基于神經(jīng)網(wǎng)絡(luò)的電池剩余電量預(yù)測(cè)算法研究

1、<p>　　CHANGZHOU INSTITUTE OF TECHNOLOGY</p><p>　　畢 業(yè) 設(shè) 計(jì) 說 明 書</p><p>　　2014 年 5 月</p><p>　題目： 基于神經(jīng)網(wǎng)絡(luò)的電池剩余電量預(yù)測(cè)算法研究</p><p>　二級(jí)學(xué)院： 電子信息與電氣工程學(xué)院

2、 </p><p>　專 業(yè)： 自 動(dòng) 化 班級(jí)： 10 自 二 </p><p>　學(xué)生姓名： 張 康 學(xué)號(hào)： 10020635 </p><p>　指導(dǎo)教師： 廉 春 原 職稱： 講 師 </p><p>　評(píng)閱教師：

3、 職稱： </p><p><b>　　摘要</b></p><p>　　在蓄電池的使用過程中，及時(shí)了解蓄電池的剩余電量是非常重要的。但是傳統(tǒng)蓄電池剩余電量估算方法有兩個(gè)主要的缺點(diǎn)：一是不能在線測(cè)量，二是誤差較大。由于電池剩余電量與各影響因素之間存在復(fù)雜的非線性關(guān)系，故對(duì)其建立準(zhǔn)確的數(shù)學(xué)模型是非常困難的。為了能夠有效地對(duì)電池剩余電

4、量進(jìn)行預(yù)測(cè)，在分析了影響電池剩余電量相關(guān)因素的基礎(chǔ)上，提出了基于神經(jīng)網(wǎng)絡(luò)的電池剩余電量預(yù)測(cè)模型，目的是充分利用該模型能夠任意逼近任何多輸入輸出參數(shù)函數(shù)的性能。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)吸取了生物神經(jīng)網(wǎng)絡(luò)諸多優(yōu)點(diǎn)，例如非線性、非局限性、非常定型、非凸性。通過固定電阻放電來得到蓄電池的剩余電量，相比于其他方法是最為可靠的。</p><p>　　本文提出的固定電阻放電與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)剩余電量方法在蓄電池的正常工作過程中，周期性地切換到

5、固定電阻放電狀態(tài)，實(shí)時(shí)地根據(jù)該狀態(tài)下的電池端電壓值來估算電池剩余電量。實(shí)驗(yàn)結(jié)果證明，該方法相比傳統(tǒng)的方法具有能夠在線測(cè)量、精度高、無累積誤差等特點(diǎn)，因此具有很好的工程實(shí)用價(jià)值。</p><p>　　關(guān)鍵詞：蓄電池；剩余電量 ；神經(jīng)網(wǎng)絡(luò)；固定電阻放電</p><p><b>　　Abstract</b></p><p>　　In the proc

6、ess of the use of the storage battery, timely understanding of battery remaining power is very important. But the traditional battery soc estimation method has two main shortcomings: one is not online measurement, the ot

7、her is the error is bigger. And battery remaining power and there is a complex nonlinear relationship between various influencing factors, its is very difficult to establish accurate mathematical model, in order to effec

8、tively forecast the battery remaining power, the </p><p>　　In this paper, the constant resistance discharge and neural network prediction method in the process of the normal work of the battery soc, periodic

9、ally to switch to fixed resistance discharge state, in real time according to the condition of battery terminal voltage value to estimate the battery remaining power. The experimental results show that this method is com

10、pared with the traditional method is able to online measurement, high precision and no cumulative error, therefore has the very good</p><p>　　Key words: storage battery; Remaining power; Neural network; Cons

11、tant resistance discharge.</p><p><b>　　目錄</b></p><p><b>　　摘要</b></p><p><b>　　Abstract</b></p><p>　　第 1 章 緒論.........................

12、.................................1</p><p>　　1.1 課題簡介............................................1</p><p>　　1.2 國內(nèi)外電池剩余容量研究現(xiàn)狀..........................1</p><p>　　1.2.1 剩余容量預(yù)測(cè)的相關(guān)發(fā)展...

13、.......................1</p><p>　　1.2.2 人工智能方法在剩余容量上的應(yīng)用..................2</p><p>　　1.3 課題研究目的及主要內(nèi)容..............................2</p><p>　　1.4 本章小結(jié).................................

14、...........3</p><p>　　第 2 章 常用的剩余容量測(cè)量方法及影響因素.....................4</p><p>　　2.1 安時(shí)法..............................................4</p><p>　　2.2 放電實(shí)驗(yàn)法................................

15、..........4</p><p>　　2.3 電解液測(cè)量法........................................4</p><p>　　2.4 開路電壓法..........................................4</p><p>　　2.5 交流阻抗法............................

16、..............5</p><p>　　2.6 影響剩余容量測(cè)量的因素..............................5</p><p>　　2.7 本章小結(jié)............................................6</p><p>　　第 3 章 選用固定電阻放電測(cè)量電池剩余電量...............

17、......7</p><p>　　3.1 實(shí)驗(yàn)設(shè)備............................................7</p><p>　　3.2 固定電阻的放電特性曲線..............................7</p><p>　　3.3 由工作狀態(tài)切換到固定電阻放電存在的問題..............9</p&

18、gt;<p>　　3.4 本章小結(jié)............................................9</p><p>　　第 4 章 基于神經(jīng)網(wǎng)絡(luò)的固定電阻放電電壓預(yù)測(cè)算法..............10</p><p>　　4.1.神經(jīng)網(wǎng)絡(luò)算法的選用.................................10</p><

19、p>　　4.2 BP神經(jīng)網(wǎng)絡(luò)算法.....................................11</p><p>　　4.2.1 BP網(wǎng)絡(luò)的主要能力...............................12</p><p>　　4.2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法與傳遞函數(shù)...................12</p><p>　　4.2

20、.3 BP網(wǎng)絡(luò)模型結(jié)構(gòu).................................13</p><p>　　4.3神經(jīng)網(wǎng)絡(luò)模型........................................16</p><p>　　4.3.1本文選用的三層神經(jīng)網(wǎng)絡(luò)模型......................16</p><p>　　4.3.2梯度下降法進(jìn)行

21、權(quán)值訓(xùn)練..........................17</p><p>　　4.3.3學(xué)習(xí)速率的選擇..................... ............19</p><p>　　4.4 本章小結(jié)...........................................19</p><p>　　第 5 章 放電電壓轉(zhuǎn)化與實(shí)驗(yàn)分析.

22、.............................21</p><p>　　5.1 固定電阻放電電壓轉(zhuǎn)化為剩余電量.....................21</p><p>　　5.2 選取實(shí)驗(yàn)測(cè)試數(shù)據(jù)...................................22</p><p>　　5.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練...................

23、....................24</p><p>　　5.4 預(yù)測(cè)值與實(shí)際值對(duì)比及分析...........................24</p><p>　　5.5 本章小結(jié)...........................................27</p><p>　　第 6 章 論文總結(jié).....................

24、.......................27</p><p>　　6.1 評(píng)價(jià)...............................................27</p><p>　　6.1.1 研究電池剩余電量的原因.........................27</p><p>　　6.1.2 本文選用方法的總結(jié)............

