基于遺傳算法的BP神經網絡蓄電池壽命預測研究?

吳海洋 繆巍巍 郭 波 呂順利 吳 昊 滕欣元

（1.國網江蘇省電力公司 南京 210000）（2.南瑞集團（國網電力科學研究院） 南京 210000）（3.國網青海省電力有限公司信息通信分公司 西寧 810000）（4.長沙理工大學 長沙 410000）

1 引言

設備供電不可避免存在不可用或電壓不穩等問題，為保證用電設備及其上承載業務的可靠運行，一般對重要用電設備均會配備蓄電池。但目前蓄電池管理主要依靠充放電實驗和外觀觀察等技術手段，進行周期性檢修，在蓄電池數量較多時，無法有效兼顧。蓄電池的運維需要有效的壽命預測來指導實現狀態檢修，化被動運維為主動運維。如何以科學、有效、實用的方式管理維護電力通信傳輸設備及蓄電池，成為通信管理部門的重大研究課題［1～6］。

目前，蓄電池壽命預測模型主要有以下幾種研究方法。采用神經網絡模型對電池剩余電量進行預測，初步滿足了生產環境的需要［7～9］。采用支持向量機的方法建立電池壽命預測模型，提升蓄電池預測的準確度［10］。采用灰色系統理論，實現小數據量下蓄電池的壽命預測［11～12］。應用RC模型做蓄電池的SOC預測，預測結果可以有效管理和維護蓄電池的運行［1，13～15］。這些預測方法主要是基于電池本身的運行時參數，忽視了電池型號和外部環境對電池運行的外部影響因素。

電力系統中蓄電池運行環境良好，較少發生外力破壞等嚴苛問題，影響蓄電池壽命的主要因素在于型號和運行溫度。本文基于電力系統中不同型號、不同溫度蓄電池實際運行數據進行了壽命預測，通過建立蓄電池壽命預測模型指標體系和基于遺傳算法的神經網絡算法，實現了一種新的蓄電池壽命預測模型，分析了蓄電池運行溫度和電池型號對蓄電池壽命的影響。預測結果可以很好地指導基站蓄電池運維檢修與監控，有效地保證了用電設備的可靠運行。

2 神經網絡預測方法及其改進

2.1 神經網絡預測

蓄電池壽命預測可等價于數據回歸分析問題。神經網絡是回歸分析領域的經典模型，它具有很強的非線性擬合能力，可映射任意復雜的非線性關系。由于壽命預測需要考量蓄電池相關的多維指標數據，各維數據間關聯性不確定，因此適合神經網絡模型。

神經網絡模型通常采用BP（error BackPropagation，誤差反向傳播）算法求解，其步驟如下:輸入訓練樣本，包括樣本輸入X和期望輸出Y。兩層權值分別為wij和wjk，隱含層規定的閾值a，輸出層規定的閾值b。輸入層的神經元數n，輸出層節點數m，確定隱含層節點數l，通常根據如下公式取得或根據經驗和實驗確定。1≤d≤10 其中，i=1，2，…，n，j=1，2，…，l，k=1，2，…，m。

1）網絡初始化。為連接權值wij、wjk及閾值a、b賦予［－1，+1］區間的隨機值。

2）隱含層和輸出層輸出計算。連接各層的權值和閾值，由輸入層輸入信號計算隱含層Hj，再由隱含層計算輸出層

3）誤差計算及權值、閾值的調整。根據預測輸出Ok和期望輸出Y計算預測誤差ek，并不斷調整初始設定的權值和閾值。

2.2 基于遺傳算法的神經網絡預測

神經網絡模型存在容易陷入誤差函數的局部極值點、初始連接權重和閾值對結果影響大等問題。遺傳算法是一種基于生物機制的全局搜索優化算法。本文將這兩者有機結合起來，利用遺傳算法優化神經網絡的初始權值和閥值，再利用BP算法找到其最優解。

遺傳算法優化BP神經網絡的步驟如下:

1）種群初始化。對于一個具N個輸入層L個隱含層和M個輸出層的3層BP神經網絡而言，染色體的長度S=(N+1).L+(L+1).M。

2）適應度函數。將預測樣本的預測值與期望值的誤差矩陣的范數作為目標函數的輸出，即，適應度函數采用排序的適應度函數。

3）選擇、交叉與變異。采用隨機遍歷抽樣的方式進行選擇操作；交叉算子采用單點交叉算子，隨機方法選出發生變異的基因。

4）重復2）和3），直到達到進化代數或者滿足誤差要求。

通過遺傳算法優化過的神經網絡連接權值和閥值作為神經網絡的初始權值和閾值。在此基礎上進行標準的神經網絡的訓練。

3 蓄電池壽命預測實驗及應用

3.1 指標體系的構建

本文考慮型號、環境溫度、投運時長作為指標，預測在品牌型號、環境溫度和投運時長給定的情況下，蓄電池的剩余容量值。如表1所示。

表1 指標體系表

3.2 數據來源和預處理

本文數據來源于某省電力公司（包括省市公司和變電站）充放電實驗數據集。從中選擇型號、環境溫度、投運時長和剩余容量作為指標進行蓄電池壽命預測研究。

為了構建神經網絡模型，本文做了如下預處理工作。

1）在神經網絡模型里，分類數據首先需要預處理。假設分類數據包括A類和B類兩種，首先應將指標轉換為0-1型的兩個指標類A和類B，兩個指標對應的值分別為0或1。為表示A類，則指標類A對應的值為1且指標類B對應的值為0。為表示B類，同理可得。

2）在蓄電池數據中型號類目繁多，部分型號數據量較少且投運時間單一，無法對模型產生貢獻，相反可能會影響模型的準確性，因此清洗了品牌數據中的投運時間單一且數據量小的值。最后選擇了9個主要品牌作為研究的數據集。

3）環境溫度是數值數據，但運維需要了解的是環境溫度范圍下蓄電池的壽命情況，因此將環境溫度劃分成若干環境溫度范圍的分類數據。

3.3 實驗方案與預測結果

從3515條數據集隨機選擇2500條數據作為訓練集，其余1015條作為測試集，分別使用BP算法和基于遺傳算法的BP算法建立預測模型，通過品牌、環境溫度和投運時長預測剩余容量。準確度計算公式如式（1）和式（2）:

剩余容量預測結果如圖1所示，BP神經網絡算法的準確度為87.1%，而基于遺傳算法優化的BP神經網絡算法準確度為92.3%。改進后的神經網絡算法由于改進了搜索空間，比原始的神經網絡算法更接近真實值。

圖1 剩余容量預測圖

3.4 蓄電池壽命預測應用

通過本文的預測模型可以得出各品牌在不同溫度范圍內剩余容量的下降曲線。實際運行中可以據此預測出蓄電池需要更換的時間，并對偏離正常曲線范圍的蓄電池剩余容量進行預警，從而指導用戶進行蓄電池運行管理和維護工作。各品牌在不同溫度范圍內剩余容量的下降曲線如圖2和圖3所示。因根據相關管理規范，當電池剩余容量下降到80%以下或在運7年以上時，為避免影響業務可靠運行需進行更換，圖中當剩余容量小于80%或投運時長大于7年時不再計算。

圖2 給定品牌和溫度（12°～21°）下剩余容量曲線圖

圖3 給定品牌和溫度（21°～30°）下剩余容量曲線圖

從圖2和圖3可見，蓄電池剩余容量整體呈現下降趨勢，下降速度隨投運時長增大而變緩。同一品牌蓄電池在不同溫度情況下剩余容量下降趨勢不一樣，在18°～21°范圍運行的蓄電池剩余容量下降更慢，表明該溫度段更有利于蓄電池壽命的延長；在同一溫度下，各型號蓄電池的剩余容量會有一定差別，隨著投運時長增大這種差異幾乎消失，表明主流蓄電池的品牌差異并不大，只要滿足技術參數要求，其壽命基本一致。

4 結語

本文利用電網蓄電池的充放電數據，構建了一種遺傳算法的BP神經網絡預測模型，相比原始算法準確率提升了5.97%。模型能夠估算不同型號、不同溫度范圍內的蓄電池的剩余容量，實現了蓄電池運行狀態監測及壽命預測，為通信蓄電池系統的安全運行監控、健康狀態管理提供有效支撐。