基于小波神经网络算法的锂电池荷电状态预测_薛建强.pdf

基于小波神经网络算法的锂电池荷电状态预测薛建强，李军（江苏常熟发电有限公司，江苏 常熟 ）摘要：为了提高锂电池的使用寿命，提出一种基于小波神经网络的荷电状态（，）预测方法。分析了马里兰大学 锂电池测试数据，在此基础上建立基于小波神经网络算法的锂电池 预测模型，然后对比预测值与实际值的误差，检验了预测模型的准确性，实现对锂电池 的预测。试验结果表明，基于小波神经网络算法的锂电池 预测精度优于传统的 神经网络。该研究成果为锂电池 准确预测提供了一种新的预测方法。关键词：锂电池；预测；小波神经网络中图分类号：，（，）：，（），：；基金项目：中国电力国际发展有限公司科技项目（编号 ）收稿日期：引言锂电池由于其高能量密度和低自放电等优点而被广泛应用于电力、交通等行业。实际中，由于环境温度变化、电池过度充放电等原因，电池容量不断下降，使用寿命远低于理论寿命。因此，锂电池的使用寿命备受各方关注。建立基于人工智能算法的锂电池 预测模型，不仅可以合理地对锂电池的充电进行管理，还可以增加锂电池的使用年限。当前，锂电池 预测研究已经取得一些成果。文献 建立了一种基于极限学习机的自适应小样本预测模型，将此模型应用到锂电池 预测，可以有效预测锂电池 ，但计算量较大；文献 引入了一阶 电路，使用卡尔曼滤波法检测电池容量，此方法使用最小方差估算，能够估算出电池的使用程度，但是建模复杂，设计成本高；文献 采用 （）神经网络对锂电池 进行研究，但 神经网络收敛速度慢、学习能力差，且容易陷入局部最优；文献 建立了一种基于 （）优化 神经网络的锂电池 预测模型，通过数据分析得出最优解，此方法预测误差较小，但模型较为复杂，学习成本高；文献 使用卷积神经网络对长短期记忆神经网络算法进行改进，并用于预测锂电池 ，提高了传统的长短期记忆神经网络算法的预测精度和泛化能力，但此方法需要大量样本数据进行训练。目前，锂电池 预测问题依旧极具挑战。小波神经网络用小波基函数替代隐含层节点的激励函数，能解决传统人工神经网络收敛速度慢、稳定性低和过度拟合等问题。基于此，本文在分析锂电池数据特征基础上，提出了基于小波神经网络的锂电池 预测方法，随后利用美国马里兰大学锂电池测试数据建立基于小波神经网络方法的 预测模型，并对预测结果进行误差分析。小波神经网络锂电池 预测方法锂电池剩余容量有诸多影响因素，因此锂电池容量预测模型是强非线性的。小波神经网络属于基函数神经网络，将小波变化与神经网络的非线性规划相结合，具有较高的识别能力。小波神经网络的三层拓扑结构如图所示，输入层为若干锂电池测点的数据序列，输出层为锂电池容量预测值，和 分别为连接输入层、输出新能源系统与设备电工技术层与隐含层之间的权值，为小波基函数。图 小波神经网络拓扑结构设输入层有个节点，输出层有个节点，隐含层节点为：（）式（）中，的取值范围为（，隐含层的具体数值可根据网络训练后获得的特征系数确定。隐含层的输出值公式为：（）（）（）式中，（）为隐含层第个节点的输出值；为输入神经元的个数；、分别为平移因子及伸缩因子。隐含层神经元满足条件的 小波函数为：（）（）小波神经网络输出层输出的预测值为：（）（）式中，为隐含层神经元的个数。锂电池数据特征分析对马里兰大学电池研究小组提供的 锂电池测试数据进行特征分析。锂电池额定容量为 ，先以 的恒定电流对锂电池充电，充电至电压为 后再恒压放电至电流小于 ，以此测试锂电池的各项参数数据。该实验部分样本的参数数据见表。