改進蟻群算法與BP網絡融合預測鉛酸蓄電池SOC

薛萍　宋巖亮

摘要：人工神經網絡通過模擬人腦神經網絡的方式記憶、處理信息，具有很高的智能性，近些年來，被廣泛應用在太陽能用鉛酸蓄電池剩余電量預測的研究中，但是，收斂速度慢、對初值敏感以及較易陷于局部極小值等是單一神經網絡算法難以解決的缺點，針對該問題，將蟻群算法進行改進并與BP神經網絡相融合，先采用改進的蟻群算法將BP神經網絡的權值參數進行全局訓練，然后，采用BP神經網絡算法進一步進行局部學習，從而獲得最優的BP神經網絡權值.最后，通過MATLAB仿真和實驗驗證了本課題所采用的改進蟻群與BP網絡融合算法能明顯改善BP網絡的收斂速度以及預測精度，能準確地預測出太陽能蓄電池SOC。

關鍵詞：太陽能鉛酸蓄電池sOc；改進蟻群算法；蟻群與BP網絡融合

DoI：10.15938/j.jhust.2016.05.018

中圖分類號：TK02

文獻標志碼：A

文章編號：1007-2683（2016）05-0095-05

0.引言

太陽能路燈系統中，光伏電池利用光生伏打效應原理產生電能.白天，光伏電池將太陽能轉換為電能存人蓄電池；晚上，蓄電池為太陽能路燈提供電能，太陽能道路照明系統由光伏電池、太陽能用鉛酸蓄電池、控制器和LED路燈等組成.鉛酸蓄電池是太陽能照明系統非常重要的組成部分，但是，相對其他組成部分來說，鉛酸蓄電池成本高昂、壽命偏短，因此，對蓄電池進行科學管理是必不可少的一部分，要提高蓄電池壽命，準確預測蓄電池剩余電量是基本前提之一，蓄電池剩余電量（state of charge，SOC），代表電池使用一段時間或長期擱置不用后的剩余容量與其完全充電狀態的容量比值，常用百分數表示，目前，安時積分法廣泛應用在蓄電池剩余電量在線預測中，但是，安時法存在需要精確計算充放電效率以及測量工具的不精確容易產生累積誤差等問題，因此，人們在不斷探索采用新的方法來精確預測蓄電池SOC，近十年來，神經網絡由于其高智能性得到人們廣泛青睞并將該技術應用在鉛酸蓄電池SOC的預測中，雖然該方法與傳統預測方法相比，它具有非線性、聯想記憶、學習和自適應性等重要特征和性質，但是，BP神經網絡也有收斂速度慢，對初值設置敏感，容易陷入局部極小值等缺陷和不足，為了克服BP神經網絡的上述不足，本文對BP神經網絡算法預測蓄電池SOC進行了優化改進，將改進的蟻群算法與BP神經網絡算法相結合，先采用改進蟻群算法將權值范圍縮小至最優值周圍，然后再采用BP神經網絡算法訓練網絡，獲得最優權值，最后，建立蓄電池SOC預測仿真模型，驗證改進的蟻群算法與BP網絡融合來預測蓄電池SOC的有效性。

1.太陽能用蓄電池SOC常用在線預測方法概述

1.2內阻法

研究表明，蓄電池的內阻與SOC有直接的對應關系，但是電池剩余容量大于50%時，蓄電池的內阻變化不太明顯，僅在低于50%時，蓄電池內阻才會出現明顯的變化.蓄電池內阻一般在毫歐級，一般的測量難于滿足精度要求，且通用性差。

1.3神經網絡法

神經網絡算法作為一門較新的技術受到人們高度重視，與傳統控制技術相比，具有無法比擬的優勢，該算法具有聯想記憶、自學習、非線性、以及一定的泛化和容錯能力，有極高的智能性，但是，不容忽視的是，神經網絡算法有容易陷入極小值和收斂速度慢等難以解決的問題。

本課題對神經網絡法預測蓄電池剩余電量進行深入研究，采用蟻群算法容易與其他智能算法相結合的優點，將改進的蟻群算法與BP神經網絡算法相融合，有效地解決了收斂速度慢，容易陷入極小值等問題。

2.改進蟻群-BP網絡算法

蟻群算法（ant colony algorithm）是Marco Dorigo博士1992年提出，是一種在圖中尋找最優路徑的概率算法。

2.1蟻群算法基本原理

螞蟻在尋找食物的過程中，會揮發出一種叫做信息素的物質，螞蟻通過感知信息素的強弱進行交流，他們就是通過這種方式達到搜尋食物的目的，螞蟻趨向于信息素強的路徑，若某一路徑信息素越強，則該路徑能吸引越多的螞蟻通過，這種現象稱為蟻群的正反饋現象。

蟻群算法對初始路徑要求不高，具有全局搜索功能，而且還較易與其他智能算法結合，但是，該算法也有一些缺陷：①解決大規模問題時，較難在可接受的循環周期內找到最優值；②螞蟻趨向于信息素強的路徑，但是，往往出現信息素最強的路徑不是最優路徑等問題，針對以上情況我們將對蟻群算法進行改進，最大程度避免搜索時間過長，搜索進度停滯等現象。