25、.................27</p><p>　　6.2 展望...............................................28</p><p>　　致謝........................................................29</p><p>　　參考文獻(xiàn).............

26、.......................................30</p><p>　　附錄A.......................................................31</p><p><b>　　第1章緒論</b></p><p><b>　　1.1課題簡介</b>

27、</p><p>　　蓄電池的可用剩余電量是電池管理系統(tǒng)中的一個(gè)重要參數(shù)，為精確測(cè)量電池的可用剩余電量，本論文提出了一種新型的估算蓄電池可用剩余電量的方法，即利用固定電阻放電與智能估算相結(jié)合估測(cè)電池的剩余電量。比較蓄電池剩余電量的實(shí)際值和估測(cè)值，能相當(dāng)精確的反映出電池隨老化程度及其他條件的變化而發(fā)生的可用剩余電量變化。</p><p>　　放電試驗(yàn)法是公認(rèn)的最可靠的測(cè)量蓄電池剩余電量的方法

28、。按某一固定電流將蓄電池連續(xù)放電至規(guī)定的剩余電量零點(diǎn)，放電電流與時(shí)間的乘積就是蓄電池的剩余電量。該方法需要大量時(shí)間來進(jìn)行充放電實(shí)驗(yàn)，而且放電過程不能中斷，因此不能用于電池剩余容量的在線估算。</p><p>　　神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域的重要分支，它的突出特點(diǎn)是采用并行處理結(jié)構(gòu)，無模型的預(yù)報(bào)器，能夠從系統(tǒng)的輸入、輸出樣本中獲取系統(tǒng)的輸入輸出關(guān)系。在測(cè)量蓄電池剩余電量時(shí)，考慮到影響電池狀態(tài)的因素復(fù)雜多樣，系統(tǒng)模型難以

29、精確建立。因此，用神經(jīng)網(wǎng)絡(luò)的方法來判斷電池的荷電狀態(tài)就成為研究的熱點(diǎn)。這些復(fù)雜算法在單片機(jī)系統(tǒng)上是難以實(shí)現(xiàn)的，所以在實(shí)際應(yīng)用中還不多見，但卻是未來的發(fā)展方向。</p><p>　　1.2國內(nèi)外電池剩余電量研究現(xiàn)狀</p><p>　　1.2.1剩余容量預(yù)測(cè)的相關(guān)發(fā)展</p><p>　　目前，人類正在對(duì)環(huán)境造成日益嚴(yán)重的污染，其中，以越來越嚴(yán)重的霧靄天氣為代表的空氣

30、污染正在損害著人類的健康。燃油汽車的尾氣排放造成了嚴(yán)重的霧靄天氣的罪魁禍?zhǔn)字?，因此人們?duì)清潔能源動(dòng)力汽車的需求將會(huì)更加緊迫。在倡導(dǎo)清潔燃料的未來，燃油汽車必將被淘汰。純電動(dòng)汽車將會(huì)成為未來汽車產(chǎn)業(yè)發(fā)展的主要方向，而影響純電動(dòng)汽車發(fā)展的主要因素就是其動(dòng)力源的蓄電池問題。為了能夠確保電動(dòng)汽車的安全、穩(wěn)定、正常運(yùn)行，需要對(duì)蓄電池進(jìn)行必要的控制和管理，從而使其能保持良好的性能并延長其使用壽命。所以，合理控制和管理蓄電池對(duì)電動(dòng)汽車來說是非常重要

31、的。</p><p>　　由此，及時(shí)、精確地獲取蓄電池的剩余電量就成為電池管理和控制的主要研究方面。原因如下：蓄電池剩余電量的多少直接反映了蓄電池所處的狀態(tài)，通過它可以預(yù)測(cè)汽車的續(xù)駛里程。并且可以避免電池的過充過放，均衡電池性能之間的不一致性，從而保證電動(dòng)汽車的安全、可靠運(yùn)行。所以對(duì)電池電量的實(shí)時(shí)在線估計(jì)是非常重要，非常有意義的。</p><p>　　目前蓄電池的剩余電量檢測(cè)方法主要有放電

32、試驗(yàn)法、安時(shí)計(jì)量法、測(cè)量電解液法、開路電壓法、內(nèi)阻法以及結(jié)合幾種估算方法的綜合估算方法。這些方法各有使用的領(lǐng)域，但是精確度和實(shí)時(shí)性都不是特別突出。</p><p>　　1.2.2人工智能方法在剩余電量預(yù)測(cè)上的應(yīng)用</p><p>　　近年來,隨著人工智能研究領(lǐng)域的取得突破性的發(fā)展，人工智能方法被更多的應(yīng)用于蓄電池剩余電量的預(yù)測(cè)估算。從2000年左右開始，系統(tǒng)辨識(shí)以及參數(shù)估計(jì)方法開始被應(yīng)用于

33、蓄電池剩余電量的預(yù)估，目前在國內(nèi)外研究中也是比較熱門。主要是應(yīng)用一些創(chuàng)新的方法(主要是人工智能算法)對(duì)蓄電池進(jìn)行系統(tǒng)建模，從而將影響電池剩余電量的各種因素綜合到電池模型中，通過大量的試驗(yàn)對(duì)模型進(jìn)行系統(tǒng)辨識(shí)和參數(shù)估計(jì)，得到蓄電池某些參數(shù)與剩余電量之間的關(guān)系，進(jìn)而估算剩余電量。比較常用的人工智能方法有人工神經(jīng)網(wǎng)絡(luò)法、向量機(jī)法、模糊推理法以及卡爾曼濾波法等。</p><p>　　神經(jīng)網(wǎng)絡(luò)法針對(duì)蓄電池是一個(gè)復(fù)雜的非線性系

34、統(tǒng)，對(duì)其充放電過程建立準(zhǔn)確的數(shù)學(xué)模型有很大的難度。而神經(jīng)網(wǎng)絡(luò)具有分布并行處理能力、非線性映射能力和自適應(yīng)學(xué)習(xí)能力等典型特性，能夠較好地反映非線性的特性。在有外部輸出時(shí)能夠給出相應(yīng)的輸出，因此能夠在一定程度上模擬蓄電池動(dòng)態(tài)特性，估算剩余電量。</p><p>　　向量機(jī)法用于蓄電池剩余電量估算，能夠避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練時(shí)間、局部最優(yōu)以及收斂速度等方面存在的缺陷。而進(jìn)一步利用相關(guān)向量機(jī)法對(duì)蓄電池剩余電量進(jìn)行預(yù)測(cè)

35、，相比于支持向量機(jī)法預(yù)測(cè)精度更高，預(yù)測(cè)模型也更精確，不過算法也更復(fù)雜，需要占用更大的計(jì)算機(jī)資源。</p><p>　　模糊邏輯法即對(duì)蓄電池進(jìn)行模糊建模，能夠以系統(tǒng)的輸入、輸出測(cè)試數(shù)據(jù)為依據(jù)，不受先驗(yàn)知識(shí)、經(jīng)驗(yàn)與行為所限制。此方法通常對(duì)作為模型的輸入變量的參數(shù)(如電流、電壓、內(nèi)阻、溫度等)進(jìn)行模糊化處理，根據(jù)大量的蓄電池特性試驗(yàn)數(shù)據(jù)得出剩余電量與電流、電壓、溫度、內(nèi)阻等影響因素之間的關(guān)系，設(shè)計(jì)模糊規(guī)則同時(shí)進(jìn)行模糊推

