磷酸铁锂离子电池容量快速预测.pdfVIP

磺酸铁锤离子电池容量快速预测 口蒋海峰 王伟力 (哈尔滨理工大学自动化学院 黑龙江·哈尔滨 150080 ) 摘 要本文在分析了磷酸铁锤离子电池开路电压和内阻与电池容量关系的基础上，将人工神经网络应用到磷酸铁铿离子 电池的容量预测和模型建立中，提出了一种通过部分放电来快速预测铸酸铁锤离子电池放电容量的方法。 关键词电池容量算法 中图分类号:Tu761 文献标识码 :A 文章编号:1007-3973(2007)09-017-1 1 引言 钦铿离子放电过程进行建模，并且对不同放电电流下的容量进行 磷酸铁锤离子电池放电容量的测量的传统方法是恒电流放电 预测。采用开路电压、内阻以及放电容量作为训练神经网络的输入 法，通过计算电流与时间乘积的积分米计算电池的放电容量。但是 与输出，米预测磷般铁锤离子电池的放电容量。确起了输入、输出 这种方法在测量过程 P消花了大量的能量，同时也使屯池检测设 变量后，构造 BP 神经网络模型。 备使用效率比较低下。本文提出一种利用神经网络对磷酸铁铠离 4 网络结构设计 于放电过程进行建模，并且对不同放电电流下的容量进行预测。 根挝 Kolmogorov 定理，一个三层前向网络具有对任意精度迄 2 原理 续两数的逼近能力，本系统采用含有输入层、隐含层和输出层的三 BP学习算法 rh 正 I句传播和l反 I~J传播组成。 iElúJ 传播，，输入 层前向 BP 神经网络模型。 信号从输入层传向输出层。 确定输入层和l输出层的节点数。由于网络的输出为电池的放 基本的 BP算法存在以下缺点 :(1) Ih于是非线性优化，不可iG 屯容量，所以输山层节点数为 l 个节点。 免地存在局部极小值问题;(2) 学习算法的收敛速度惧，且收敛速度 确定隐含层节点数。本文采用基于黄金分割优选方法米进行 与初始权的j主择有关;(3) 网络的结构设计，即隐居及节点数的选 确定，若输入层和输出层的节点数分别为 M 和 N ，理想的隐含层节 择，尚无理论指导; (4) 新加!人的样本会影响到己学习好的样木。 点数 L一般在如下也用民l选取: .\( +.v 针对上面提到的 BP 神经网络的缺点，基于数值优化的 LM 算 a=一f~H(J{+叩10=! (4-1) 法是 BP 网络的改进算法，可以有效提高网络的收敛速度。它是为 学习算法采用 LM 方法，通过多次实验得到理想的节点数 L 为 了在以近似二阶训练速率进行修正H，ì避免计算 Hessian 矩阵而应 10。这样就构造出4-10一 1的神经网络结构。 计的。当误类性能函数具有平方和l误差的形式毗Heian 矩阵可 f(u) =田(司工)问 (4-2) 以近似表示为式(1斗) 5 结论 H=JTJ (1 一 1) 神经网络的训练在 MATLAB 环境下进行，通过上佼机监控软 梯皮的计算表达式如(1-2)所示: 件1 1智能容量预测模块对 MATLA? 神经网络工具箱进行调用，并 g =JT? (1-2) 进行 MATLAB 训练，得到的神经网络模型如图 l 。 式巾， H是包含网络误差函数对权值和l阀值一阶导数的雅可 j 二r ，_..，_-甘情悟出帘. .1 比矩阵，是网络的误差向量。川剧的网络权值和l晰的调整公 注:卜~---二 i 式如式(1引所示: 」ι二f丽Tι- 飞乓￥ _1 --~.乓→【[JT勺J+ μμI)-IJT. (1卜-3匀) 图 l 误7羔主山线 其1 J:是雅 nJ 比矩阵，它的;元素是网络误差对权值和!阀值的一 为了测试网络的预测精度以及泛化能力，另外选取相同型号 阶导数，是网络的误差向量。是可调节的非负数，当增大时，梯皮的 的磷般铁铿离子电池 15 节用米测试。 递树量减小。 表 1 15 节 4.2V J.6Ah 的磷酸铁锤离于电池测试数据 LM 算法是一种利用标准的数值优化技术的快速算法，它是梯 ~I 可==~ r 巧立=~ I 帽~~~~ 度下降rk与高斯-牛顿法的结合，既有高斯-牛顿法的局部收敛性， 义具有梯!度下降法的全局特性，充分地发拣了两种算法的优势，有 效提高网络的收敛速度。 .空 3 放电容量预测神经网络模型的建立 ? t 磷酸钦鲤离子电池放电容量的测量的传统方法是恒电流放电 =吾 ‘ O:!~ ‘ 3==_ 1 ~~O ‘ HO 1.:!90 6 字多 ‘辜‘三 ‘丁7:!_ 事 07 1 ~~ 法，通过计算电流与时间乘积的积分米计算电池的放电容量。 但是 从测试结果时以看出，基于开路电压、内阻的 BP 神经网络模 这种方法在测茸过程中消耗了大量的能茧，同时也使电池检测设 型预测磷股铁锤离于屯池的放屯容量的检测方法，预测的误差范 备使用效率比较低下巳本文提 tlJ 一种采用磷rt主铁但离下电池开路 用基