明可知，它可以完成所有復雜非線性的映射，所以，可以非常方便地求解具有復雜內部機制的問題。但傳統的BP網絡由于本身算法的局限性，從而使它優化復雜函數時會十分低效，且效果不理想。從數學角度來看，BP算法適合進行局部搜索優化，當需要求解復雜函數的全局極值時，算法可能陷入局部極值[5]。

粒子群優化算法(PSO)主要是模擬鳥群捕食行為的一種算法。當使用該算法進行問題的優化時，問題的解就是搜索空間中鳥的位置,這些鳥即為該算法中的“粒子”。每個粒子都有適應度值和速度值，用來評價當前的粒子和決定粒子飛行方向和距離。慣性權重對于PSO來說十分重要，它決定了算法的開發和探索能力，它的值可以影響粒子對當前速度的繼承。如果慣性權重的值較大，則粒子的速度會比較大，從而粒子的全局搜索能力將會增強；如果慣性權重較小，則粒子的開發能力相對來說較強，算法的局部搜索能力較強。文中采用自適應動態調整慣性權重的粒子群算法，自動調整慣性權重，使PSO同時兼顧局部搜索能力和全局搜索能力[6]。

使用自適應動態調整慣性權重的PSO算法來調節BP神經網絡算法的權值和閾值，可以減少BP算法的權值和閾值的調整時間，并且可以同時具有較好的局部搜索能力和全局搜索能力，進而避免了BP算法效率低和易陷入局部極值的缺點。這就是自適應動態調整慣性權重的粒子群算法的BP網絡算法，也稱IMPSO-BP算法[7]。

3 BP神經網絡模型

蓄電池進行充電時，很多因素都可以對充電電流的大小產生影響，如蓄電池容量、外界溫度、電池荷電狀態、電池老化程度等[8]。但主要因素有以下兩點：充電電壓和電池額定電壓之差ΔV及充電時電池的溫度。由于在不同充電條件下電池溫度會有很大變化，所以文中不考慮溫度對充電的影響。通過實驗證明，也可用臨近兩個電壓采樣點的變化率Δu/Δt對充電電流進行預測。根據kolmogorov定理，一個三層BP神經網絡就可以在任何希望的精度上實現任何的連續函數。故文中以ΔV和Δu/Δt來當作人工神經網絡的輸入變量，當前充電電流為輸出量，建立一個二輸入一輸出的三層BP神經網絡，如圖2所示[9]。

圖2 三層BP神經網絡模型

IMPSO-BP算法的具體步驟如下：

1)設置當前代數t=1，粒子數目為30，最小適應度值為0.01，最大迭代次數為3 000。并對粒子群的初始位置和速度賦初值，將此時的位置假定為粒子的初始最優位置。

2)圖2三層BP神經網絡模型中，令xi1～xi9=ω1～ω9，xi10～xi15=θ1～θ6，粒子初始值作為BP神經網絡的初始權值和初始閾值。

(2)

(3)

式中：c1,c2——學習因子，通常取c1=c2=2；

r1,r2——介于[0,1]的隨機數；

ω——慣性因子。

vid∈[-vmax,vmax]，vmax是一個用戶自定義的常數。

則輸入層第一個神經元的輸出為：

第二個神經元的輸出為：

以此類推：

(4)

(5)

(6)

則最終輸出I為：

(7)

4)粒子群適應度值ft為：

(8)

式中：T——輸出層期望輸出值;

I——計算輸出值。

5)將每個粒子的適應度值與個體極值pbest相比較,如果適應值優于其個體最優位置pbest,則將pbest更新為當前適應值。用同樣方法可以對全局最優質pbest進行更新。

6)利用下式計算慣性權重：

(9)

式中：α——介于[0,1]的隨機數；

ft——第t代的適應度值。

7)根據式(2)、式(3)和式(9)，對每個粒子的速度和位置進行更新。

8)如果當前適應度值小于等于最小適應度值，或者當前代數大于最大代數，算法執行完畢，否則執行9)。

9)當前代數t=t+1，返回3)。

4 仿真結果

為方便數據的采集，簡化實驗過程，本實驗采用10節鎳氫電池進行測試，并利用Matlab進行仿真，采用改進粒子群算法訓練BP神經網絡。經過訓練，最終得到在不同的電池狀態下比較理想的充電速率，仿真結果如圖3所示。

圖3 仿真結果

當電壓差值ΔV大而電壓變化率Δu/Δt小時，表明電池電量較少，此時可采用1.5C的大電流進行充電，從而縮短了充電時間；而當電壓差值ΔV小且電壓變化率Δu/Δt小時，表明電池即將充滿，此時采用0.2C的小電流進行充電，保證了電池可以充分充電而不發熱損傷電池。當電池的充電電流小于0.1C時，可視為電池充滿，結束充電。

5 結 語

將IMPSO-BP算法引入到鎳氫電池充電過程中，并以充電電壓和額定電壓之差ΔV和臨近兩個電壓采樣點的變化率Δu/Δt為輸入變量建立了人工神經網絡模型。通過對人工神經網絡參數進行修正和優化，使電池能夠按照理想的充電方式進行充電，Matlab仿真結果能夠獲得理想的充電電流。

[1] 程方曉，李騰飛，王旭.電動汽車建模及放電管理研究[J].長春工業大學學報，2016,37(2):159-164.

[2] 李俊.蓄電池快速充電技術研究[D].成都：西南交通大學,2009.

[3] 王麗,高田,景志林.蓄電池可接受充電電流預測[J].電源技術,2012(7):962-965.

[4] 王麗,景志林,景占榮.基于ANFIS的鎳氫電池快速充電過程優化[J].現代電子技術,2007,24:197-199.

[5] 鄭衛燕.基于遺傳算法的BP網絡優化研究及其應用[D].哈爾濱:哈爾濱工程大學,2008.

[6] 隨聰慧.粒子群算法的改進方法研究[D].成都：西南交通大學,2010.

[7] 張莉.幾類神經網絡的分析與優化及其應用研究[D].西安:西安電子科技大學,2012.

[8] 王曉亮.聚合物動力鋰電池組充電策略研究[D].哈爾濱：哈爾濱工業大學,2011.

[9] 張清良,李先明.一種確定神經網絡隱層節點數的新方法[J].吉首大學學報：自然科學版,2002(1):89-91.

NI-MH batteries intelligence charging based on IWPSO-BP

CHENG Fangxiao,WANG Yuan*,WANG Xu

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

The difference between charging voltage and rated voltage ΔVand the change rate between the two near voltage sampling point Δu/Δtare taken as the inputs to build an Artificial Neural Network Model. A BP algorithmbased on adaptive dynamic adjustment inertia weightparticle swarmoptimization (IWPSO-BP) is studied,and the fast changing current is obtained with Matlab simulation.

electric car; charging; NI-MH battery; particle swarm optimization; artificial neural network.

2016-05-19

吉林省科技發展計劃基金資助項目(20120362)

程方曉(1969-)，女，漢族，吉林長春人，長春工業大學副教授，博士,主要從事測控技術與智能系統方向研究,E-mail:chengfangxiao@ccut.edu.cn.*通訊作者：王 源(1992-)，男，漢族，山東菏澤人，長春工業大學碩士研究生，主要從事測控技術與智能系統方向研究,E-mail:644638099@qq.com.

10.15923/j.cnki.cn22-1382/t.2016.5.09

TM 910.06

A

1674-1374(2016)05-0461-04