基于GA-ANFIS的裝甲車輛蓄電池SOH預測方法

常天慶劉 鵬

(1.陸軍裝甲兵學院，北京 100000; 2.中國人民解放軍68207部隊，甘肅 嘉峪關 735100;3.陸軍特種作戰學院，廣西 桂林 541000)

0 引言

在裝甲車輛操作使用和維護的過程中，蓄電池的能量供應關系到裝甲車輛的機動安全和運行可靠。為了保證裝甲車輛的電池性能良好，延長電池壽命，必須對蓄電池的健康狀態(State of Health，SOH)進行及時、準確的監測。通過SOH預測可識別電池性能的降低并檢測其生命周期的終止。SOH反映的是電池使用一段時間后，性能參數與標稱參數的比值。未使用過的新電池，在生命周期開始時，SOH的值是100%，隨著使用時間而減少，直到生命周期結束。在SOH小于一定比例時，蓄電池不能繼續使用，需要進行維修或替換[1]，因此，準確的SOH預測可避免對軍用蓄電池做過多的維護和檢修，降低了其使用成本并及時避免裝甲車輛演訓中意外故障的發生。

SOH是不可直接測量的理論上的概念，相比荷電狀態(State of Charge，SOC)的預測更加復雜，需要從與電池健康相關的其他因素推斷出來。電池電量的退化程度依賴使用情況、操作模式和工作環境[2-3]，SOH預測精度不僅取決于電池模型的可靠性，而且取決于模型中參數選取的準確性。同時，軍用蓄電池與民用蓄電池在業務需求、使用場景等方面均存在一定差異。因此，對裝甲車輛軍用蓄電池進行SOH預測，是一項具有一定挑戰的研究課題。本文從兩方面入手對裝甲車輛蓄電池SOH展開預測，一方面將遺傳算法與自適應模糊神經系統相結合，改進預測模型；另一方面，在傳統輸入參數放電深度和輸出能量的基礎上，引入海拔和溫度，改進模型輸入，實驗結果有效驗證了所提方法的有效性。

1 相關研究

SOH預測的基本方法是基于對充放電過程中存儲和消耗的能量進行計數。這種方法稱為庫侖計數，可以在兩種不同的方式下進行預測。一種為恒定負載測試期間的庫侖計數，需要一個核對性放電過程，依據終止電壓結束放電，按一定時間間隔采集數據，并計算SOH。另一種為日常使用期間可變負載的庫倫計數，盡管這種方法更貼近于實際，但會引入累計測量誤差[4]。同時，不同的使用環境也需要對算法進行改進，并采取連續校準來減小所引入的誤差[5]。

在庫侖計數的基礎上，SOH相關的物理參數的識別和建模方面存在大量研究，如開路電流電壓[6]、電阻[7]、溫度[8]、端電壓[9]、電壓和電流曲線[10]等。在這些方法中，通過構建模型由物理參數計算電池SOH的數值。等效電路模型是建模電池內阻和電池充放電過程中行為兩者關系的典型例子[11]。歐陽等人使用化學動力學來建模電池退化的過程[12]，通過該模型測量特定參數來預測不可測參數的值。同時，部分研究集中在智能算法和統計方法方面，包括人工神經網絡[13]、模糊邏輯[14]、粒子濾波器[15]、支持向量機[16]、卡爾曼濾波器[17]、k-近鄰回歸和粒子群優化技術[18]。本文在庫侖計數方法、物理參數識別和建模的基礎上展開優化，將遺傳算法(GA)與自適應模糊神經系統(ANFIS)相結合，并將裝甲車輛運行環境中涉及的海拔和溫度兩參數作為輸入引入模型，以改進算法的優化效果。