36、理，經(jīng)反模糊化處理估算電池剩余電量。</p><p>　　卡爾曼濾波法的核心思想即對(duì)動(dòng)力系統(tǒng)的狀態(tài)作出最小方差意義上的最優(yōu)估計(jì)，它既適用于線性系統(tǒng)更適用于非線性系統(tǒng)。在使用卡爾曼濾波法估算剩余電量時(shí)，首先建立適用于卡爾曼濾波法的蓄電池模型，模型須具備兩方面特點(diǎn)：(1)能夠較好地體現(xiàn)電池的動(dòng)態(tài)特性，同時(shí)階數(shù)不能太高，以便減少處理器的運(yùn)算量，便于工程實(shí)現(xiàn)；(2)模型必須能夠準(zhǔn)確反映電池電動(dòng)勢(shì)與端電壓的關(guān)系，從而使閉環(huán)

37、估計(jì)有較高的精度。</p><p>　　1.3課題研究目的及主要內(nèi)容</p><p>　　本課題研究的目的，在于解決蓄電池使用過程中，無法及時(shí)準(zhǔn)確地獲取電池的剩余電量的問題。及時(shí)掌握電池的剩余電量能使用戶在使用蓄電池時(shí)避免因電量耗盡而造成的設(shè)備被動(dòng)停止，及時(shí)為電池充電，避免造成損失與事故。當(dāng)蓄電池充電時(shí)，實(shí)時(shí)的檢測(cè)電池的剩余電量能更好的控制電池充電，避免電池過充而造成的壽命降低。</

38、p><p>　　現(xiàn)在存在很多預(yù)測(cè)電池剩余電量的方法，但是比較這幾種預(yù)測(cè)方法的優(yōu)缺點(diǎn)，結(jié)合本課題旨在說闡明的論點(diǎn)，選取固定電阻放電實(shí)驗(yàn)法是最可靠。因此，本論文選用實(shí)驗(yàn)選用阻值為 10Ω 的固定電阻對(duì)充滿的電池進(jìn)行放電，在同等條件下重復(fù)進(jìn)行 5 次實(shí)驗(yàn)。當(dāng)電池處于放電過程時(shí)，只要能實(shí)時(shí)得到電池外部電壓，就能根據(jù)電壓值估算電池的剩余電量。在實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，我們應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)應(yīng)于穩(wěn)定的電壓值，就能預(yù)測(cè)剩余電量。神

39、經(jīng)網(wǎng)絡(luò)具有非線性、自適應(yīng)的信息處理能力，能對(duì)復(fù)雜的非線性系統(tǒng)進(jìn)行在線估算。利用神經(jīng)網(wǎng)絡(luò)方法解決上述問題，不僅精度高，而且避免了復(fù)雜的系統(tǒng)建模，具有一定的優(yōu)越性。</p><p><b>　　1.4本章小結(jié)</b></p><p>　　本章主要是對(duì)本論文所研究的課題即基于神經(jīng)網(wǎng)絡(luò)的剩余電量預(yù)測(cè)算法進(jìn)行總體的闡述。電池剩余容量的估算是蓄電池研究的重要方向，針對(duì)剩余容量的預(yù)

40、測(cè)與智能控制領(lǐng)域相結(jié)合的方向是目前的研究熱門。本論文主要提出的的是結(jié)合神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)剩余容量，神經(jīng)網(wǎng)絡(luò)在處理非線性問題上有著突出的特點(diǎn)，而蓄電池的剩余容量正是非線性的，所以二者結(jié)合在一起研究是合理的。</p><p>　　第2章常用的剩余電量測(cè)量方法</p><p><b>　　2.1安時(shí)法</b></p><p>　　安時(shí)法即Ah法，對(duì)剩余容

41、量（SOC）在線估算最常用的方法，絕大部分動(dòng)力電池的剩余電量在線估算都采用該方法。這種方法就是把蓄電池看做一個(gè)“黑箱”，不考慮電池的內(nèi)部結(jié)構(gòu)和參數(shù)等，在電池放電時(shí)對(duì)電流進(jìn)行積分然后用電池額定電量減去電流積分值就是剩余電量。該方法把蓄電池的電量Q以“Ah”為單位來計(jì)量。</p><p>　　安時(shí)法的計(jì)算公式為：</p><p><b>　　(2.1)</b></p

42、><p>　　實(shí)際估算時(shí)通過 k-1 時(shí)刻到 k 時(shí)刻電流對(duì)時(shí)間的積分，再通過充放電效率 η 修正，可以計(jì)算出該時(shí)間段內(nèi)電池充入以及放出的安時(shí)數(shù)，與電池的初始荷電狀態(tài)相加就能得該時(shí)刻電池的剩余容量值。這種方法的優(yōu)點(diǎn)是操作簡單，容易實(shí)現(xiàn)；但在實(shí)際使用中，由于初值難以確定、充放電效率隨環(huán)境變化以及電池老化而改變，同時(shí)存在積分累積誤差，因此單純的使用該方法誤差較大。</p><p><b>

43、;　　2.2放電實(shí)驗(yàn)法 </b></p><p>　　目前，放電實(shí)驗(yàn)法是估算蓄電池剩余電量唯一可靠的方法，此法需要對(duì)負(fù)載電阻進(jìn)行大量的連續(xù)的放電試驗(yàn)。當(dāng)蓄電池放電處于過程時(shí)，調(diào)整負(fù)載電阻值的大小，保持放電電流值的恒定，直到達(dá)到放電終止電壓。假負(fù)載可以用智能電子假負(fù)載替換。根據(jù)恒定電流和時(shí)間的乘積，可以獲得實(shí)際使用中全額電量值。這種方法的有點(diǎn)是：估算值精確；缺點(diǎn)是：放電時(shí)間長，在車輛實(shí)際行駛過程中很難實(shí)

44、現(xiàn)，但可以用實(shí)驗(yàn)法進(jìn)行電池的離線檢修。</p><p>　　2.3電解液測(cè)量法 </p><p>　　鉛酸蓄電池的電解液密度在充電過程中變大，而在放電過程中變小。因此可以根據(jù)電解液的密度來估算電池的剩余電量。但該方法只適合鉛酸蓄電池，并且要求高精度的在線測(cè)量電解液密度，在操作上不易實(shí)現(xiàn)。 </p><p><b>　　2.4開路電壓法</b>

45、;</p><p>　　開路電壓法是根據(jù)電化學(xué)原理，當(dāng)蓄電池中化學(xué)能與電能的轉(zhuǎn)換達(dá)到平衡時(shí)，正極平衡電極電勢(shì)與負(fù)極平衡電極電勢(shì)的差值，就成為電池電動(dòng)勢(shì)，此差值在數(shù)值上等于電池達(dá)到穩(wěn)態(tài)時(shí)的開路電壓值。開路電壓法是電池剩余電量預(yù)測(cè)最簡便的方法，通過大量實(shí)驗(yàn)得到電池剩余電量與開路電壓的關(guān)系，然后通過預(yù)測(cè)開路電壓，就可以估算電池的剩余電量。</p><p>　　開路電壓法的主要問題是必須保證蓄電池

