铅酸蓄电池自放电程度的人工神经网络检测.pdf

应用技术
铅酸蓄电池自放电程度的人工神经网络检测
范红军殷合香郑卫东
(海军航空工程学院青岛分院)
摘要:本文提出基于人工神经网络的铅酸蓄电池自放电程度检测方法,并以蓄电池开路端电压变化量、工
作温度、蓄电池老化程度作为输入建立了BP神经网络。实例证明,BP神经网络检测蓄电池自放电程度的方法便
捷可行,且具有较高准确性。
关键词:铅酸菩电池;自放电程度;BP神经网络
2.1BP神经网络结构
标准BP神经网络一般有三层:输入层、隐含层、
铅酸蓄电池在存放期间,常会有容量的损失,就输出层,每层由若干神经元组成。各层次之间的神经
是蓄电池的自放电,它反映了蓄电池在开路状态下,元互相连接、各层次内的神经元之间没有连接。输入
所储存的电量在一定条件下的保持能力,因此又称蓄信号从输入节点依次传递到各个隐含节点,后传递到
电池的荷电保持能力の,铅酸蓄电池存放一定时间后,输出节点,每层的输入只影响下一层的输出。典型的
由于自放电使容量损失较大,需要进行补充充电以保三层BP神经网络结构如图1所示。
持高荷电能力。蓄电池补充充电前,需要首先检测铅
酸蓄电池自放电程度,从而预计待充的电量,避免过
度充电对蓄电池造成的损坏。
目前比较常用的铅酸蓄电池放电程度检测方法
是通过测量各单格电解液密度的高低判断放电程度,
X2
但此方法由于测试的次数较多,测试的累计误差较
大,而且此法仅适用于有加液孔盖的铅酸蓄电池,现n
今大量使用的密封式铅酸蓄电池便无法使用此方法
。另一个方法是通过测量蓄电池开路端电压的高低
判断放电程度。但这种方法由于忽略了蓄电池的内阻
图1三层BP网络结构
压降,且在环境工作温度较高的情况下,难免带来很2.2BP神经网络的算法原理
大的误差。
BP神经网络的算法实际是梯度下降的方法,该
针对蓄电池自放电影响因素复杂的特点,本文将算法的学习过程由正向传播过程和反向传播过程两
标准BP人工神经网络与检测开路端电压变化方法结个阶段组成:第一个阶段根据输入学习样本,计算网
合,进行蓄电池自放电程度检测。
络的输出;第二个阶段是从最后一层向前计算各权值
2BP神经网络
和阈值对总误差的影响(梯度),据此对各权值和阈
BP神经网络具有逼近任意非线性函数的能力
值进行修改。BP神经网络的学习算法如下?:
①隐含层节点输出函数
它通过使用样本数据,实现输入层和输出层之间非线
性映射的关系,只要提供足够的训练数据集,就能达
(j=1,2…r
到令人满意的检测精度。
②输出层节点的输出函数:
其网络训练误差最小,所以此网络隐含层节点数应该
为5。
(k=1,2…m)
BP网络的隐含层和输出层激活函数分别使用
③输出层的权值变化
(3) tansig E函数和02gg函数,网络训练使用 training算法
训练目标E0.0001
n为学习率(0<<1)
3.3训练数据获取
④隐含层的权值的变化
为了使BP网络能准确地预测測静置铅酸蓄电池的
△V。=76
4)放电程度,需要大量的实验数据去训练。实验对象为
⑤输出层和隐含层权值调整:
7-HK-182(保定产)的铅酸蓄电池
のA(れ+リ)=のA(の+ムのA(
(5)3.3.1蓄电池老化程度数据获取
(+)=(の)+AV
(6)
在相同环境温度及标准充电状态下,电池充好电
重复①至⑤,直至误差达到规定的要求E,后的初始电量与新蓄电池初始电量的比值,即可得到
传统算法存在收敛速度慢的缺点,本文采用自适蓄电池老化程度。
应调整学习率的改进BP算法加以改进(具体方法参332端电压及环境温度数据获取
见文献[3]),且初始学习率在0.05~0.09之间选择。
将15块7-HK-182(保定产)的铅酸蓄电池充足电
3蓄电池自放电程度的神经网络建立
后在房间存放,存放期间记录房间温度。一定时间后,
测量某一块电池的端电压,并计算存放期间房间温度
3.1影响铅酸蓄电池自放电的因素
影响铅酸蓄电池自放电的因素主要有以下4个方
的平均值。之后,利用放电设备对蓄电池以18A进行
恒流放电,并计时放电时间,当测量蓄电池的电压达
面:①电解液的浓度和极板材料的纯度;②存放
到放电终止电压时,计算蓄电池剩余容量:
期间,硫酸下沉,使极板上产生电位差;③极板活
性物质脱落,造成下部沉积过多使极板短路;④温
则该蓄电池自放电程度
度降低,使容量减小。
(8)
综上,蓄电池自放电程度因素归纳为蓄电池组成
材料、端电压的高低、电池老化程度和环境温度等因
然后继续存放其它蓄电池,存放一定时间后,
素,本文中检测的铅酸蓄电池要求型号一致且生产材测量其中一块电池的端电压,同时计算存放期间房
料相同,因此只选取蓄电池端电压变化、环境温度、间温度的平均值,然后通过(2)式和(3)式计算
蓄电池老化程度等三个因素进行检测。
该块蓄电池的自放电程度,依此类推,最后得到的
3.2BP网络结构的建立
经元个数为3,实验数据如表1所示。
输出层神经元只有1个,即铅酸蓄电池的自放电程度。
3.3.3数据的处理
对于隐含层节点的选取,应遵循节点数尽量小,否则会
神经网络要求所有的输入变量都必须是0-1或
使训练时间过长误差可能达不到预期的要求,隐含层1+1之间的实数,因此必须对原始数据进行归一
节点的数要根据经验来选取,其计算式为
化处理,本文中采用最大、最小归一化方法设X
m1=+m+2。其中:m为隐含层节点的数目;n为和x灬分别为指标x的最小值和最大值,对于指标x
输入层节点数;m为输出层节点数;a为选取1~10
中的值Y而言,将其映射到0~1区间的公式为
x
之间的常数。经试验比较发现隐含层节点数取5时,
(9)
max
2011年第1期自动化与信息工程35