基于人群搜索的極限學習機荷電狀態估計

姜長泓， 王 闖

(長春工業大學 電氣與電子工程學院， 吉林 長春 130012)

基于人群搜索的極限學習機荷電狀態估計

姜長泓， 王 闖

(長春工業大學 電氣與電子工程學院， 吉林 長春 130012)

以電池組的電壓、充放電電流作為輸入變量，SOC作為輸出變量。在建模過程中，用人群搜索算法來優化隨機給定的極限學習機的輸入權值矩陣和偏差。

荷電狀態； 極限學習機； 人群搜索算法； 預測

0 引 言

電池的荷電狀態(SOC)是電池的一個重要參數，反映了電池的使用情況。在電池的管理系統中，SOC的估算占有很重要的地位。準確的估算SOC可以提高電動車運行的可靠性和安全性。但是電動汽車在實際運行過程中，電流隨工況不同而隨之波動，電池組的溫度也隨之有升高的趨勢，從而影響電池的性能。因此采取有效方法可靠的估計SOC尤為重要，這也是電池管理系統研究的重點之一。根據Peukert經驗方程Int=k可知，當放電電流I為恒流時，放電電量Q=I1-nk，其中,k為電池型號類別的常數、t為放電時間。而SOC與放電電量有關，可以看出SOC與電流具有一定的非線性關系。又根據G.L.Plett提出的電池簡化模型可知，SOC與電池電壓具有一定的非線性關系。考慮到電池模型的非線性特性，文中采用神經網絡來研究非線性特性。

文中采用人群搜索的極限學習機預測方法,結合了人群搜索算法收斂精度高、收斂迅速和極限學習機的學習速度快、誤差小的優點[1]。使得SOC的估算和預測速度有所提高，具有較高的預測和估算精度。

1 極限學習機(ELM)

極限學習機是一種新型的前饋神經網絡[2-3]學習算法。對于一個單隱層的神經網絡，假設n個任意的樣本(Xi，Yi)，Xi=[Xi1,Xi2,…,Xin]T∈Rn,Yi=[Yi1,Yi2,…,Yim]T∈Rm,對一個具有L個隱含節點的神經網絡而言，激勵函數為g(x),輸出可以表示為：

如果這個具有L個隱含層的神經網絡能以零誤差逼近這n個樣本，則存在ai，bi，βi使得fL(X)=Yi,i=1,2,…,L。當輸入權值矩陣和偏差隨機給定時，隱含層矩陣就會確定,從而可以計算得出輸出權值矩陣。

2 人群搜索的極限學習機(SOA-ELM)

由于ELM隨機給定輸入權值矩陣和偏差，而隱含層輸出權值矩陣是由輸入權值矩陣和偏差計算得出。當輸入權值矩陣和偏差都為零時，此時隱含層節點是無效的。因此在實際中需要大量隱含節點才能滿足精度[4]。SOAELM結合了SOA和ELM的優點。由SOA優化選擇ELM的輸入權值矩陣和偏差，從而得到一個優化的網絡。SOA是一種群智能算法[5]，該算法種群的個體是由輸入權值矩陣和隱含層偏差構成，粒子長度D=k·(n+1)，其中k是隱含層節點數，n為輸入神經元數，用D表示SOA的搜索空間維數。

2.1 搜索步長的確定

SOA模擬人智能搜索行為，建立目標函數與步長的關系[6]。采用高斯隸屬函數表示搜索步長模糊變量：

當輸入變量超出[μ-3δ,μ+3δ]時，隸屬度u(μ-3δ)<0.011 1，故umin=0.011 1。采用線性隸屬度時，在最佳位置有最大隸屬度umax=1.0，最差位置有最小隸屬度。當隸屬度在[umin,umax]時，隸屬度則有：