46、靜止足夠的時(shí)間，才能得到真實(shí)的開路電壓值。之所以強(qiáng)調(diào)靜止足夠的時(shí)間，就是要防止電壓未恢復(fù)到穩(wěn)定狀態(tài)，但是時(shí)間又不能太長，防止電池的自放電，使實(shí)際電量值比預(yù)測(cè)的剩余電量值低。預(yù)測(cè)準(zhǔn)確，同時(shí)能夠進(jìn)一步避免產(chǎn)生誤差。但是該方法的缺點(diǎn)是電池不能在線測(cè)量。在充電或放電之后，開路電壓需要相當(dāng)長的時(shí)間才能穩(wěn)定，至少需要60分鐘以上，這就限制了在汽車上進(jìn)行實(shí)時(shí)測(cè)量。在充、放電狀態(tài)下，蓄電池的開路電壓無法直接測(cè)量。當(dāng)電池老化、剩余電量下降時(shí)，開路電壓變化

47、并不明顯，無法準(zhǔn)確預(yù)測(cè)剩余電量。這種方法在電池充電開始和結(jié)束的的估算精度比較高，如果與安時(shí)法結(jié)合使用，能夠得到更理想的結(jié)果。</p><p><b>　　2.5交流阻抗法</b></p><p>　　電池內(nèi)阻抗與電池剩余電量之間存在一定的關(guān)系，充電時(shí)內(nèi)阻抗隨剩余電量的增加而減小，但放電時(shí)內(nèi)阻抗隨剩余抗量的減小而增大。所以當(dāng)電池內(nèi)部電量不同時(shí)，內(nèi)阻值也不同，根據(jù)這一特性

48、可以估算電池剩余電量。若在電池兩端施加交流電，則依據(jù)電池端電壓的變化就能夠計(jì)算出電池的內(nèi)阻，進(jìn)而計(jì)算出剩余電量。</p><p>　　但是這種方法存在明顯的缺點(diǎn)：</p><p>　　1）電池內(nèi)阻只有在電池剩余電量很高或很低時(shí)才會(huì)有明顯變化，在電池主要工作的中間段變化很小，難以進(jìn)行精確測(cè)量。所以只適合于電池的過充或過放預(yù)警，不適合于線實(shí)時(shí)預(yù)測(cè)。</p><p>　　

49、2）電池內(nèi)阻受電池溫度、測(cè)量前的狀態(tài)、電池壽命等因素的影響，在內(nèi)阻值相同的情況下，可能對(duì)應(yīng)不同的剩余電量值；同一剩余電量值也有可能對(duì)應(yīng)著不同的內(nèi)阻值，兩者之間的關(guān)系并不是一一對(duì)應(yīng)。</p><p>　　3）電池內(nèi)阻受到制造工藝、制造材料等因素的影響，即使同一批次生產(chǎn)的電池，其內(nèi)阻值也不完全相同，這就會(huì)造成內(nèi)阻與剩余電量值的不固定。</p><p>　　4）電流頻率的變化對(duì)內(nèi)阻影響很大，造成

50、電動(dòng)車在實(shí)際工作過程中的電流變化不穩(wěn)定，因此不可能在電動(dòng)車運(yùn)行時(shí)應(yīng)用。 </p><p>　　表2-1 常用剩余電量估算方法的比較</p><p>　　2.6影響剩余容量測(cè)量的因素</p><p>　　蓄電池本身就是一個(gè)復(fù)雜的非線性系統(tǒng)，性能受到很多因素的影響，剩余電量就是其一個(gè)非常重要的參數(shù)，它在很大程度上反映了電池的放電能力。電池的放電倍率、溫度、循環(huán)次數(shù)和自放

51、電等因素都會(huì)對(duì)電池的剩余電量造成影響。</p><p>　　1）放電倍率：電池放電電量的多少與電池板上活性物質(zhì)參與反應(yīng)的激烈程度有很強(qiáng)的聯(lián)系。如果以較大倍率電流放電，極板上的活性物質(zhì)之間的空隙很容易被堵塞，還有可能在電池活性物質(zhì)與電解液之間形成隔離隔離層，從而導(dǎo)致電池極板上的活性物質(zhì)反應(yīng)深度非常有限，使得參與反應(yīng)的活性物質(zhì)質(zhì)量減小，利用率降低，放電容量減小；否則放電容量增大。所以，當(dāng)蓄電池的充放電電流較大時(shí)，必須

52、考慮到電流大小對(duì)剩余電量的影響。</p><p>　　2）溫度：溫度對(duì)蓄電池的放電電量有較大的影響。當(dāng)蓄電池溫度上升時(shí)，其內(nèi)部的電解質(zhì)被稀釋，粘度降低，離子的擴(kuò)散速度變快。在放電截至電壓之前，極板上的活性物質(zhì)能夠得到深度的反映，活性物質(zhì)的利用率提高，從而使放電電量增大。反之，當(dāng)溫度下降時(shí)，離子的擴(kuò)散速度受阻下降，極板上的活性物質(zhì)利用率下降，從而使放電電量降低。由此可以看出溫度與放電電量總趨勢(shì)上呈正比關(guān)系，然而溫度

53、過高會(huì)導(dǎo)致極板受到損壞反而使放電電量降低。</p><p>　　3）循環(huán)次數(shù)：當(dāng)電池剛開始使用時(shí)，放電電量會(huì)緩慢增加，隨后進(jìn)入一個(gè)比較穩(wěn)定的水平，隨著充放電次數(shù)的遞增，放電電量也會(huì)緩慢減少。對(duì)于鉛蓄電池，電池循環(huán)壽命一般用其實(shí)際電量降低到額定電容量80%的循環(huán)次數(shù)來表示。</p><p>　　4）自放電：蓄電池的自放電源自其內(nèi)部的結(jié)構(gòu)和化學(xué)反應(yīng)，它表征了電池保持電荷的能力，即當(dāng)電池處于開路

54、狀態(tài)時(shí)保持電量的能力。</p><p><b>　　2.7本章小結(jié)</b></p><p>　　目前廣泛使用的測(cè)量蓄電池剩余容量的方法中，放電實(shí)驗(yàn)法測(cè)量精度高、實(shí)現(xiàn)簡單，但是測(cè)量時(shí)間長，不能在線測(cè)量；安時(shí)法可在線測(cè)量，實(shí)現(xiàn)簡單但是誤差較大；測(cè)量電解液法原理簡單，計(jì)算容易但是只適合鉛酸電池，不便實(shí)現(xiàn)；開路電壓法測(cè)量精度高，實(shí)現(xiàn)簡單但是測(cè)量時(shí)間長，不能在線測(cè)量；內(nèi)阻法SO

