蓄電池用途極其廣泛，對其研究也一直在進(jìn)行，監(jiān)控技術(shù)是該領(lǐng)域的關(guān)鍵技術(shù)之一，特別是近年來隨著電動汽車、儲能技術(shù)的發(fā)展，蓄電池監(jiān)控技術(shù)越來越顯得重要，儼然成為各大設(shè)備廠商競爭的核心技術(shù)之一。準(zhǔn)確檢測蓄電池的荷電狀態(tài)SoC(State of Charge)、劣化情況、健康狀態(tài)等，及時對蓄電池系統(tǒng)進(jìn)行維護(hù)、避免損失是其意義所在。

    閥控鉛酸蓄電池(VRLA)誕生于1970年，之后的幾十年時間里，人們對蓄電池的工作原理，工作性能，維護(hù)保養(yǎng)等方面進(jìn)行了大量的研究，常用的方法有安時積分法^[1]，開路電壓法，阻抗分析法，Peukert定律，密度法等，近年來人工智能算法也開始吸引了大量關(guān)注。

    參考文獻(xiàn)[2]對鉛酸電池的SoC預(yù)測進(jìn)行了研究，在單片機上實現(xiàn)了基于蓄電池電動勢和內(nèi)阻的電量模糊預(yù)測。參考文獻(xiàn)[3]應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)對MH/NI電池進(jìn)行SoC預(yù)測，建立了四層結(jié)構(gòu)網(wǎng)絡(luò)。參考文獻(xiàn)[4]采用無味卡爾曼濾波算法對鋰電池的SoC進(jìn)行估計，將電池開路電壓(OCV)作為參數(shù)。參考文獻(xiàn)[5]給出了利用采樣點卡爾曼濾波進(jìn)行電池SoC估計的具體步驟，該模型用電池電壓，電流和溫度作為參數(shù)。面向應(yīng)用，參考文獻(xiàn)[6]以MSP430單片機為核心控件設(shè)計了面對一體化殼體的低功耗電容式電子測壓器。

    本文建立了基于神經(jīng)網(wǎng)絡(luò)的電池荷電狀態(tài)的預(yù)測模型，在模型中考慮到內(nèi)阻、放電電壓、溫度、放電電流等多參數(shù)對蓄電池的SoC進(jìn)行預(yù)測，設(shè)計并制作了硬件，通過實驗驗證本文提出方法對工程應(yīng)用的指導(dǎo)意義。

1 蓄電池荷電狀態(tài)預(yù)測模型

    ANFIS(Adaptive Neuro Fuzzy Inference System)是一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)，具有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，而功能又與模糊推理系統(tǒng)等效。其隸屬度函數(shù)參數(shù)和結(jié)論參數(shù)可以通過數(shù)據(jù)的訓(xùn)練來自主確定和更新，所以ANFIS適用于特性難以掌握的復(fù)雜系統(tǒng)的建模^[7]。ANFIS采用Takagi-Sugeno推理計算方法,結(jié)構(gòu)為一階：

    自適應(yīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是基于梯度下降和鏈?zhǔn)椒▌t^[8]，由于梯度方法收斂緩慢且易陷入局部最優(yōu)，ANFIS采用混合學(xué)習(xí)規(guī)則加速學(xué)習(xí)進(jìn)程。

    電池SoC取決于多個因素^[8]，SoC可表示為:

其中，V_bat(t)和I(t)為測試變量，R_Ω(θ)由實驗測定，時間常數(shù)τ_d和τ_k通過實驗數(shù)據(jù)和仿真測試。R_k(θ)和R_d(θ)由最小二乘算法擬合曲線得到。

    本文建立的ANFIS模型的輸入?yún)?shù)確定為內(nèi)阻R，放電電壓V，溫度T、放電電流I。實驗測得，放電過程中，電池內(nèi)阻變化范圍為3.8 mΩ～6.3 mΩ，即論域為[3.8，6.3]，將其劃分為m個模糊集：R₁，R₂，…，R_m。電壓變化范圍為12.5 V～10.5 V，即論域為[12.5，10.5]，劃分為n個模糊集：U₁，U₂，…，U_n。取溫度變化范圍為5 ℃～20 ℃，劃分為p個模糊集：T₁，T₂，…，T_p。放電電流取值范圍為5 A～25 A，劃分為q個模糊集：I₁，I₂，…，I_q。Sugeno模糊模型采用式(8)所示局部線性函數(shù)形式的模糊規(guī)則。

    建立了基于ANFIS的一個4輸入、1輸出的系統(tǒng)，如圖1所示。

    第1層是輸入層，它將輸入模糊化，將4個論域分別劃分為m、n、p、q個模糊集。各節(jié)點輸出相應(yīng)隸屬度函數(shù)的值。

其中K₁，K₂，K₃，K₄取值分別為1～m，1～n，1～p，1～q。采用復(fù)合T規(guī)范的AND乘法算子確定每條規(guī)則的激勵強度。第3層中每個節(jié)點都是圓形的，計算第i個規(guī)則的激勵強度相對于所有規(guī)則激勵強度的和的比值，本層輸出稱為歸一化激勵強度：

2 嵌入式系統(tǒng)設(shè)計

2.1 實驗原理

    本文建立的ANFIS模型，需大量實驗數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練、校驗和驗證，實驗原理為：(1)獲取不同條件下閥控式鉛酸蓄電池放電數(shù)據(jù)；(2)將獲取的數(shù)據(jù)用于訓(xùn)練和檢驗?zāi)Ｐ停?3)驗證訓(xùn)練完成后模型的預(yù)測精度和有效性。根據(jù)驗證情況對模型進(jìn)行改進(jìn)，再次驗證。

