直流系统蓄电池故障灰色预测模型及研究.docVIP

直流系统蓄电池故障灰色预测模型的研究 　　[摘 要] 在现有灰色预测模型进行深入研究的基础上，提出了一种以蓄电池电容量为特征量基于遗传算法的蓄电池故障灰色预测改进模型，进而为判断蓄电池是否故障提供依据，避免了传统的容量试验带来的弊端。该方法可以实现蓄电池故障的早期预测，减少传统的电池容量放电试验次数，从而延长蓄电池的使用寿命。同时为直流系统蓄电池组在线监测提供重要基础。 　　[关键词] 蓄电池 灰色预测 遗传算法 直流系统 　　 　　一、引言 　　蓄电池作为直流系统的备用电源，平时由充电机浮充电，当发生故障时由蓄电池组提供不间断电源。阀空式密封铅酸蓄电池在长期浮充之后，常常会出现活性物质脱落、电解液干、极板变形、栅极腐蚀及硫化等现象，导致蓄电池容量降低甚至失效，而一旦发生故障需继续维持供电时，该电池就可能无法保证事故状态下的放电要求，从而扩大事故范围，因此实现对蓄电池故障早期预测具有重大意义。 　　二、预测模型的建立 　　普通的GM(1，1)灰色预测模型是一种指数增长模型，当蓄电池产生故障时的容量呈指数规律持续变化时，用此方法进行预测可获得较高的预测精度，同时还具有所需样本数据少，计算简便，可检验等优点。但是，蓄电池发生故障的原因是多种多样的，同时蓄电池的故障可能是单一故障，也可能是多种故障的组合，具有不确定性和随机性，故容量数据并不是按照严格的指数规律变化，此时若采用GM(1，1)模型进行预测，预测精度就会变低，预测误差会显著变大，不能满足实际工程应用的要求,有必要对该模型进行改进。 　　1.GM(1，1)模型及其改进 　　GM(1，1)模型的实质是对原始数据序列做一次累加生成，使生成的序列呈现出一定的规律，然后用曲线拟合累积生成数列，再累减还原即可得到新的预测值。 　　设有原始数据数列x(0)={x(0)(1),x(0)(2),…，x((0)(n)}，对其做一次累加生成运算，得新序列x(1)={x(1)(1),x(1)(2),…x(1)(n)}，其中x(1)(k)=，k=l，2，…，n。 　　GM(1，1)模型的白化微分方程为： （1） 　　GM(1，1)模型的灰微分方程为： 　　x(0)+a×z(1)(k)=b，k= 2，3，…,n （2） 　　其中z(1)(k)为背景值， （3） 　　令 　　可利用最小二乘法求得a、b，即 （4） 　　GM(1，1)白化微分方程的离散响应式为 　　 (5) 　　因此原始数据序列的预测值为 　　 (6) 　　将式（1）向前差分得 （7） 　　对等距时间序列可令k2-k1=l，即 　　x(1)(k+1)-x(1)(k)+ax(1)(k)=b （8） 　　同理将式(1)向后差分得x(1)(k+1)-x(1)(k)+ax(1)(k+1)=b （9） 　　不同的序列满足不同的差分格式，有的满足式(8），有的满足式(9)，有的满足式(8)与式(9)的组合，即(8)Xλ+(9)X(1一λ)，也就是x(1)(k十1)-x(1)(k)=-a[λx(1)(k)+(1-λ)x(1)(k十1)]+b (10） 　　其中0≤λ≤1 　　式(10)即为GM(1，1)模型的一般差分格式，该模型是GM(1，1)的另一种表现形式。该模型的实质是在GM(1，1)模型的基础上，将背景值z(1)(k)做了相应修改，从而提高了计算精度。 　　该模型对应的背景值为 　　z(1)(k)=λ×x(1)(k)+(1一λ)×x(1)(k+1)（11） 　　显然当λ为0.5时，该模型即为标准的GM(1，1)模型。 由式(10)可知，只要给出一个λ0，便有 　　（12） 　　Yn与式(4)中原理相同。 　　由最小二乘原理（13） 　　将a0、b0值代入式(6)即可得预测值。 　　2.用遗传算法求解最优λ值 　　从上面可以看出，只要给定λ，便可求出预测值。 　　显然当原始序列x(0)={x(0)(1)，x(0)(2)，…，x(0)(n)}确定时，影响预测精度的惟一因素便是λ，而且从式(5）、（12）、（13)可以看出,λ与误差之间呈现出高度的非线性关系，很难用解析式显性表示，因此如何确定合理的λ值，就成为提高预测精度的关键。基于这种思想，这里采用遗传算法，以误差绝对值和最小作为目标函数来求解最为合理的λ值，即：（14） 　　具体求解步骤如下： 　　(1)编码。将λ∈[0，1]表示为一个n位二进制串，其中n的大小可根据入的精度来确定。 　　(2)初始化群体。选择一个整数M作为群体的规模参数，然后从[0，1]上随机地选取M个点，即λ(i，0)(i=1，2，…M)，这些点组成初始群体，即P(0)={λ(1，0)，λ(1，0)，…，λ(K,0)}。 　　(3)适应度计算。