55、C 較高或較低時(shí)測(cè)量準(zhǔn)但是測(cè)量范圍小，不能在線測(cè)量。所以，綜合考慮，本論文為了體現(xiàn)神經(jīng)網(wǎng)絡(luò)適用于非線性的特征，選擇了最精確的放電實(shí)驗(yàn)</p><p>　　第3章選用固定電阻放電測(cè)量電池剩余電量</p><p><b>　　3.1實(shí)驗(yàn)設(shè)備</b></p><p>　　本論文全部實(shí)驗(yàn)使用的蓄電池是型號(hào)為6-MQ-7H 的鉛酸蓄電池，電池標(biāo)稱電壓為

56、12V，容量為7AH，按照 GB5008.1-85 規(guī)定，電解液溫度為(25±2)°C，相對(duì)密度為 1.28±0.01（25°C 條件下），放電終止電壓為10.5V( 單格 1．75V)、充電電壓恒定為 14．5V(單格 2．416V)。實(shí)驗(yàn)在 BTS-M 30A/12V(Ⅰ)測(cè)試平臺(tái)上進(jìn)行。</p><p>　　3.2固定電阻的放電特性曲線</p><

57、p>　　本實(shí)驗(yàn)選用阻值為 10Ω 的固定電阻對(duì)充滿電量的蓄電池進(jìn)行放電，在相同條件下重復(fù)進(jìn)行 5 次實(shí)驗(yàn)，得到5 組測(cè)量數(shù)據(jù)。放電時(shí)電池正負(fù)級(jí)間電壓曲線如圖 1 所示。由圖3-1可以發(fā)現(xiàn)，5 次放電實(shí)驗(yàn)得到的電壓曲線基本一致，在整個(gè)放電過程中都呈緩慢下降趨勢(shì)，因此當(dāng)電池處于放電過程時(shí)，只要能實(shí)時(shí)得到電池外部電壓，就能根據(jù)電壓值估算電池剩余容量。由圖3-1還可以看出，放電曲線主要由三部分組成，這主要由電池內(nèi)部化學(xué)反應(yīng)造成的。電池正常

58、工作狀態(tài)應(yīng)該處于曲線第二部分，因此利用該放電特性曲線估算剩余容量時(shí)應(yīng)該取第二部分。</p><p>　　圖3-1 固定電阻放電特性曲線</p><p>　　圖3-22不同初始 SOC 條件的固定電阻放電特性曲線</p><p>　　然后，再將電池處于不同初始剩余容量條件下重復(fù)上述實(shí)驗(yàn)，放電電壓特性曲線如圖 3-2所示。由圖3-2可知，當(dāng)電池初始剩余容量不同時(shí)，初始的

59、放電電壓也不相同，但曲線的斜率與變化趨勢(shì)是大致相同的。取 5 條曲線中相等電壓值所對(duì)應(yīng)的時(shí)間</p><p>　　表3-1 5次固定電阻放電對(duì)應(yīng)某工作電壓下的剩余時(shí)間</p><p>　　點(diǎn)，能夠發(fā)現(xiàn)這些時(shí)間點(diǎn)到該次放電過程結(jié)束所需的時(shí)間是近似相等的。由于實(shí)驗(yàn)使用固定電阻放電，所以近似相等時(shí)間段內(nèi)放出的電量也近似相等，這些放出的電量可以看作電池的剩余電量。以放電電壓為 11.5V 和 12

60、V 為例，得到放電電壓與剩余電量的關(guān)系如表3-1所示.</p><p>　　由以上陳述可以得出結(jié)論，相同的電壓值與相對(duì)應(yīng)的電池剩余容量相同，電池端電壓反映了電池剩余容量。這一結(jié)論可以用來在線測(cè)量電池的剩余電量。</p><p>　　電池在實(shí)際使用時(shí)，工作電壓與負(fù)載有關(guān)。而通常情況下，工作負(fù)載一般都是一個(gè)變化值，因此電壓值也是忽高忽低變化的，此時(shí)就不能用工作電壓來估算剩余容量了。這時(shí)可以在電

61、路里預(yù)先放置一個(gè)固定阻值的電阻作為參照負(fù)載，周期性的將電池從原來的工作狀態(tài)切換到固定電阻放電狀態(tài)并測(cè)量該電壓值，并由此值估算剩余容量，測(cè)量結(jié)束后再迅速切換回原始工作狀態(tài)。所用的固定電阻阻值選取一般工況下平均負(fù)載所對(duì)應(yīng)的阻值，切換過程中正常工作負(fù)載的短暫動(dòng)力缺失問題，可以使用并聯(lián)大電容來解決。</p><p>　　3.3由工作狀態(tài)切換到固定電阻放電存在的問題</p><p>　　在實(shí)驗(yàn)中發(fā)現(xiàn)

62、，當(dāng)將電池從原本的工作負(fù)載切換到固定電阻負(fù)載時(shí)，假如原本的工作負(fù)載比固定電阻負(fù)載大，則電壓值會(huì)迅速升高然后趨向穩(wěn)定；如果原本的工作負(fù)載比固定電阻負(fù)載小，則電壓值會(huì)迅速降低然后趨向穩(wěn)定。兩種情況下，電壓值達(dá)到穩(wěn)定所需時(shí)間均在 1 分鐘左右，突變的趨勢(shì)與原本工作負(fù)載的大小有關(guān)。當(dāng)原本工作負(fù)載與固定電阻負(fù)載差距越大，則突變?cè)酱?，否則就越小，但并不是線性關(guān)系。</p><p>　　用固定電阻放電估算剩余電量的方法，應(yīng)該是

63、在放電過程穩(wěn)定狀態(tài)時(shí)測(cè)得的。但如果使電池從正常工作狀態(tài)切換到固定電阻放電狀態(tài)，在 1 分鐘內(nèi)實(shí)現(xiàn)電壓穩(wěn)定是不現(xiàn)實(shí)的，因?yàn)槎虝r(shí)間動(dòng)力缺失可以由并聯(lián)大電容的方式解決，故時(shí)間一般不能超過幾秒鐘。長達(dá)一分鐘以上的動(dòng)力缺失會(huì)造成設(shè)備斷電，會(huì)對(duì)用戶造成不便或危害。本文第4部分將著重討論基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法來解決這一問題。</p><p><b>　　3.4本章小結(jié)</b></p><

64、;p>　　選用固定電阻放電實(shí)驗(yàn)法來獲取蓄電池剩余容量是最為可靠的。本章選用鉛酸蓄電池作為實(shí)驗(yàn)對(duì)象，對(duì)獲取不同阻值下的兩組實(shí)驗(yàn)結(jié)果，并獲取各自的放電特性曲線，進(jìn)行比較，發(fā)現(xiàn)其的非線性特征。通過幾組實(shí)驗(yàn)數(shù)據(jù)，發(fā)現(xiàn)電壓值與剩余容量之間有對(duì)應(yīng)關(guān)系，因此就可以用電壓值來反映電池的剩余容量值。</p><p>　　第4章基于神經(jīng)網(wǎng)絡(luò)的固定電阻放電電壓預(yù)測(cè)算法</p><p>　　4.1神經(jīng)網(wǎng)絡(luò)算