2 基于GA-ANFIS的SOH預測方法

2.1 總體流程

本文將遺傳算法和自適應模糊神經推理系統兩者相結合，應用于SOH預測，設計了基于GA-ANFIS的SOH預測算法，總體流程圖如圖1所示，主要包含5個階段。

圖1 蓄電池健康狀態GA-ANFIS預測算法

具體步驟分階段進行如下說明：

1)第一階段為FIS初始化部分：

第一步，加載蓄電池健康狀況的訓練數據，該數據為在各種條件下采集得到的數據；

第二步，加載蓄電池健康狀況的測試數據；

第三步，根據加載數據生成FIS，主要通過模糊C均值聚類的方法實現。跳轉第二階段。

2)第二階段為GA算法的訓練部分：

第一步，GA初始化，包括交叉、突變比例、迭代次數、人口數等各類參數；

第二步，根據初始化后的參數，運行GA算法；

第三步，計算生成ANFIS的優化參數。跳轉第三階段。

3)第三階段為訓練集的評價部分：

第一步，面向訓練集模糊推理計算；

第二步，生成訓練集的推理結果；

第三步，對訓練集結果進行顯著性評價，主要是統計意義的檢驗。跳轉第四階段。

4)第四階段為測試集的評價部分：

第一步，面向測試集模糊推理計算；

第二步，生成測試集的推理結果；

第三步，對測試集結果進行顯著性評價，主要是統計意義的檢驗。跳轉第五階段。

5)第五階段為結果的滿意度評估部分：

第一步，根據用戶設置的初始值，判斷結果是否滿意，若滿意則程序結束；否則跳轉第二步；

第二步，計數判斷當前GA已運行的次數，若超過最大運行次數時，跳轉第三步；否則，跳轉第二階段第一步；

第三步，根據用戶預先設置的GA范圍自動調整參數范圍，跳轉第二階段第一步。

2.2 訓練過程

整個算法的核心是使用GA訓練ANFIS的過程，流程圖見圖2。該過程處于GA-ANFIS框架整體流程的第二階段。第二階段開始后，首先獲取第一階段計算得到的隸屬度相關參數，并將該參數序列化，序列化后的參數為遺傳算法的尋優參數。而后，初始化遺傳算法的配置參數，這些參數包括人口數、迭代數、交叉比例、突變比例、選擇壓力、突變率等等，并根據部分上述參數生成初始人口。針對初始人口，展開FIS模糊推斷并計算開銷，輸入變量是關于訓練數據的輸入矩陣，輸出變量為FIS推測得出的電池剩余載荷。開銷用兩個誤差統計項來表示，即：均方誤差MSE和均方根誤差RMSE來表示。

圖2 使用GA訓練ANFIS的算法流程

遺傳算法的進化在一定迭代次數內完成，主要算子包括選擇、交叉和突變。在每一代計算中，首先將開銷做歸一化處理，計算每個人口的使用度。選擇父親節點進行進化的方法是傳統的輪盤賭方法，適應度強的節點具有較大選擇概率。每次迭代通過交叉算子生成兩個后代，并對后代的開銷進行評估。突變算子在交叉算子后執行，隨機選擇父親節點，并通過突變算子操作生成后代。當交叉和突變生成的后代滿足指定數目后，連同上一代節點進行人口歸并，并做開銷排序。按每一代的人口上限截取后，更新最好開銷和最壞開銷的節點。當到達最大迭代數N或連續幾代內開銷的改進小于閾值T時，整個迭代過程結束。記錄最優的FIS參數并生成最優FIS。該FIS將最終用于電池剩余載荷的預測。

3 實驗與分析

3.1 輸入變量的選擇

測試對象為主流裝甲車輛的一款鉛酸蓄電池。蓄電池SOH受諸多因素影響，這些因素包括端電壓、電池內阻、溫度、自放電因子、老化程度、電解液密度、放電電流等。文獻[19-20]對蓄電池SOH的影響因素進行了分析，認為電解液濃度、自放電因子、蓄電池內阻等因素不宜作為SOH預測的輸入變量。相關研究[20-23]普遍認為應選擇放電深度和輸出能量兩者作為輸入變量。

然而，我國幅員遼闊、邊境線漫長，適用于裝甲車輛的鉛酸蓄電池的工作環境與工業等民用蓄電池的使用環境差異很大，并非常年工作于常溫常壓的平原地區。尤其對于高原高寒環境地域，低溫低壓會降低負極活性物質的利用率，導致電池內阻增大，并最終影響蓄電池的容量[24]。因此，本文在預測裝甲車輛鉛酸蓄SOH健康狀況中，考慮加入溫度和海拔兩個輸入變量，并分析溫度和海拔在改進裝甲車輛鉛酸蓄SOH預測中的效果。

