基于遗传算法的BP神经网络蓄电池寿命预测研究∗

吴海洋 缪巍巍 郭 波 吕顺利 吴 昊 滕欣元

（1.国网江苏省电力公司 南京 210000）（2.南瑞集团（国网电力科学研究院） 南京 210000）（3.国网青海省电力有限公司信息通信分公司 西宁 810000）（4.长沙理工大学 长沙 410000）

1 引言

设备供电不可避免存在不可用或电压不稳等问题，为保证用电设备及其上承载业务的可靠运行，一般对重要用电设备均会配备蓄电池。但目前蓄电池管理主要依靠充放电实验和外观观察等技术手段，进行周期性检修，在蓄电池数量较多时，无法有效兼顾。蓄电池的运维需要有效的寿命预测来指导实现状态检修，化被动运维为主动运维。如何以科学、有效、实用的方式管理维护电力通信传输设备及蓄电池，成为通信管理部门的重大研究课题［1～6］。

目前，蓄电池寿命预测模型主要有以下几种研究方法。采用神经网络模型对电池剩余电量进行预测，初步满足了生产环境的需要［7～9］。采用支持向量机的方法建立电池寿命预测模型，提升蓄电池预测的准确度［10］。采用灰色系统理论，实现小数据量下蓄电池的寿命预测［11～12］。应用RC模型做蓄电池的SOC预测，预测结果可以有效管理和维护蓄电池的运行［1，13～15］。这些预测方法主要是基于电池本身的运行时参数，忽视了电池型号和外部环境对电池运行的外部影响因素。

电力系统中蓄电池运行环境良好，较少发生外力破坏等严苛问题，影响蓄电池寿命的主要因素在于型号和运行温度。本文基于电力系统中不同型号、不同温度蓄电池实际运行数据进行了寿命预测，通过建立蓄电池寿命预测模型指标体系和基于遗传算法的神经网络算法，实现了一种新的蓄电池寿命预测模型，分析了蓄电池运行温度和电池型号对蓄电池寿命的影响。预测结果可以很好地指导基站蓄电池运维检修与监控，有效地保证了用电设备的可靠运行。

2 神经网络预测方法及其改进

2.1 神经网络预测

蓄电池寿命预测可等价于数据回归分析问题。神经网络是回归分析领域的经典模型，它具有很强的非线性拟合能力，可映射任意复杂的非线性关系。由于寿命预测需要考量蓄电池相关的多维指标数据，各维数据间关联性不确定，因此适合神经网络模型。

神经网络模型通常采用BP（error BackPropagation，误差反向传播）算法求解，其步骤如下:输入训练样本，包括样本输入X和期望输出Y。两层权值分别为wij和wjk，隐含层规定的阈值a，输出层规定的阈值b。输入层的神经元数n，输出层节点数m，确定隐含层节点数l，通常根据如下公式取得或根据经验和实验确定。1≤d≤10 其中，i=1，2，…，n，j=1，2，…，l，k=1，2，…，m。

1）网络初始化。为连接权值wij、wjk及阈值a、b赋予［－1，+1］区间的随机值。

2）隐含层和输出层输出计算。连接各层的权值和阈值，由输入层输入信号计算隐含层Hj，再由隐含层计算输出层

3）误差计算及权值、阈值的调整。根据预测输出Ok和期望输出Y计算预测误差ek，并不断调整初始设定的权值和阈值。

2.2 基于遗传算法的神经网络预测

神经网络模型存在容易陷入误差函数的局部极值点、初始连接权重和阈值对结果影响大等问题。遗传算法是一种基于生物机制的全局搜索优化算法。本文将这两者有机结合起来，利用遗传算法优化神经网络的初始权值和阀值，再利用BP算法找到其最优解。

遗传算法优化BP神经网络的步骤如下:

1）种群初始化。对于一个具N个输入层L个隐含层和M个输出层的3层BP神经网络而言，染色体的长度S=(N+1).L+(L+1).M。

2）适应度函数。将预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出，即，适应度函数采用排序的适应度函数。