65、法的選用</p><p>　　第三章中提到，由工作負(fù)載切換到固定電阻負(fù)載電壓穩(wěn)定的時(shí)間大概需要 1 分鐘，而實(shí)際使用中的切換時(shí)間只能為幾秒鐘，前幾秒鐘的電壓值和穩(wěn)定后的電壓值之間的關(guān)系雖然是非線性的。但二者又是有所聯(lián)系的，因此可以考慮用前幾秒鐘的電壓值來預(yù)測(cè) 1 分鐘、2 分鐘或 3 分鐘后負(fù)載電壓穩(wěn)定時(shí)的值，然后根據(jù)預(yù)測(cè)出的穩(wěn)定電壓值來估算電池剩余電量。神經(jīng)網(wǎng)絡(luò)具有非線性、自適應(yīng)的信息處理能力，并能對(duì)復(fù)雜的非線

66、性系統(tǒng)進(jìn)行在線估算。利用神經(jīng)網(wǎng)絡(luò)方法解決上述問題，不僅精度高，而且避免了復(fù)雜的系統(tǒng)建模，具有突出的優(yōu)越性。</p><p>　　1.有監(jiān)督Hebb算法</p><p>　　幾乎全部神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)規(guī)則都能視作由Hebb算法學(xué)習(xí)規(guī)則的演變而來。數(shù)學(xué)描述Hebb算法學(xué)習(xí)規(guī)則為：wij表示神經(jīng)元xj到xi的突觸權(quán)值，xj1與xi1各表示神經(jīng)元j和i在一定時(shí)間內(nèi)的均值，當(dāng)學(xué)習(xí)步驟為n時(shí)將突觸權(quán)值

67、的調(diào)整為：</p><p><b>　　(4.1)</b></p><p>　　有監(jiān)督Hebb算法學(xué)習(xí)規(guī)則：</p><p><b>　　(4.2)</b></p><p><b>　　矩陣形式：</b></p><p><b>　　(4.3)

68、</b></p><p><b>　　2.單層感知器</b></p><p>　　單層感知器模型不同于MP模型的方面：單層感知器模型假定的是神經(jīng)元的突觸權(quán)值是不固定的。當(dāng)其用于兩類模式進(jìn)行區(qū)分時(shí)，如果模式是線性可分的，那么算法一定是可以收斂的；否則不收斂。因此就算是最常用的異或邏輯運(yùn)算也無法將其實(shí)現(xiàn)。為簡便起見，將偏差b作為神經(jīng)元突觸權(quán)值向量的第一個(gè)分量加

69、到權(quán)值向量中去，因而對(duì)應(yīng)的輸入向量也應(yīng)該增加一項(xiàng)。</p><p>　　可設(shè)輸入向量的第一個(gè)分量固定值為+1，這樣輸入向量與權(quán)值向量就可以分別寫成以下的形式：</p><p><b>　　(4.4)</b></p><p><b>　　(4.5)</b></p><p>　　其中，變量n表示迭代的次

70、數(shù)，表示b（n），然后二值閾值元件的輸入就可以改寫為：</p><p><b>　　(4.6)</b></p><p>　　使上式=0，即可得在m維信號(hào)空間的感知器判決超平面。</p><p>　　在其學(xué)習(xí)算法中，關(guān)鍵的是引用一個(gè)經(jīng)過量化的期望值輸出d（n），定義為：</p><p><b>　　+1，屬于I1

71、</b></p><p>　　d（n）= (4.7)</p><p><b>　　-1，屬于I2</b></p><p>　　這樣對(duì)權(quán)值向量的進(jìn)修正就能夠采用糾錯(cuò)學(xué)習(xí)規(guī)則。</p><p>　　3.梯度（LMS）算法</p>

72、;<p>　　將神經(jīng)元的激發(fā)函數(shù)改為可微分函數(shù)，列如Sigmoid函數(shù)。梯度法對(duì)于給定的樣本集Xi（i=1,2…n）,目的是尋找權(quán)系數(shù)，使f[, Xi]與期望輸出Yi盡可能相似。梯度法比感知器的學(xué)習(xí)算法先進(jìn)一大步的關(guān)鍵點(diǎn)在于：第一，神經(jīng)元的傳遞函數(shù)采用連續(xù)的s型函數(shù)，而非階躍型函數(shù)；第二，對(duì)權(quán)系數(shù)的修改采用誤差的梯度值來控制，而非采用誤差來控制。</p><p><b>　　4.BP算法&

73、lt;/b></p><p>　　多層感知器（MLP）中，每個(gè)神經(jīng)元的激勵(lì)函數(shù)皆是可微的Sigmoid函數(shù)。但是在多層網(wǎng)絡(luò)中只能改變最后的權(quán)系數(shù)，而不能用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，因而提出了BP算法。BP神經(jīng)網(wǎng)絡(luò)算法的實(shí)質(zhì)是求得誤差函數(shù)的最小值，采用非線性規(guī)則中的最速下降法，按誤差函數(shù)的負(fù)梯度方向來修改權(quán)值系數(shù)。在下一節(jié)中有具體介紹。</p><p><b>　　5.幾種算法的比較

74、</b></p><p>　　感知機(jī)學(xué)習(xí)規(guī)則與LMS算法都是設(shè)計(jì)用來訓(xùn)練單層的類似感知器的網(wǎng)絡(luò)的，僅僅能夠解決線性可分的分類問題。BP神經(jīng)網(wǎng)絡(luò)為多層網(wǎng)絡(luò)，克服了以上諸多弊端。</p><p>　　4.2BP神經(jīng)網(wǎng)絡(luò)算法</p><p>　　多層神經(jīng)網(wǎng)絡(luò)能夠解決非線性分類問題，但需要尋找到訓(xùn)練多層網(wǎng)絡(luò)的學(xué)習(xí)算法。1974年，P．Werbos在其博士論文中提

75、出了第一個(gè)適合多層網(wǎng)絡(luò)的學(xué)習(xí)算法，但是在當(dāng)時(shí)并未得到足夠的重視而受到充分的推廣。</p><p>　　直到20世紀(jì)80年代中期，加利福尼亞的PDP(Parallel Distributed Procession)研究小組在1986年發(fā)表的《Parallel Distributed Procession》這本書中，將該算法在神經(jīng)網(wǎng)絡(luò)研究中應(yīng)用，才使BP神經(jīng)網(wǎng)絡(luò)算法成為迄今為止最著名的多層網(wǎng)絡(luò)學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)是

76、人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用，BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用在函數(shù)逼近、模式的識(shí)別與分類、數(shù)據(jù)壓縮等領(lǐng)域。80%至90%的人工神經(jīng)網(wǎng)絡(luò)模型都采用的BP神經(jīng)網(wǎng)絡(luò)或者它的延伸變化網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)也是前饋型神經(jīng)網(wǎng)絡(luò)的核心，是人工神經(jīng)網(wǎng)絡(luò)中最精華的部分。</p><p>　　因此，本論文也選用BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)算法的核心思想是：網(wǎng)絡(luò)的信息流正向傳播，網(wǎng)絡(luò)的誤差反向傳播，采用梯度下降法調(diào)整各層的權(quán)值和閥值，最終使網(wǎng)絡(luò)的誤差達(dá)到設(shè)