3.2 實驗方法

課題組在西北戈壁及祁連山脈展開實驗研究和數據采集，所在地域的海拔范圍1200～5150米，選擇地域內1305、2580、3157和4233四個點位的海拔高度，數據采集的同時，記錄當時的溫度。實驗中采用了80組裝甲車輛的鉛酸蓄電池，放電深度分別為0.05、0.1、0.15和0.2。每組電池在每個點位采集輸出能量、海拔、溫度數據8組，共產生2560組數據。

在運行GA-ANFIS算法時，將70%的數據(1792組)作為測試數據，同時將剩余30%的數據(768組)作為預測數據。為避免按時間先后采集數據可能造成實驗結果的偏差，在劃分測試數據和預測數據前，進行了數據的隨機混洗。

實際容量的獲取采用了核對性放電方法進行測量。輸出能量按等間隔時間采集電壓值和電流值，累加計算的方法進行。數據采集完成后，輸出能量按最高值做歸一化處理。

GA-ANFIS算法所執行的硬件環境為華為服務器RH2488V5，軟件環境為Matlab2016a。為了驗證GA-ANFIS相比ANFIS的改進效果，首先利用MATLAB中模糊神經網絡工具箱，進行ANFIS的模糊推斷，以分析GA-ANFIS相比無GA尋優情況下ANFIS算法的預測效果。GA-ANFIS的實驗中分別對兩輸入和四輸入的情況分別運行算法，記錄均方誤差MSE、均方根誤差RMSE、誤差均值和誤差標準差。由于遺傳算法是一種隨機搜索算法，每次執行往往會得到不同且接近的結果，對每一類輸入的情況，實驗中運行五次GA-ANFIS算法，并采用均值作為算法的輸出結果進行比對分析。

3.3 實驗結果

本文進行了4組實驗，分別為兩輸入ANFIS(ANFIS2)、四輸入ANFIS(ANFIS4)、兩輸入GA-ANFIS(GA-ANFIS2)和四輸入GA-ANFIS(GA-ANFIS4)。

3.3.1 ANFIS2實驗結果

ANFIS2的輸入變量為放電深度和輸出能量。模糊系統采用三個模糊子集覆蓋每個輸入量，并產生三個輸出。放電深度和輸出能量分別有3個隸屬度函數，該函數的類型可選擇三角形隸屬函數(trimf)、高斯形隸屬函數(gaussmf)、廣義鐘型隸屬函數(gbellmf)、雙S形乘積隸屬函數(psigmf)等11種。由于GA-ANFIS的matlab實現中采用了gaussmf隸屬函數，為保證相同條件下實驗結果做對比，ANFIS實驗中同樣采用gaussmf隸屬函數，不同隸屬度選擇下對ANFIS的優化效果不在本文的探討范圍內。放電深度和輸出能量兩輸入量的初始高斯隸屬函數的參數為：[0.17 0]、[0.17 0.5]、[0.17 1]。

圖3為ANFIS2模型測試數據的預測結果。平均訓練誤差為 0.037424，平均測試誤差為0.03767。

圖3 ANFIS2模型測試數據的預測結果

3.3.2 ANFIS4實驗結果

ANFIS4的輸入變量為放電深度、輸出能量、海拔和溫度。模糊系統采用三個模糊子集覆蓋每個輸入量，并產生27個輸出。放電深度、輸出能量、海拔和溫度四個輸入量分別有3個隸屬度函數，該函數在ANFIS實驗中同樣采用gaussmf隸屬函數。放電深度的初始高斯隸屬函數的參數為：[0.03185 0.05]、[0.03185 0.125]、[0.03185 0.2]，輸出能量的初始高斯隸屬函數的參數為：[0.1745 0.1785]、[0.1744 0.5892]、[0.1744 1]，海拔的初始高斯隸屬函數的參數為：[0.6158 1.3]、[0.6158 2.75]、[0.6158 4.208]，溫度的初始高斯隸屬函數的參數為：[10.19-18]、[10.19 6]、[10.19 30]。

