基于智能算法的蓄电池远程核容优化路径探究
2023-11-27李晓玲
李晓玲
(海南电网有限责任公司信息通信分公司,海南 海口 570100)
0 引 言
蓄电池在日常生活中具有重要应用,其容量会在使用过程中不断下降。基于放电试验的核容方式效率低下,难以满足工程应用需求,设计开发一种可靠的远程在线核容方法成为解决问题的关键。最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)算法可用于蓄电池容量预测,但存在一定的局限性,需要对其进行优化提升。
1 基于LSSVM 智能算法的蓄电池远程核容
1.1 蓄电池远程在线核容模型
蓄电池的容量能够用于衡量其电量存储能力,但在长期使用过程中会出现活性物质脱落、电解液减少、正极格栅腐蚀等问题,进而导致其容量下降[1]。
如图1 所示,远程核容模型具有数据监测、数据上传、键盘操作与控制等基本功能,可用于诊断蓄电池的运行状况、在线预测蓄电池的剩余电量。核容模型运用智能算法进行数据分析和处理,进而估算出剩余电量。此次研究中,采用的是LSSVM 算法[2]。
1.2 LSSVM 智能算法及其核容应用效果仿真
1.2.1 算法基本原理以铅酸蓄电池的剩余容量估计为例,将蓄电池的工作温度、内部电阻、开路电压分别记为t、r、u。在LSSVM 算法模型中,将输入变量记为xi,则有xi=[u,t,r]i,将电池的剩余容量记为y,则y可表示为
式中:w表示权向量;函数φ(·)表示核空间映射关系;b表示偏差。在式(2)中引入核函数,则y的计算表达式可转化为
式中:ai为Lagrange 对偶变量,并且有ai≥0;K(xi,xj)=φ(xi)Tφ(xj)为核函数。常用的核函数包括线性函数、径向基核函数等,在蓄电池剩余容量估算中选用径向基核函数,其表达式为
式中:P为指数参数。
1.2.2 LSSVM 算法的整体实施流程根据LSSVM 算法的应用原理,其实施流程为选择模型的输入变量和输出变量→数据预处理→确定K折线交叉验证回归的最佳参数→利用最佳参数训练LSSVM 算法→进行数据预测[3]。在K折线交叉验证回归阶段,需要确定sig2 和gam 这2 个关键参数。
1.2.3 基于LSSVM 算法的蓄电池核容方法性能试验(1)试验方法。试验方法由物理试验和仿真试验2 部分组成,物理试验装置包括温度控制箱、内部电阻检测仪、蓄电池活化仪以及4 节铅酸蓄电池。利用MATLAB 搭建物理模型的仿真模型,运用LSSVM算法进行剩余容量预测,物理试验和仿真试验互为对照组[4]。在物理试验中,剩余容量SOC采用安时法进行计算,具体为
式中:SOC0为剩余容量的初始值;Ce为蓄电池的额定容量;η为放电效率;i(t)为时刻t的放电电流。蓄电池组的恒流放电采用蓄电池活化仪,进而得到i(t)数据。
(2)误差评价标准。在误差评价中,使用3 个评价指标,分别为均方根误差εmse、平均百分比误差εavg_error以及最大百分比误差εmax_error,相应的计算方法为
式中:yio为第i个数据点剩余容量的预测值;yip为对应的原始值(物理模型的检测结果)。
(3)结果分析。在物理试验中测量出125 组蓄电池的充放电数据样本,将其中的100 个样本数据作为LSSVM算法的训练数据,剩余的25组用于算法检验。利用LSSVM 算法预测剩余25 组充放电条件下的蓄电池剩余容量,对比物理试验的检测结果和算法的预测结果得到表1。利用试验数据计算出εmax_error、εavg_error、εmse,计算结果分别为22.7%、5.6%、0.038 3。
表1 物理试验结果和仿真试验结果对比 单位:Ah
2 蓄电池远程核容优化路径
从3 个评价指标来看,基于LSSVM 智能算法的蓄电池远程核容模型具有较大的误差,其平均百分比误差达到了5.6%,而最大百分比误差超过了22%,说明该算法模型在工程应用中的效果还有待提高,关键在于优化提升算法模型的预测精确度。
2.1 LSSVM 智能算法优化
在LSSVM 智能算法中,影响其预测精确度的主要因素为2 个关键参数,分别为惩罚参数gam以及核函数参数sig2。因此,模型优化的重点是LSSVM 算法的gam 参数和sig2 参数。以下分别在LSSVM 算法的基础上引入粒子群优化(Particle Swarm Optimization,PSO)算法和遗传粒子群优化算 法(Genetic Algorithm Particle Swarm Optimization,GAPSO),形成PSO-LSSVM 算法和GAPSO-LSSVM算法,并且对比其蓄电池核容效果,形成优化方案[5]。
2.1.1 PSO-LSSVM 算法的基本原理
PSO 的实施步骤为粒子和速度初始化、计算各粒子的适应度数值、判断粒子个体极值和群体极值、更新粒子的速度和位置、更新个体极值和群体极值、获得最佳gam 和sig2 参数。在以上实施过程中,粒子适应度数值的计算方法需要根据实际情况自行定义,PSO-LSSVM算法将样本均方误差emse作为适应度函数,计算方法为
式中:y(xj)为第j个样本的SOC预测值;yj为第j个样本的SOC真实值;n为参与计算的样本数量。
2.1.2 GAPSO-LSSVM 算法
运用GAPSO 优化sig2 参数与gam 参数的流程为初始化粒子及粒子速度、计算粒子的适应度数值、判断粒子个体极值和群体极值、更新粒子的速度和位置、计算粒子适应度数值、选择遗传操作算子、判断适应度值、交叉操作、变异操作、计算粒子适应度数值、更新个体极值和群体极值、输出最佳的个体sig2和gam 参数。
2.2 蓄电池远程核容算法优化效果仿真检验
2.2.1 仿真试验检测结果
将蓄电池充放电物理模型所检测的125 组数据作为样本数据,分别对PSO-LSSVM 算法和GAPSOLSSVM 算法进行训练与检测,训练数据为100 组,剩余25 组作为检测数据。2 种算法在相同样本条件下的剩余容量预测结果见表2,其中正值表示预测结果比物理试验检测结果大,负值表示预测值比物理试验检测值小。从数据可知,GAPSO-LSSVM 算法的预测结果与物理试验检测值更为接近。
表2 2 种优化算法在相同样本下的SOC 预测结果 单位:Ah
2.2.2 算法性能综合评价
利用最大百分比误差、平均百分比误差、均方根误差3 个指标评价LSSVM、PSO-LSSVM、GAPSOLSSVM 算法的远程核容效果,利用仿真试验的数据计算指标数值,结果如表3 所示。显然,GAPSOLSSVM 算法性能最佳,其优化路径为改善LSSVM 算法的关键参数。
表3 3 种算法的远程核容效果对比
3 结 论
综合整个研究过程,基于LSSVM 算法的蓄电池远程核容模型存在误差较大的缺陷,为改善其核容性能,分别引入PSO 算法和GAPSO 算法,对LSSVM的2 个关键参数gam 和sig2 进行优化。经过仿真检验,GAPSO-LSSVM算法可将平均百分比误差控制在2.5%,其效果优于PSO-LSSVM 算法。