77、定要求。</p><p>　　4.2.1BP網(wǎng)絡(luò)的主要能力</p><p><b>　　1.非線性映射能力</b></p><p>　　事先無需了解輸入與輸出模式間的映射關(guān)系，僅為BP網(wǎng)絡(luò)提供所需的輸入與輸出樣本，進(jìn)行學(xué)習(xí)訓(xùn)練，BP網(wǎng)絡(luò)就可以學(xué)習(xí)存儲(chǔ)相應(yīng)量的輸入與輸出模式映射關(guān)系，同時(shí)就可以完成由n維的輸入空間到m維的輸出空間的非線性映射關(guān)系。

78、</p><p>　　BP網(wǎng)絡(luò)的非線性映射能力，廣泛應(yīng)用于許多領(lǐng)域，這也使BP網(wǎng)絡(luò)在非線性映射方面的應(yīng)用，較其它神經(jīng)網(wǎng)絡(luò)具有了極大的優(yōu)勢(shì)。</p><p><b>　　2.泛化能力</b></p><p>　　BP網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，并提取樣本模式對(duì)中的非線性映射關(guān)系，然后將其存儲(chǔ)到網(wǎng)絡(luò)連接權(quán)向量中。所以，當(dāng)向BP神經(jīng)網(wǎng)絡(luò)輸入訓(xùn)練的數(shù)據(jù)是未曾見過的數(shù)

79、據(jù)時(shí)，BP神經(jīng)網(wǎng)絡(luò)也完全可以實(shí)現(xiàn)由輸入模式到輸出模式的正確映射。BP神經(jīng)網(wǎng)絡(luò)泛化能力的強(qiáng)弱是衡量BP神經(jīng)網(wǎng)絡(luò)性能重要方面。</p><p><b>　　3.容錯(cuò)能力</b></p><p>　　容錯(cuò)能力，是BP神經(jīng)網(wǎng)絡(luò)另外一個(gè)重要的能力，它也是人工神經(jīng)網(wǎng)絡(luò)的突出特征。容錯(cuò)能力指允許輸入模式及樣本中可以存在較大的誤差，甚至可以出現(xiàn)錯(cuò)誤。此時(shí)，由于權(quán)向量的連接調(diào)整過程就一

80、個(gè)是從大量的樣本模式對(duì)中得出統(tǒng)計(jì)特性的過程，而反映正確規(guī)律的特性關(guān)系來自于全體樣本模式對(duì)。因此，個(gè)別樣本模式對(duì)中存在的誤差并不影響對(duì)連接權(quán)向量的正確調(diào)整。</p><p>　　4.2.2BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法與傳遞函數(shù)</p><p>　　BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的算法有很多種，不同算法的特性也不同。在選擇算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)，需要考慮到問題的復(fù)雜程度、目標(biāo)誤差、網(wǎng)絡(luò)的規(guī)模和問題的類型等各個(gè)方面。常

81、用算法一般包括：（1）啟發(fā)式學(xué)習(xí)算法，例如 traindm 函數(shù)、trainda 函數(shù)、trainrp函數(shù)等；（2）數(shù)值優(yōu)化算法，例如 quasi-newotn 學(xué)習(xí)算法、共軛梯度法、Levenberg-Marquardt(LM)法等。因?yàn)?LM 算法具有收斂速度快，誤差小等優(yōu)勢(shì)。神經(jīng)網(wǎng)絡(luò)算法中，用神經(jīng)元轉(zhuǎn)移函數(shù)來表述神經(jīng)元激活狀態(tài)與輸入之間的關(guān)系。常用傳遞函數(shù)有以下幾種：</p><p>　　1. 閥值型傳遞函

82、數(shù)函數(shù)</p><p>　　采用單位階躍函數(shù)的閥值型傳遞函數(shù)函數(shù)，表達(dá)式如下：</p><p><b>　　1， x>=0</b></p><p>　　f（x）= （4.8）</p><p><b>　　x<0</b

83、></p><p>　　此類神經(jīng)元，是最簡單的一種，一般稱作閥值型神經(jīng)元。</p><p>　　2. 非線性傳遞函數(shù)</p><p>　　非減連續(xù)性是非線性傳遞函數(shù)的特征。非線性傳遞函數(shù)最常使用的是Sigmoid函數(shù)。Sigmoid 函數(shù)的特點(diǎn)是函數(shù)本身和函數(shù)的導(dǎo)數(shù)均是連續(xù)性的，因此十分方便對(duì)函數(shù)進(jìn)行處理。非線性傳函主要包括：對(duì)數(shù)函數(shù) logsig、正切函數(shù)

84、tansig及線性函數(shù) purelin。表達(dá)式如下:</p><p>　　f（x）= （4.9） </p><p><b>　　3. 分段線性傳函</b></p><p>　　這種類型傳函也稱作偽傳函，其特點(diǎn)是神經(jīng)元的輸入輸出，在一定區(qū)間內(nèi)構(gòu)成線性關(guān)系，并有分段線性的特點(diǎn)，因此較易實(shí)現(xiàn)。其表

85、達(dá)式所示如下：</p><p><b>　　0， x<=0</b></p><p>　　f（x）= cx, 0<x<xp （4.10）</p><p>　　1, x> xp</p><p>　　4.2.3BP網(wǎng)絡(luò)模型結(jié)構(gòu)</

86、p><p><b>　　1．神經(jīng)元模型</b></p><p>　　圖4-1給出了基本的神經(jīng)元模型，它具有R個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值w和下一層相連，網(wǎng)絡(luò)輸出可表示為：</p><p>　　a = f (wp + b) （4.11）</p><p>　　輸入

87、 神經(jīng)元</p><p><b>　　Wi,1</b></p><p>　　P2 </p><p>　　ni yi</p><p><b>　　P3 </b></p><p&g

88、t;<b>　　.</b></p><p>　　. bi</p><p>　　. Wi,R</p><p><b>　　PR</b></p><p>　　a = f (wp + b)</p><p>　　圖4-1 BP神

89、經(jīng)元模型</p><p>　　f就是表示輸入/輸出關(guān)系的傳遞函數(shù)。</p><p>　　BP網(wǎng)絡(luò)中隱含神經(jīng)元的傳遞函數(shù)通常用純線性函數(shù) purelin、tan-sigmiod 型函數(shù) tansig 以及l(fā)og-sigmiod 型函數(shù) logsig。其傳遞函數(shù)如圖4-2所示。</p><p>　　log-sigmiod 型函數(shù) logsig 純線性函數(shù) pu

90、relin tan-sigmiod型函數(shù) tansig</p><p>　　圖 4-2 隱含神經(jīng)元的傳遞函數(shù)</p><p>　　假如BP網(wǎng)絡(luò)的最后一層是sigomiod 型神經(jīng)元，那么整個(gè)網(wǎng)絡(luò)的輸出就限制在一個(gè)較小的范圍內(nèi)；假如BP網(wǎng)絡(luò)的最后一層是purelin型線性神經(jīng)元，那么整個(gè)網(wǎng)絡(luò)的輸出可以取任意值。</p><p>　　神經(jīng)元層

91、 輸入層 神經(jīng)元層</p><p>　　輸入層 </p><p>　　S×R </p><p><b>　　S×1</b></p><p>　　a = f (wp + b)</p>