表锂电池测试部分样本参数数据样本数端电压电流内阻剩余电量（）样本 样本 样本 样本 样本 样本 影响锂电池 值的因素有端电压、电流、温度、内阻以及电池的健康状态，部分样本参数数据如图所示，可见端电压、电流和内阻最为重要。锂电池容量预测模型的建立及实例分析把锂电池端电压、电流以及内阻作为预测模型的输入，将 作为输出，建立锂电池容量预测模型并进行（）部分电压数据（）部分电流数据（）部分内阻数据（）部分 数据图 样本参数数据图求解。以马里兰大学 锂电池的实验数据作为算例进行仿真分析，选取实验数据集 个，其中训练样本集 个，测试样本集 个。基于小波神经网络的锂电池容量预测根据节的理论和分析，小波神经网络作为一种非常典型的锂电池容量预测算法，能考虑多种影响因素来实现锂电池容量预测。建立小波神经网络锂电池容量预测模型的步骤如下。（）将锂电池测试数据，输入输入层，并进行归一化处理。（）利用小波变换，将归一化的锂电池容量数据分解为一个近似序列，对数据进行训练和学习。（）判断期望误差是否在设定范围内，若满足则输出容量预测值，否则返回步骤（）重新训练，直至满足为止。将训练样本集作为训练值，测试样本集作为实际值，输入层节点数设置为，输出层节点数设置为，初始学习率设置为 和 ，迭代次数设置为 次。参数设置后，经多次实验仿真，当隐含层为 时预测效果最好。小波神经网络预测结果如图所示。图 小波神经网络实际值与预测值比较 预测误差分析为了评价模型的可靠性、准确性和真实性，对模型的计算结果进行误差分析。本文使用平均绝对误差（）、均方误差（）以及均方百分比误差（）分析的方法对容量预测结果进行判断分析。平均绝对误差、均方电工技术新能源系统与设备 误差以及均方百分比误差的定义为：（）（）（）（）（）式中，为原始容量数据；为相对应的预测容量数据；为预测样本数。与文献 神经预测误差的比较结果见表。表不同锂电池预测模型误差比较预测模型 小波神经网络 神经网络 、和 是用来衡量预测值与实际值的偏差程度，其数值越小，预测误差越小，预测精度越高。在表中，小 波 神 经 网 络 的 为 ，为 ，为 ，而 神 经 网 络 的 为 ，为 ，为 。由预测结果可以看出，相对于 神经网络，小波神经网络的预测误差更小，更适用于锂电池 预测。结语 是锂电池安全可靠使用的最重要指标之一。本文提出基于小波神经网络的算法估计锂电池 。根据马里兰大学 锂电池的测试数据，以端电压、电流以及内阻为小波神经网络算法的输入层，建立锂电池 预测模型，然后计算其预测误差来验证该算法的有效性。研究表明，采用小波神经网络预测模型，当隐含层为 时，预测准确度较高。参考文献 ，（）：，：，（）：王钟毅，姬晓，左思 基于 神经网络的锂电池剩余寿命预测汽车实用技术，（）：董加俊基于 神经网络的车用锂离子动力电池荷电状态估算研究昆明：昆明理工大学，苑倩，刘金枝，杨鹏基于 神经网络的锂电池 在线预测河北工业大学学报，（）：，邝利丹，邓清勇，李哲涛一种估算锂电池 的新型方法计算机工程与应用，（）：陈 赐 阳，陈 德 旺基 于 的 锂 电 池 剩 余 寿 命（）间接预测研究电源技术，（）：李彬，张云，王立平，等基于遗传算法优化小波神经网络数控机床热误差建模机械工程学报，（）：（上接第 页），（）：翦志强，司徒琴 三相电压不对称跌落光伏并网逆变器控制方法电力系统保护与控制，（）：张明光，陈晓婧 光伏并网发电系统的低电压穿越控制策略电力系统保护与控制，（）：王岩，魏林君，高峰，等光伏电站经柔性直流集电送出系统的低电 压 穿 越 协 调 控 制 策 略 电 力 系 统 保 护 与 控 制，（）：光伏电站接入电网技术规定新能源系统与设备电工技术