    監(jiān)測系統(tǒng)在嵌入式平臺中實現(xiàn)，實驗結(jié)果及軟件中各參數(shù)標(biāo)定為系統(tǒng)軟硬件設(shè)計提供參考。

2.2 硬件設(shè)計

    硬件系統(tǒng)含測量單元和顯控平臺兩部分，如圖2所示。前者用于測量內(nèi)阻、電壓、輸出電流、溫度，實現(xiàn)簡單的插值運算及與顯控平臺通信。測量單元基于單片機設(shè)計，采用STC12C5A60S2。后者采用ARM Cortex-A8 Samsung S5PV210。

2.3 內(nèi)阻測量電路設(shè)計

    本文采用交流注入法測量蓄電池內(nèi)阻，用頻率為1 kHz的交流恒流信號注入蓄電池，獲取反饋并進(jìn)行調(diào)理送入ADC采樣。原理框圖如圖3所示。

2.4 內(nèi)阻測量原理

    設(shè)信號發(fā)生器產(chǎn)生正弦信號I=Asinωt，由于電池的阻抗R_z存在容性成分，反饋信號與激勵信號有相位差，設(shè)差分放大器的增益為B，則采樣信號經(jīng)過差分放大器后的值為：

3 仿真分析及相關(guān)實驗

3.1 仿真分析

    建立4種ANFIS模型，模型1用鐘型函數(shù)作隸屬度函數(shù)，用genfis1產(chǎn)生初始FIS；模型2用高斯函數(shù)作隸屬度函數(shù)，用genfis1產(chǎn)生初始FIS；模型3用減法聚類法函數(shù)genfis2產(chǎn)生初始FIS；模型4用模糊C-均值聚類法函數(shù)genfis3產(chǎn)生初始FIS。目標(biāo)誤差0，步長0.01，步長增長率和下降率分別為1.1和0.9，訓(xùn)練次數(shù)100。各模型原始實測數(shù)據(jù)與預(yù)測曲線及誤差曲線如圖4所示。

                         (a)模型1                               (b)模型2

                        (c)模型3                                 (d)模型4

圖4  模型曲線對比圖

    各模型的預(yù)測曲線與實際測量曲線重合度較好，其均方根誤差最大值分別為0.007 3、0.004 4、0.007 4、0.006 0。結(jié)合應(yīng)用需求，最適合用于預(yù)測蓄電池電能的是模型3。

3.2 設(shè)備實測

    系統(tǒng)從蓄電池滿電開始放電，測量單元不斷采集蓄電池的內(nèi)阻、電壓、電流、溫度參數(shù)，發(fā)送給顯控單元，顯控單元通過ANFIS算法預(yù)測蓄電池容量。抽取間隔較大的10組數(shù)據(jù)如表1所示。

    表1所獲得的數(shù)據(jù)是顯控單元通過RS422與測量單元通信獲得的，與實測值比較，各參數(shù)的誤差均在5%以內(nèi)。本系統(tǒng)的最終目的是將測量單元獲得的數(shù)據(jù)輸入顯控單元的ANFIS算法程序中預(yù)測蓄電池SoC，因此表2對預(yù)測值與實際值進(jìn)行了比較。

    從表2中可以看出，預(yù)測值與實際值的誤差非常小，最大絕對誤差為0.004 6，完全能滿足工程應(yīng)用需求。

    本文建立了ANFIS模型，完成了相關(guān)實驗和仿真訓(xùn)練，設(shè)計了系統(tǒng)硬件和軟件，分析了實際運行效果。實驗證明用減法聚類法產(chǎn)生的ANFIS網(wǎng)絡(luò)最優(yōu)，節(jié)點數(shù)相對較少，預(yù)測效果好。

參考文獻(xiàn)

[1] 李哲，盧蘭光，歐陽明高.提高安時積分法估算電池SoC精度的方法比較[J].清華大學(xué)學(xué)報(自然科學(xué)版)，2010，50(8)：1293-1296，1301.

[2] 李智華，張青春，劉振.蓄電池剩余電量的模糊預(yù)測[J].上海大學(xué)學(xué)報(自然科學(xué)版)，2009，18(4)：364-368.

[3] 張梅.基于模糊神經(jīng)網(wǎng)絡(luò)的MH/Ni電池荷電狀態(tài)預(yù)測[J].電源技術(shù)，2012，36(9)：1316-1318.

[4] 柏慶文.基于無味卡爾曼濾波的電動汽車動力電池SoC估計[D].長春：吉林大學(xué)，2013.

[5] 高明煜，何志偉，徐杰.基于采樣點卡爾曼濾波的動力電池SoC估計[J].電工技術(shù)學(xué)報，2011，26(11)：161-167.

[6] 王亞軍，李新娥，馬英卓，等.一體化殼體電容式電子測壓器的低功耗設(shè)計[J].電子技術(shù)應(yīng)用，2012，38(8)：93-95.

[7] 艾芳菊.模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化研究[D].成都：中國科學(xué)院研究生院（成都計算機應(yīng)用研究所），2006.

[8] WERBOS P J.Beyond regression：New tools for prediction and analysis in the behavioral sciences[D].Boston：Harvard University，1974.