2.2蟻群算法的改進

一般來說，一個解決方案越優秀，越有可能在他周邊搜尋到最優解；反之，方案越差，在他的周圍基本沒有找到最優解可能，因此，本改進算法的思想是增強較優解，削弱較差解，使得路徑越短的邊信息素強度越大，越長的邊信息素強度越弱，從而增大較優解與較差解之間的信息素差異，從而使螞蟻搜索路徑集中于較優解附近。

2.3改進蟻群算法與BP網絡的融合

設網絡中有m個待優化的參數，對于每個參數Ai（1≤i≤m），將其分割為n份，從而形成一個m×n大小的集合B，設釋放螞蟻數為K，每只螞蟻按照偽隨機比例規則在集合B中分別選擇相應的值并記錄下來，從而形成禁忌表.當螞蟻對各個參數選擇相應的值后，形成一次循環，然后計算各螞蟻所經過的路徑，并評選出最優和最差螞蟻，進而對信息素進行更新調節，這一過程反復進行，直到達到最大循環次數或者達到預期的精度要求，此時，所求結果為較優解.將改進蟻群算法求得的較優解作為BP神經網絡算法的初始值，然后經過BP網絡訓練找出最優解。

改進蟻群與BP網絡融合算法具體步驟如下：

步驟1）：信息初始化，包括定義信息素的定義域，初始值，設置螞蟻個數，最大迭代次數以及BP算法網絡結構，訓練誤差等等。

步驟4）：重復步驟2）、3）直到每只螞蟻生成一條路徑；

步驟5）：以BP網絡實際輸出值和期望值的均方誤差大小進行排序，并評出最優和最差螞蟻。

步驟6）：對所有螞蟻按照公式（1）執行全局信息素更新；

步驟7）：重復以上步驟，直到滿足迭代終止條件。

步驟8）：將改進蟻群算法求出的最優解作為BP神經網絡的初始權值，然后，訓練網絡，根據網絡的期望輸出與實際輸出的誤差進行反饋調節，進一步調整權值到最優。

步驟9）：利用測試樣本數據對網絡的精度和泛化能力經行檢驗，若能達到設計要求，則算法結束，否則，重新從第一步開始。

3.改進蟻群與BP網絡融合算法在鉛酸蓄電池SOC預測中應用

鉛酸蓄電池的化學特性復雜，不能經過直接測量獲得蓄電池SOC，而蓄電池的外特性：在線電壓，放電電流和環境溫度等與剩余電量之間存在某種非線性關系，本課題，我們利用蓄電池放電過程中容易測量的數據：端電壓、放電電流、環境溫度作為改進蟻群BP網絡的輸入，蓄電池SOC作為輸出，建立仿真模型，驗證試驗效果。

3.1改進蟻群與BP網絡融合算法參數設置

蟻群算法參數設置如下：待優化的權值變量數m=20，螞蟻數K=40，最大迭代次數100。

BP神經網絡選擇一個隱含層，其節點數選為5，隱層以及輸出層傳遞函數皆選擇Sigmoid函數，trainlm作為訓練函數，訓練次數設為5000，誤差0.005，其他參數默認。

3.2樣本數據的采集

環境溫度越低，蓄電池的總容量則越小，從而在放電情況相同時，因溫度不同，蓄電池SOC會有所不同；放電電流的大小和在線電壓對蓄電池SOC也有特定的關系.采用神經網絡算法的優點是不需知道蓄電池內部復雜的化學特性，僅僅通過采集蓄電池外特性和剩余電量的特定關系數據，通過網絡訓練，即可達到預測蓄電池SOC的目的.本文采樣對象為：輸出電壓12V，容量54 AH鉛酸免維護蓄電池，所采集90組數據作為訓練樣本，17組作為預測樣本，部分樣本數據如表1所示。

3.3仿真結果及分析

3.3.1蟻群算法的改進仿真

圖1為改進前后蟻群算法進化曲線.從圖中可以看出改進后的蟻群算法收斂速度要優于改進前的蟻群算法，改進后的算法誤差精度可達0.15，改進前精度則為0.18。

3.3.2改進蟻群與BP網絡融合仿真

圖2為蟻群BP網絡融合算法訓練曲線，圖3為單-BP網絡訓練曲線.從圖中可看出，改進的蟻群-BP神經網絡融合算法收斂速度明顯快于單-BP神經網絡的收斂速度，前者均方誤差精度可達0.0045，后者誤差精度在0.005。

3.3.3預測結果分析

表2為訓練好的網絡的預測值與樣本值對比結果，圖4為網絡輸出值與樣本值對比數據曲線，

由網絡預測值與實際樣本值對比可知，蓄電池sOc預測值與實際值誤差不超過2.5%，該網絡能比較準確預測太陽能用鉛酸蓄電池的剩余電量。

4.結語

本課題所采用的改進蟻群一BP網絡算法加速了BP網絡收斂速度和減小了誤差精度，能有效預測出太陽能鉛酸蓄電池剩余電量，該方法使得均方誤差值達到最小，實現了最優預測，并且通用性強，具有很強的可操作性。