PSO-Elman神經網絡在車載蓄電池剩余壽命預測應用分析

陳曉龍 鄭鵬元 黃緒民 李碩 王宇

摘 要：高速鐵路列車車載蓄電池是列車安全運行的重要保障之一，針對車載蓄電池剩余壽命預測的問題，本文以尋找特征因子表征蓄電池退化狀態，采用粒子群算法（PSO）和Elman動態神經網絡相結合的預測方法，該方法具有很好的動態預測能力，并建立基于PSO-Elman神經網絡的蓄電池剩余壽命預測模型。研究結果為該領域研究提供了一定的參考，具有一定的實用意義。

關鍵詞：蓄電池;退化狀態;PSO-Elman;預測

高速鐵路列車車載蓄電池組是列車安全行駛的重要保障之一，蓄電池組可為列車提供啟動時受電弓所需的電源，在緊急情況下，充電機或者輸入電源故障時蓄電池組可以作為驅動、制動和通信等系統緊急的備用電源。是列車的備用心臟。

蓄電池組內電解液大多為有機易燃液，且能量大應用不當會導致著火甚至爆炸;過充電、過放電會導致電池內部材料特性發生變化，造成不可逆的容量損失，從而導致性能下降，壽命縮短，另外隨著電池充放電次數的增加，電池的容量等整體性能都會衰退。可能會對高速列車安全運行帶來非常嚴重的后果。因此對列車車載蓄電池的剩余壽命進行科學合理的預測，是實現蓄電池長時間可靠工作，保持高速列車安全、平穩運行具有一定的實際意義。國內外許多學者對蓄電池剩余壽命的預測進行了研究。

1 蓄電池退化狀態識別

反映電池存儲電能性能，定量反映電池退化狀態的參數指標，隨著充放電次數的增多，電池性能退化，電池狀態會反映到相對應的特征因子上，用來確定電池的健康狀態。目前國內外研究學者一般可以采用容量、功率及阻抗表征電池的退化狀態。然而直接對電池容量的預測較為困難。因為普通的傳感器無法在線監測電池的內部狀態，實際工程中，無法實時有效地獲取，往往是通過安時估算法估算電池的實際容量，這種方法不但耗時多，而且誤差較大。所以采用直接預測的方法往往會因為數據方面的短板導致預測模型不精確。

因此本文提出采用間接測量的方式，通過尋找與電池容量變化相關性較高的特征因子進行相關性分析，得到特征因子與電池容量變化的模型來反映電池容量的衰退過程，這種間接測量的方式易于測量，可以快速反映電池退化的進行和健康狀態，誤差相對較小。

2 Elman神經網絡

Elman神經網絡是在前饋式網絡的隱含層中增加一個反饋層，反饋層將上一時刻隱含層的輸出與當前時刻的網絡輸入一起作為隱含層輸入，因此網絡對隱含層前一時刻的系統狀態具有記憶功能。Elman神經網絡一般分為4層：輸入層、隱含層、承接層和輸出層，其中輸入層、隱含層和輸出層的連接類似于前饋網絡。輸入層的作用時對神經網絡信號進行傳輸，輸出層是對神經元進行加權。隱含層有線性和非線性兩類激勵函數，通常激勵函數采用Signmoid非線性函數，承接層是記錄隱含層前一時刻的輸出值，其具有一步延時作用。隱含層的輸出通過承接層的記錄和延時，自聯到隱含層的輸入，這種傳輸方式使其對歷史數據具有一定的承接性，這種在神經網絡內加入反饋網絡的方式增加了神經網絡處理動態信息的能力。

3 PSO-Elman神經網絡模型

PSO-Elman神經網絡模型的流程圖。該模型包含確定Elman神經網絡結構、PSO粒子群算法優化和Elman神經網絡預測3個部分。

1）選取N組輸入，輸出數據，帶入到神經網絡中，對神經網絡進行訓練，并將得到的特征因子數據標準化。

2）結合神經網絡輸入和輸出參數的個數確定神經網絡的結構，從而確定PSO算法的數值。

3）將神經網絡中所有神經元的連接權值和閾值進行編碼，并得到相應編碼值的N維向量用來作為PSO算法的初始化粒子群。

4）將預測結果與真實值進行對比得到誤差絕對值，作為個體的標記，并根據標記得到極值和全局極值。

5）判斷全局極值是否滿足PSO算法結束的條件：全局極值達到一定的設定值或迭代到設定的代數，滿足結束條件，就退出PSO尋優，進而進行第6步;若不滿足，則更換每個粒子的速度和初始位置，跳轉至第4步。

6）找到全局極值所對應的PSO算法粒子，并選擇其為Elman神經網絡的初始權值和閾值。

7）將第6步中得到的最優的初始權值和閾值賦給Elman網絡，訓練并得到Elman網絡模型，用訓練好的Elman神經網絡模型對蓄電池剩余壽命進行預測。

現階段較大多數神經網絡采用的是靜態前饋神經網絡，這種神經網絡系統當層數增多時相應的網絡結構會迅速增大，會造成神經網絡系統學習速度下降、收斂速度較慢等問題。基于列車車載蓄電池預測的精度要求，本文采用PSO算法和Elman動態神經網絡相結合的預測模型。Elman神經網絡具有較好的動態回歸特性，可以使預測模型具有更強的預測能力和多輸入預測準確度較高的性能，可以保證預測的精度。同時采用PSO粒子群優化算法結合Elman神經網絡進行神經網絡權值和閾值的訓練時，可充分利用PSO粒子群優化算法的全局尋優能力，克服常規神經網絡訓練學習時易于陷入局部最優解、收斂速度慢、編程復雜等問題。

利用matlab進行仿真，采用Elman網絡結構為5-15-1，即輸入層5個節點，隱含層15個節點，輸出層有1個節點，共有90個權值，15個閾值。并采用PSO優化算法粒子長度為105，種群規模為100，算法迭代次數為50進行迭代得到最優的初始值和閾值。

從圖上得到，相比與Elman神經網絡的預測模型，基于PSO-Elman神經網絡的預測模型誤差更低，具有更高的預測精度。

在車載蓄電池剩余壽命預測應用過程中，通過收集最新的特征因子數據，代入到預測模型中進行權值和閾值的更新，形成滾筒式預測方式，從而使蓄電池剩余壽命的預測更為準確。克服車載蓄電池在不同環境下、不同工況條件下導致退化速度變化，單一模型預測存在較大誤差的問題，滿足高速列車車載蓄電池動態預測的要求。

4 總結

針對高速列車車載蓄電池剩余使用壽命的問題。本文提出了尋找特征因子表征蓄電池退化狀態，采用粒子群算法（PSO）和Elman動態神經網絡相結合，并建立基于PSO-Elman神經網絡的蓄電池剩余壽命預測模型，實現高速列車車載蓄電池剩余使用壽命的預測。并驗證了PSO-Elman神經網絡預測方法具有較好的準確性。為下一步研究打下了基礎。

參考文獻

[1]楊麗，胡金鑫.車載蓄電池應急牽引改造方案[J].鐵道機車與動車，2019，（4）：32-34.

[2]佐藤雄司，石煒.鐵路用車載蓄電池更換周期合理化研究[J].國外鐵道機車與動車，2019，464（02）：50-52.

[3]丁碩，常曉恒，巫慶輝，等.基于Elman神經網絡的傳感器故障診斷研究[J].國外電子測量技術，2014，33（4）：72-75.

作者簡介

陳曉龍（1992-），男，漢族，助理工程師。