根據下式可以算出步長：

其中：

2.2 確定搜索方向

根據人群搜索的利己、利他和預動行為進行分析，分別得到第i個搜尋個體的利己方向di,ego、利他方向di,alt和預動方向di,pro。

考慮到搜索種群個體的差異，采用3個方向加權平均確定搜索方向：

2.3 搜尋者個體位置更新

根據搜索方向和步長進行位置更新。

通過上述幾步反復運用直到得到最優的輸入權值矩陣和偏差，然后將它們代入公式計算得出輸出權值矩陣。

3 驗證仿真和分析

文中將容量為100 A·h的磷酸鐵鋰動力電池組作為研究對象。電池組共24塊單體電池。先常溫下以0.4 C恒流充電至84 V,然后恒壓充電至電流降到0.02 C為止。分別采用0.2、0.3、0.4 C的恒流放電。為了防止過放，當某一塊電池達到最低電壓2.8 V時，則停止放電。然后靜置一段時間。通過電池測試柜獲取電池組的電壓、充放電電流和電池真實SOC這3項數據。將所得數據進行整理隨機分成訓練集和測試集二類，其中訓練集60個樣本，測試組33個樣本。每個樣本都是由電池組電壓、充放電電流和相應SOC組成。設置種群規模為30，最大迭代次數為50，隱含層節點數都設為10，其他參數設置相同。將所得數據分別用ELM、PSOELM、SOAELM、BPNN來訓練和測試。4種模型的性能比較見表1。

表1 4種模型的性能比較

從表1可以看出，SOAPLM的均方誤差比ELM、PSOELM和BPNN的均方誤差都要小，說明該方法有較高的預測精度。而且訓練平均誤差和測試平均誤差比其他3種方法都要低，故該方法具有較好的收斂精度。當電池組發生不均衡問題時，該方法也可以很好地預測SOC。

用SOAELM來訓練和測試，得到訓練集和測試集的SOC擬合曲線如圖1所示。

圖1 SOC擬合曲線

通過圖1可以很明顯看出，該方法可以很好地預測SOC且具有較高的精度。訓練集和測試集都能進行很好的擬合。

通過人群搜索的極限學習機方法可以得到SOC預測誤差曲線，如圖2所示。

圖2 預測誤差曲線

通過圖2可以看出，對于每個測試樣本，其預測誤差都很小，最大預測誤差低于1.2%，說明該方法具有很高的預測精度。證明了算法的有效性和優越性。

4 結 語

采用一種新的SOC估算方法，即基于人群搜索的極限學習機的預測方法。在正確輸入變量的情況下，只需要通過簡單的訓練，就能達到很好的預測效果。該算法采用智能算法，可以嵌入芯片中，對SOC進行實時預測，具有很好的實際意義。人群搜索的極限學習機是一種新的有效方法，在其他類似的預測中具有推廣意義。

[1] 王杰,畢浩洋.一種基于粒子群優化的極限學習機[J].鄭州大學學報：理學版，2013(1):100-104.

[2] Huang Guangbin， Zhu Qinyu， Siew Cheekheong． Extreme learning machine：theory and applications [J]. Neurocomputing，2006，70(1/2/3)：489-501.

[3] 陳盛雙.基于極限學習機的XML文檔分類[J].計算機工程，2011，19:177-178，182.

[4] 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(3):163-168.

[5] 莫宏偉.自然計算研究進展[J].智能系統學報，2011(6):544-555.

[6] 余勝威，曹中清.基于人群搜索算法的PID控制器參數優化[J].計算機仿真，2014(9):347-350，373.

ExtremeLearningMachineSOCestimationbasedonseekeroptimization

JIANG Changhong, WANG Chuang

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

With the battery voltage, charge and discharge current as input variables, and state of current (SOC) as output variables. Seeker optimization algorithm is used to modify the input weight-matrix and bias of the extreme learning machine, when a random model is established.

SOC； Extreme Learning Machine (ELM); seeker optimization algorithm; prediction.

2017-08-25

姜長泓(1969-)，男，漢族，吉林長春人，長春工業大學教授，博士，主要從事機械故障診斷與微弱光電檢測及儀器方向研究,E-mail:jiangchanghong@ccut.edu.cn.

10.15923/j.cnki.cn22-1382/t.2017.5.11

TM 911

A

1674-1374(2017)05-0468-04