圖4為ANFIS4模型測試數據的預測結果。平均訓練誤差為0.026143，平均測試誤差為0.026469。

圖4 ANFIS4模型測試數據的預測結果

3.3.3 GA-ANFIS2實驗結果

GA-ANFIS2實驗中訓練數據的結果見圖5、圖6，圖中分別給出了輸出結果的誤差指標和輸出結果的誤差指標的統計特性。

圖5 GA-ANFIS2訓練數據輸出結果的誤差指標

圖6 GA-ANFIS2訓練數據誤差指標的統計特性

測試數據的結果見圖7、圖8，圖中分別給出了輸出結果的誤差指標和輸出結果的誤差指標的統計特性。

圖7 GA-ANFIS2測試數據輸出結果的誤差指標

圖8 GA-ANFIS2測試數據誤差指標的統計特性

實驗中依次記錄5次GA-ANFIS算法的均方誤差、均方根誤差、平均誤差和誤差標準差，并計算每個指標的均值，得到表1和表2所示的結果。

表1 GA-ANFIS2五次實驗訓練數據的誤差結果

表2 GA-ANFIS2五次實驗測試數據的誤差結果

3.3.4 GA-ANFIS4實驗結果

GA-ANFIS4實驗中訓練數據的結果見圖9、圖10，圖中分別給出了輸出結果的誤差指標和輸出結果的誤差指標的統計特性。

圖9 GA-ANFIS4訓練數據輸出結果的誤差指標

圖10 GA-ANFIS4訓練數據一階誤差的統計特性

測試數據的結果見圖11、圖12，圖中分別給出了輸出結果的誤差指標和輸出結果的誤差指標的統計特性。

圖11 GA-ANFIS4測試數據輸出結果的誤差指標

圖12 GA-ANFIS4測試數據一階誤差的統計特性

實驗中依次記錄五次GA-ANFIS算法的均方誤差、均方根誤差、平均誤差和誤差標準差，并計算每個指標的均值，得到表3和表4所示的結果。

4.4 實驗分析

下面對4次實驗的平均誤差進行比對，結果如圖13所示。根據結果對比分析，可得到如下實驗結論：

表3 GA-ANFIS4五次實驗訓練數據的誤差結果

圖13 四組實驗平均誤差比對

1)ANFIS模型應用于蓄電池SOH預測，4組實驗的平均誤差均比較小，驗證了采用ANFIS做SOH預測的有效性。

2)同一組實驗中，測試數據和訓練數據的平均誤差較為接近，說明訓練中所產生的模型比較好，預測的結果符合預期。

3)將遺傳算法和自適應神經模糊系統相結合，能顯著提升ANFIS算法模糊推理的效果。其中，GA-ANFIS2相比ANFIS2測試數據誤差減小24.6%，GA-ANFIS4相比ANFIS4測試數據誤差減小47.6%。

4)采用放電深度、輸出能量、溫度和海拔四輸入變量做蓄電池SOH，能顯著改進放電深度、輸出能量兩輸入變量的模型預測效果。其中，ANFIS4相比ANFIS2測試數據誤差減小29.7%，GA-ANFIS4相比GA-ANFIS2測試數據誤差減小51.2%。

5 結束語

為保證裝甲車輛演訓過程中性能良好，本文對裝甲車輛中軍用蓄電池的SOH預測問題展開研究。將遺傳算法同自適應模糊神經系統相結合，設計了一種基于GA-ANFIS的蓄電池SOH預測算法，并在Matlab2016b進行實現。實驗結果表明，基于GA優化的ANFIS算法相比傳統算法具有更好的優化效果。同時，增加海拔和溫度后，四輸入模型的測試數據誤差明顯優于兩輸入模型。本文設計的GA-ANFIS預測技術具有一定的通用性，在改進軍用蓄電池SOH預測效果的同時，可作為裝甲裝備自動測試系統中部組件狀態預測的一般方法，以提升自動測試系統的整體能力。