基于PSO优化SVM的航空铅酸蓄电池健康评估研究

作者/胡远洋、刘英、谢家雨，中国民用航空飞行学院航空工程学院

基于PSO优化SVM的航空铅酸蓄电池健康评估研究

作者/胡远洋、刘英、谢家雨，中国民用航空飞行学院航空工程学院

航空铅酸蓄电池状况评估具有针对性，非线性和复杂性等特点。本文使用基于PSO优化支持向量机方法，探究一种新的航空铅酸蓄电池评估模型。因支持向量机的分类准确性在很大程度上依赖于参数选取，因此使用了一种基于粒子群优化算法的支持向量机参数选择方法。为了验证该模型的有效性，利用中国民用航空飞行学院航空铅酸蓄电池的实测数据进行了验证，实验结果表明该模型的分类精度高达95%以上。

支持向量机；粒子群优化算法；航空铅酸蓄电池；健康评估

航空用铅酸蓄电池是一种技术成熟、容量较大的直流电源，飞行器的重要组成部分之一，主要用于飞行器的启动、通信、照明以及应急备持有数量大，使用频率高，使用时间长。蓄电池的健康状况直接影响飞行安全，目前蓄电池的健康评估主要通过对其进行充放电测试，记录电压，电流以及蓄电池容量的方式来进行判断。然而，频繁地进行满容量充放电测试会加速蓄电池老化，因此本文提出一种不需满容量充放电的健康评估方法。

1.支持向量机SVM

支持向量机（Support vector machine，SVM）由Vapnik首先提出，通过引入核函数，建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化；支持向量机的理论基础是统计学习理论，是结构风险最小化的近似体现。SVM具有通用性，鲁棒性，有效性，计算简单等优点，本文把待求解问题转换为二次优化问题，使SVM收敛于问题的全局最优解。

SVM参数（主要是核函数参数g、惩罚因子c）的选择问题，严重地限制了SVM应用结果的准确性与稳定性。核参数g和惩罚因子c的选取可能使得SVM模型“过学习”或者“欠学习”。本文使用PSO优化SVM的参数，使得SVM模型更加具有对铅酸蓄电池的针对性。

2.粒子群算法

粒子群算法（ Particle Swarm Optimization， PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，称之“粒子”（Particle），所有的粒子都有一个被目标函数决定的适应值(Fitness Value )，每个粒子还有一个速度决定他们飞翔的方向和距离，随后粒子追随当前的最优粒子在解空间中搜索。PSO初始化一群随机解，然后通过迭代寻找最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己：第一个极值是粒子本身所找到的最优解，这个解称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。

其数学描述为：

设在一个D维搜索空间中，有n个粒子组成一个群体。其中第i个粒子的位置表示为向量Xi=(Xi1，Xi2，…，Xid)，i=1，2，…，n将Xi带入目标函数可算出其适应度值，根据适应度值的大小就可以评价出该粒子的优劣。第i个粒子的飞行速度表示为向量VI=(Vi1，Vi2，…，Vid)，其搜索到的最优位置为Pi=(Pi1，Pi2，…，Pid)，整个粒子群搜索到的最优位置为Pg=(Pg1，Pg2，…，Pgd)。找到这两个最优值时，每个粒子根据如下进化公式来更新自己的速度和新位置：

其中w是惯性权重函数，用来控制前面速度对当前速度的影响；c1和c2称为加速因子，都是非负常数；r1和r2是[0，1]的随机数。

3.基于PSO优化SVM分类算法的航空铅酸蓄电池健康评估

铅酸蓄电池的内阻，放电电压电流和充放电次数可以反映铅酸蓄电池的健康状况。基于此点，本文对中国民用航空飞行学院使用的已知健康状况的铅酸蓄电池进行实验。选取已知健康和不健康的蓄电池各160组，其中各80组作为训练样本，剩下的各80组作为测试样本。

PSO对SVM参数的优化：

Step1：将铅酸蓄电池各属性参数编码，初始化粒子群；

Step2：用训练集训练SVM,用适应度函数计算每一个粒子的适应度值,根据粒子的适应度值更新Pi和Pg。若某粒子当前适应度优于个体极值,则被当前位置替换;若所有粒子的当前最优适应值优于全局极值,则其被当前最优位置替换。

Step3：按照式（1），（2）对粒子的速度和位置进行优化；

Step4：若得出参数不符合要求则返回step2，否则输出最优解，如图1所示。

图1 PSO优化SVM流程

4.仿真分析

为验证上述算法，本文在Matlab 7.0软件平台完成仿真，经过迭代寻优之后，得到适应度值的变化和相关参数，如图2，分类结果验证如图3。

图2 适应度值变换

图3 分类结果验证

5.结论

利用SVM建立模型对铅酸蓄电池健康状况进行评估时，参数的选择至关重要。本文运用PSO算法优化SVM模型参数，充分利用了粒子群算法的全局搜索优势，在一定程度上克服了SVM模型参数选择的不确定性。实验表明，基于PSO的SVM模型学习精度较高，在航空铅酸蓄电池健康状况评估中表现了优异的性能，然如何继续优化参数,从而对模型进行进一步优化,进一步提高其预测精度,是未来研究工作的重要内容。

＊ [1]任可.航空铅酸蓄电池使用维护及常见故障的分析[J].蓄电池,2012,49(1): 45-47.

＊ [2]白鹏,张喜斌,张斌,等.支持向量机理论及工程应用实例[M].西安: 西安电子科技大学出版社,2008

＊ [3]杨普.基于智能优化算法的配电网网架优化研究，学位论文

＊ [4]樊新启.基于粒子群优化算法的无偏灰色模型，《通信电源技术》