基于IMPSO-BP镍氢电池智能充电技术

程方晓，王 源，王 旭

(长春工业大学 电气与电子工程学院，吉林 长春 130012)



基于IMPSO-BP镍氢电池智能充电技术

程方晓，王 源*，王 旭

(长春工业大学 电气与电子工程学院，吉林 长春 130012)

以充电电压与额定电压之差ΔV和临近两个电压采样点的变化率Δu/Δt作为输入变量，建立人工神经网络模型，研究了基于自适应动态调整惯性权重粒子群算法的BP算法(IMPSO-BP)。利用Matlab仿真得到了理想的快速充电电流。

电动汽车；充电；镍氢电池；粒子群算法；人工神经网络

0 引 言

随着人们环境保护意识的增强，越来越多的人选择了环境污染小的电动汽车[1]。镍氢电池因其具有比能量和比功率相对较高、对环境污染小等特点，而被用于包括电动汽车动力电池在内的很多领域。但是随着人们生活节奏的日益加快，对于电动汽车充电速度的要求越来越高，关于电动汽车快速无损充电的问题是阻碍电动汽车发展的决定性因素。常规镍氢电池的充电方式一般是恒流充电，这种方式会导致在开始充电时，充电电流达不到电池可接受的最大值，随着电池充电过程的进行，电流逐渐超过电池的可接受值，将会导致电池出现极化现象，并且产生大量热量。这种充电方式不仅产生了能量的极大浪费,而且容易导致电池过充，损坏电池。所以，寻找一种新型智能充电方式势在必行。针对以上问题进行研究，文中将IMPSO-BP算法引入到镍氢电池充电过程中，通过对人工神经网络的参数进行修正和优化，使电池能够按照理想充电方式进行充电。

1 电池可接受电流分析

1976年，美国科学家J.A.Mas对蓄电池进行大量实验，发现了蓄电池析气的根本原因与规律，提出了以最低析气率为前提的蓄电池能接受的最大充电电流以及可接受的充电电流曲线(简称马斯曲线)，快速充电技术的理论依据就是马斯曲线[2]，如图1所示。

图1 蓄电池可接受的充电电流曲线

(1)

式中：I0——t=0时可接受的最大充电电流；

I——t任意时刻可接受的最大充电电流；

α——充电接受比，也称衰减率常数；

t——充电时间。

一般电池的充电过程，充电电流在图1中的接受区，此时蓄电池不会发生析气现象，但是充电需要大量的时间。如果充电电流曲线在马斯曲线附近徘徊，此时充电速率提高，且析气率会很小，由此可以实现电池的快速无损充电[3]。

2 IMPSO-BP算法

人工神经网络能在未知作用机理的情况下，从学习样本得到规律，是一种常用的非线性建模工具[4]。多层前向BP网络是目前最广泛的人工神经网络模型，它能够完成一个从输入到输出的映射，且通过证明可知，它可以完成所有复杂非线性的映射，所以，可以非常方便地求解具有复杂内部机制的问题。但传统的BP网络由于本身算法的局限性，从而使它优化复杂函数时会十分低效，且效果不理想。从数学角度来看，BP算法适合进行局部搜索优化，当需要求解复杂函数的全局极值时，算法可能陷入局部极值[5]。

粒子群优化算法(PSO)主要是模拟鸟群捕食行为的一种算法。当使用该算法进行问题的优化时，问题的解就是搜索空间中鸟的位置,这些鸟即为该算法中的“粒子”。每个粒子都有适应度值和速度值，用来评价当前的粒子和决定粒子飞行方向和距离。惯性权重对于PSO来说十分重要，它决定了算法的开发和探索能力，它的值可以影响粒子对当前速度的继承。如果惯性权重的值较大，则粒子的速度会比较大，从而粒子的全局搜索能力将会增强；如果惯性权重较小，则粒子的开发能力相对来说较强，算法的局部搜索能力较强。文中采用自适应动态调整惯性权重的粒子群算法，自动调整惯性权重，使PSO同时兼顾局部搜索能力和全局搜索能力[6]。

使用自适应动态调整惯性权重的PSO算法来调节BP神经网络算法的权值和阈值，可以减少BP算法的权值和阈值的调整时间，并且可以同时具有较好的局部搜索能力和全局搜索能力，进而避免了BP算法效率低和易陷入局部极值的缺点。这就是自适应动态调整惯性权重的粒子群算法的BP网络算法，也称IMPSO-BP算法[7]。

3 BP神经网络模型

蓄电池进行充电时，很多因素都可以对充电电流的大小产生影响，如蓄电池容量、外界温度、电池荷电状态、电池老化程度等[8]。但主要因素有以下两点：充电电压和电池额定电压之差ΔV及充电时电池的温度。由于在不同充电条件下电池温度会有很大变化，所以文中不考虑温度对充电的影响。通过实验证明，也可用临近两个电压采样点的变化率Δu/Δt对充电电流进行预测。根据kolmogorov定理，一个三层BP神经网络就可以在任何希望的精度上实现任何的连续函数。故文中以ΔV和Δu/Δt来当作人工神经网络的输入变量，当前充电电流为输出量，建立一个二输入一输出的三层BP神经网络，如图2所示[9]。