3）选择、交叉与变异。采用随机遍历抽样的方式进行选择操作；交叉算子采用单点交叉算子，随机方法选出发生变异的基因。

4）重复2）和3），直到达到进化代数或者满足误差要求。

通过遗传算法优化过的神经网络连接权值和阀值作为神经网络的初始权值和阈值。在此基础上进行标准的神经网络的训练。

3 蓄电池寿命预测实验及应用

3.1 指标体系的构建

本文考虑型号、环境温度、投运时长作为指标，预测在品牌型号、环境温度和投运时长给定的情况下，蓄电池的剩余容量值。如表1所示。

表1 指标体系表

3.2 数据来源和预处理

本文数据来源于某省电力公司（包括省市公司和变电站）充放电实验数据集。从中选择型号、环境温度、投运时长和剩余容量作为指标进行蓄电池寿命预测研究。

为了构建神经网络模型，本文做了如下预处理工作。

1）在神经网络模型里，分类数据首先需要预处理。假设分类数据包括A类和B类两种，首先应将指标转换为0-1型的两个指标类A和类B，两个指标对应的值分别为0或1。为表示A类，则指标类A对应的值为1且指标类B对应的值为0。为表示B类，同理可得。

2）在蓄电池数据中型号类目繁多，部分型号数据量较少且投运时间单一，无法对模型产生贡献，相反可能会影响模型的准确性，因此清洗了品牌数据中的投运时间单一且数据量小的值。最后选择了9个主要品牌作为研究的数据集。

3）环境温度是数值数据，但运维需要了解的是环境温度范围下蓄电池的寿命情况，因此将环境温度划分成若干环境温度范围的分类数据。

3.3 实验方案与预测结果

从3515条数据集随机选择2500条数据作为训练集，其余1015条作为测试集，分别使用BP算法和基于遗传算法的BP算法建立预测模型，通过品牌、环境温度和投运时长预测剩余容量。准确度计算公式如式（1）和式（2）:

剩余容量预测结果如图1所示，BP神经网络算法的准确度为87.1%，而基于遗传算法优化的BP神经网络算法准确度为92.3%。改进后的神经网络算法由于改进了搜索空间，比原始的神经网络算法更接近真实值。

图1 剩余容量预测图

3.4 蓄电池寿命预测应用

通过本文的预测模型可以得出各品牌在不同温度范围内剩余容量的下降曲线。实际运行中可以据此预测出蓄电池需要更换的时间，并对偏离正常曲线范围的蓄电池剩余容量进行预警，从而指导用户进行蓄电池运行管理和维护工作。各品牌在不同温度范围内剩余容量的下降曲线如图2和图3所示。因根据相关管理规范，当电池剩余容量下降到80%以下或在运7年以上时，为避免影响业务可靠运行需进行更换，图中当剩余容量小于80%或投运时长大于7年时不再计算。

图2 给定品牌和温度（12°～21°）下剩余容量曲线图

图3 给定品牌和温度（21°～30°）下剩余容量曲线图

从图2和图3可见，蓄电池剩余容量整体呈现下降趋势，下降速度随投运时长增大而变缓。同一品牌蓄电池在不同温度情况下剩余容量下降趋势不一样，在18°～21°范围运行的蓄电池剩余容量下降更慢，表明该温度段更有利于蓄电池寿命的延长；在同一温度下，各型号蓄电池的剩余容量会有一定差别，随着投运时长增大这种差异几乎消失，表明主流蓄电池的品牌差异并不大，只要满足技术参数要求，其寿命基本一致。

4 结语

本文利用电网蓄电池的充放电数据，构建了一种遗传算法的BP神经网络预测模型，相比原始算法准确率提升了5.97%。模型能够估算不同型号、不同温度范围内的蓄电池的剩余容量，实现了蓄电池运行状态监测及寿命预测，为通信蓄电池系统的安全运行监控、健康状态管理提供有效支撑。