| 标题 | PSO-Elman神经网络在车载蓄电池剩余寿命预测应用分析 |
| 范文 | 陈晓龙 郑鹏元 黄绪民 李硕 王宇 摘 要：高速铁路列车车载蓄电池是列车安全运行的重要保障之一，针对车载蓄电池剩余寿命预测的问题，本文以寻找特征因子表征蓄电池退化状态，采用粒子群算法（PSO）和Elman动态神经网络相结合的预测方法，该方法具有很好的动态预测能力，并建立基于PSO-Elman神经网络的蓄电池剩余寿命预测模型。研究结果为该领域研究提供了一定的参考，具有一定的实用意义。 关键词：蓄电池;退化状态;PSO-Elman;预测 高速铁路列车车载蓄电池组是列车安全行驶的重要保障之一，蓄电池组可为列车提供启动时受电弓所需的电源，在紧急情况下，充电机或者输入电源故障时蓄电池组可以作为驱动、制动和通信等系统紧急的备用电源。是列车的备用心脏。 蓄电池组内电解液大多为有机易燃液，且能量大应用不当会导致着火甚至爆炸;过充电、过放电会导致电池内部材料特性发生变化，造成不可逆的容量损失，从而导致性能下降，寿命缩短，另外随着电池充放电次数的增加，电池的容量等整体性能都会衰退。可能会对高速列车安全运行带来非常严重的后果。因此对列车车载蓄电池的剩余寿命进行科学合理的预测，是实现蓄电池长时间可靠工作，保持高速列车安全、平稳运行具有一定的实际意义。国内外许多学者对蓄电池剩余寿命的预测进行了研究。 1 蓄电池退化状态识别 反映电池存储电能性能，定量反映电池退化状态的参数指标，随着充放电次数的增多，电池性能退化，电池状态会反映到相对应的特征因子上，用来确定电池的健康状态。目前国内外研究学者一般可以采用容量、功率及阻抗表征电池的退化状态。然而直接对电池容量的预测较为困难。因为普通的传感器无法在线监测电池的内部状态，实际工程中，无法实时有效地获取，往往是通过安时估算法估算电池的实际容量，这种方法不但耗时多，而且误差较大。所以采用直接预测的方法往往会因为数据方面的短板导致预测模型不精确。 因此本文提出采用间接测量的方式，通过寻找与电池容量变化相关性较高的特征因子进行相关性分析，得到特征因子与电池容量变化的模型来反映电池容量的衰退过程，这种间接测量的方式易于测量，可以快速反映电池退化的进行和健康状态，误差相对较小。 2 Elman神经网络 Elman神经网络是在前馈式网络的隐含层中增加一个反馈层，反馈层将上一时刻隐含层的输出与当前时刻的网络输入一起作为隐含层输入，因此网络对隐含层前一时刻的系统状态具有记忆功能。Elman神经网络一般分为4层：输入层、隐含层、承接层和输出层，其中输入层、隐含层和输出层的连接类似于前馈网络。输入层的作用时对神经网络信号进行传输，输出层是对神经元进行加权。隐含层有线性和非線性两类激励函数，通常激励函数采用Signmoid非线性函数，承接层是记录隐含层前一时刻的输出值，其具有一步延时作用。隐含层的输出通过承接层的记录和延时，自联到隐含层的输入，这种传输方式使其对历史数据具有一定的承接性，这种在神经网络内加入反馈网络的方式增加了神经网络处理动态信息的能力。 3 PSO-Elman神经网络模型 PSO-Elman神经网络模型的流程图。该模型包含确定Elman神经网络结构、PSO粒子群算法优化和Elman神经网络预测3个部分。 1）选取N组输入，输出数据，带入到神经网络中，对神经网络进行训练，并将得到的特征因子数据标准化。 2）结合神经网络输入和输出参数的个数确定神经网络的结构，从而确定PSO算法的数值。 3）将神经网络中所有神经元的连接权值和阈值进行编码，并得到相应编码值的N维向量用来作为PSO算法的初始化粒子群。 4）将预测结果与真实值进行对比得到误差绝对值，作为个体的标记，并根据标记得到极值和全局极值。 5）判断全局极值是否满足PSO算法结束的条件：全局极值达到一定的设定值或迭代到设定的代数，满足结束条件，就退出PSO寻优，进而进行第6步;若不满足，则更换每个粒子的速度和初始位置，跳转至第4步。 6）找到全局极值所对应的PSO算法粒子，并选择其为Elman神经网络的初始权值和阈值。 7）将第6步中得到的最优的初始权值和阈值赋给Elman网络，训练并得到Elman网络模型，用训练好的Elman神经网络模型对蓄电池剩余寿命进行预测。 现阶段较大多数神经网络采用的是静态前馈神经网络，这种神经网络系统当层数增多时相应的网络结构会迅速增大，会造成神经网络系统学习速度下降、收敛速度较慢等问题。基于列车车载蓄电池预测的精度要求，本文采用PSO算法和Elman动态神经网络相结合的预测模型。Elman神经网络具有较好的动态回归特性，可以使预测模型具有更强的预测能力和多输入预测准确度较高的性能，可以保证预测的精度。同时采用PSO粒子群优化算法结合Elman神经网络进行神经网络权值和阈值的训练时，可充分利用PSO粒子群优化算法的全局寻优能力，克服常规神经网络训练学习时易于陷入局部最优解、收敛速度慢、编程复杂等问题。 利用matlab进行仿真，采用Elman网络结构为5-15-1，即输入层5个节点，隐含层15个节点，输出层有1个节点，共有90个权值，15个阈值。并采用PSO优化算法粒子长度为105，种群规模为100，算法迭代次数为50进行迭代得到最优的初始值和阈值。 从图上得到，相比与Elman神经网络的预测模型，基于PSO-Elman神经网络的预测模型误差更低，具有更高的预测精度。 在车载蓄电池剩余寿命预测应用过程中，通过收集最新的特征因子数据，代入到预测模型中进行权值和阈值的更新，形成滚筒式预测方式，从而使蓄电池剩余寿命的预测更为准确。克服车载蓄电池在不同环境下、不同工况条件下导致退化速度变化，单一模型预测存在较大误差的问题，满足高速列车车载蓄电池动态预测的要求。 4 总结 针对高速列车车载蓄电池剩余使用寿命的问题。本文提出了寻找特征因子表征蓄电池退化状态，采用粒子群算法（PSO）和Elman动态神经网络相结合，并建立基于PSO-Elman神经网络的蓄电池剩余寿命预测模型，实现高速列车车载蓄电池剩余使用寿命的预测。并验证了PSO-Elman神经网络预测方法具有较好的准确性。为下一步研究打下了基础。 参考文献 [1]杨丽，胡金鑫.车载蓄电池应急牵引改造方案[J].铁道机车与动车，2019，（4）：32-34. [2]佐藤雄司，石炜.铁路用车载蓄电池更换周期合理化研究[J].国外铁道机车与动车，2019，464（02）：50-52. [3]丁硕，常晓恒，巫庆辉，等.基于Elman神经网络的传感器故障诊断研究[J].国外电子测量技术，2014，33（4）：72-75. 作者简介 陈晓龙（1992-），男，汉族，助理工程师。 |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。