图2 三层BP神经网络模型

IMPSO-BP算法的具体步骤如下：

1)设置当前代数t=1，粒子数目为30，最小适应度值为0.01，最大迭代次数为3 000。并对粒子群的初始位置和速度赋初值，将此时的位置假定为粒子的初始最优位置。

2)图2三层BP神经网络模型中，令xi1～xi9=ω1～ω9，xi10～xi15=θ1～θ6，粒子初始值作为BP神经网络的初始权值和初始阈值。

(2)

(3)

式中：c1,c2——学习因子，通常取c1=c2=2；

r1,r2——介于[0,1]的随机数；

ω——惯性因子。

vid∈[-vmax,vmax]，vmax是一个用户自定义的常数。

则输入层第一个神经元的输出为：

第二个神经元的输出为：

以此类推：

(4)

(5)

(6)

则最终输出I为：

(7)

4)粒子群适应度值ft为：

(8)

式中：T——输出层期望输出值;

I——计算输出值。

5)将每个粒子的适应度值与个体极值pbest相比较,如果适应值优于其个体最优位置pbest,则将pbest更新为当前适应值。用同样方法可以对全局最优质pbest进行更新。

6)利用下式计算惯性权重：

(9)

式中：α——介于[0,1]的随机数；

ft——第t代的适应度值。

7)根据式(2)、式(3)和式(9)，对每个粒子的速度和位置进行更新。

8)如果当前适应度值小于等于最小适应度值，或者当前代数大于最大代数，算法执行完毕，否则执行9)。

9)当前代数t=t+1，返回3)。

4 仿真结果

为方便数据的采集，简化实验过程，本实验采用10节镍氢电池进行测试，并利用Matlab进行仿真，采用改进粒子群算法训练BP神经网络。经过训练，最终得到在不同的电池状态下比较理想的充电速率，仿真结果如图3所示。

图3 仿真结果

当电压差值ΔV大而电压变化率Δu/Δt小时，表明电池电量较少，此时可采用1.5C的大电流进行充电，从而缩短了充电时间；而当电压差值ΔV小且电压变化率Δu/Δt小时，表明电池即将充满，此时采用0.2C的小电流进行充电，保证了电池可以充分充电而不发热损伤电池。当电池的充电电流小于0.1C时，可视为电池充满，结束充电。

5 结 语

将IMPSO-BP算法引入到镍氢电池充电过程中，并以充电电压和额定电压之差ΔV和临近两个电压采样点的变化率Δu/Δt为输入变量建立了人工神经网络模型。通过对人工神经网络参数进行修正和优化，使电池能够按照理想的充电方式进行充电，Matlab仿真结果能够获得理想的充电电流。

[1] 程方晓，李腾飞，王旭.电动汽车建模及放电管理研究[J].长春工业大学学报，2016,37(2):159-164.

[2] 李俊.蓄电池快速充电技术研究[D].成都：西南交通大学,2009.

[3] 王丽,高田,景志林.蓄电池可接受充电电流预测[J].电源技术,2012(7):962-965.

[4] 王丽,景志林,景占荣.基于ANFIS的镍氢电池快速充电过程优化[J].现代电子技术,2007,24:197-199.

[5] 郑卫燕.基于遗传算法的BP网络优化研究及其应用[D].哈尔滨:哈尔滨工程大学,2008.

[6] 随聪慧.粒子群算法的改进方法研究[D].成都：西南交通大学,2010.

[7] 张莉.几类神经网络的分析与优化及其应用研究[D].西安:西安电子科技大学,2012.

[8] 王晓亮.聚合物动力锂电池组充电策略研究[D].哈尔滨：哈尔滨工业大学,2011.

[9] 张清良,李先明.一种确定神经网络隐层节点数的新方法[J].吉首大学学报：自然科学版,2002(1):89-91.

NI-MH batteries intelligence charging based on IWPSO-BP

CHENG Fangxiao,WANG Yuan*,WANG Xu

(School of Electrical & Electronic Engineering,Changchun University of Technology,Changchun 130012，China)

The difference between charging voltage and rated voltage ΔVand the change rate between the two near voltage sampling point Δu/Δtare taken as the inputs to build an Artificial Neural Network Model. A BP algorithmbased on adaptive dynamic adjustment inertia weightparticle swarmoptimization (IWPSO-BP) is studied,and the fast changing current is obtained with Matlab simulation.

electric car; charging; NI-MH battery; particle swarm optimization; artificial neural network.

2016-05-19

吉林省科技发展计划基金资助项目(20120362)

程方晓(1969-)，女，汉族，吉林长春人，长春工业大学副教授，博士,主要从事测控技术与智能系统方向研究,E-mail:chengfangxiao@ccut.edu.cn.*通讯作者：王 源(1992-)，男，汉族，山东菏泽人，长春工业大学硕士研究生，主要从事测控技术与智能系统方向研究,E-mail:644638099@qq.com.

10.15923/j.cnki.cn22-1382/t.2016.5.09

TM 910.06

A

1674-1374(2016)05-0461-04