92、<p>　　a = f (wp + b)</p><p>　　圖4-3 BP網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　BP網(wǎng)絡(luò)使用的傳遞函數(shù)全部是可微的單調(diào)遞增函數(shù)（圖4-3）。在BP網(wǎng)絡(luò)的訓(xùn)練過程中，對(duì)函數(shù)purelin，tansig，logsig的導(dǎo)數(shù)的計(jì)算就很重要了。神經(jīng)網(wǎng)絡(luò)的工具箱提供了用于處理這個(gè)問題的求導(dǎo)函數(shù)，它們分別為dpurelin，dtansig，dlogsig。在其工作空

93、間的輸入端綴有‘deriv’指令，通過這個(gè)指令就能夠找到與之對(duì)應(yīng)的傳函的導(dǎo)函數(shù)。如圖4-3所示。</p><p>　　這些函數(shù)都是BP網(wǎng)絡(luò)設(shè)計(jì)時(shí)要經(jīng)常用到的，另外也可以自行定義。 </p><p>　　2、前饋型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　此神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，一般包含一個(gè)或多個(gè)隱含層。隱含層中的神經(jīng)元采用S型傳函，而輸出層的神經(jīng)元采用線性傳函。圖4-3所示就是一

94、個(gè)非常典型BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它有一個(gè)隱含層，隱含層中神經(jīng)元的數(shù)目為S，隱含層采用S型的神經(jīng)元傳函logsig，它的輸入有R個(gè)。</p><p>　　輸入輸出間線性和非線性關(guān)系，均可以采用隱含層非線性傳函的神經(jīng)元來學(xué)習(xí)，線性輸出層的目的是拓寬網(wǎng)絡(luò)輸出。若需限定網(wǎng)絡(luò)輸出（例如約束在0和1之間），則可采用S型傳遞函數(shù)。</p><p>　　圖4-4就是一個(gè)典型的兩層BP網(wǎng)絡(luò)，隱層神經(jīng)元傳遞函數(shù)t

95、ansig，輸出層神經(jīng)元傳遞函數(shù)purelin。</p><p>　　輸入層 隱含層 輸出層</p><p>　　2×1 </p><p>　　4×2 4×1

96、</p><p>　　4×1 4×3 =y</p><p>　　3×1 3×1</p><p>　　1 3</p><p>

97、　　4×1 1</p><p>　　2 3×1 </p><p>　　圖4-4 兩層BP網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　3.神經(jīng)網(wǎng)絡(luò)建模大致要經(jīng)過四個(gè)步驟</p><p>　　(1) 處理

98、選取的樣本。由于神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)、學(xué)習(xí)規(guī)則等的不同，故在進(jìn)行樣本訓(xùn)練之前，基本上都要預(yù)處理樣本數(shù)據(jù)，通常使樣本數(shù)據(jù)遵從函數(shù)關(guān)系轉(zhuǎn)化到[0，1]區(qū)間內(nèi)。</p><p>　　(2) 把預(yù)處理后的樣本數(shù)據(jù) y 分組。一般將樣本數(shù)據(jù)均分為 p組，每組n+1個(gè)值，則前n個(gè)是神經(jīng)網(wǎng)絡(luò)輸入值，最后一個(gè)是輸出值的預(yù)測(cè)值。分組模式如表4-1所示：</p><p>　　表4-1神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)的分組圖

99、 </p><p>　　y(1), y(2) , ...y(i) y(i+1)</p><p>　　y(2), y(3) , ...y(i+1) y(i+2)</p><p>　　y(3) , y(4) , ...y(i+2) y(i+3)</p><p>　　...

100、 ...</p><p>　　y(k), y(k+1), ... y(k+i-1) y(i+p)</p><p>　　(3) 神經(jīng)網(wǎng)絡(luò)訓(xùn)練。matlab 中，訓(xùn)練前面進(jìn)行分組的數(shù)據(jù)，當(dāng)訓(xùn)練達(dá)到預(yù)測(cè)的訓(xùn)練誤差后，就初步建立了神經(jīng)網(wǎng)絡(luò)模型。然后進(jìn)行模驗(yàn)證，最后確定網(wǎng)絡(luò)模型。</p><p>　　(4) 還原輸出數(shù)據(jù)。由于輸入到模型訓(xùn)練中樣本

101、數(shù)據(jù)均是經(jīng)過歸一化處理的，故當(dāng)輸出時(shí)，還要對(duì)數(shù)據(jù)進(jìn)行相應(yīng)的函數(shù)反歸一，以便得到真實(shí)數(shù)據(jù)。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)進(jìn)行matlab建立和訓(xùn)練的語句為:</p><p><b>　　net=nweff</b></p><p>　　net=newff(PR,[S1 S2……..SN],{T1 T2…..TN},BTF,BLF,PF)<

102、/p><p>　　其中: PR—表示 R×2 維矩陣，是 R 維輸入向量的取值范圍；</p><p>　　Ti—第 i 層采用的傳遞函數(shù)，“tansig”代表缺省值；</p><p>　　Si—假如一個(gè)神經(jīng)網(wǎng)絡(luò)有 N 層，則 Si 表示第 i 層神經(jīng)元的個(gè)數(shù)；</p><p>　　BLF—神經(jīng)網(wǎng)絡(luò)閥值和權(quán)值的調(diào)整函數(shù)；</p>

103、;<p>　　BTF—神經(jīng)網(wǎng)絡(luò)訓(xùn)練所用的函數(shù)；</p><p>　　PF—誤差計(jì)算函數(shù)。</p><p><b>　　4.3神經(jīng)網(wǎng)絡(luò)模型</b></p><p>　　4.3.1本文選用的三層神經(jīng)網(wǎng)絡(luò)模型</p><p>　　目前應(yīng)用最多的多層前饋神經(jīng)網(wǎng)絡(luò)是含有一個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，通常稱作三層前饋神經(jīng)網(wǎng)絡(luò)，

104、即輸入層、輸出層和隱含層。網(wǎng)絡(luò)結(jié)構(gòu)多于三層的前饋神經(jīng)網(wǎng)絡(luò)的隱含層大于一層，但結(jié)構(gòu)組成原理與三層網(wǎng)絡(luò)結(jié)構(gòu)大致相同。</p><p>　　圖4-5為一個(gè)三層前饋型網(wǎng)絡(luò)， X=(u1 、u2 、u3 …un ) T為輸入層向量,為了把閥值引入隱含層，將-10u加入輸入層向量u中； Y=(y1 、y2 、…yn )T為隱含輸出層向量，為了把閥值引入輸出層中，可把y0 =-1加入輸出層中，其輸出層向量為 O=(o1 、o2

105、 、…ol)T；假定目標(biāo)輸出向量是d=(d1、d2 、…dl )T，用 V 表示輸入層和隱含層間的權(quán)值矩陣，則 wij =( wij1 、wij 2、wijk …wijn )，其中的列向量jV 就是第 j 個(gè)隱層神經(jīng)元所對(duì)應(yīng)的權(quán)向量；用 W 表示隱含層至輸出層間的權(quán)值矩陣，W=(1W 、2W 、kW …lW )，其中輸出層第 k 個(gè)神經(jīng)元相應(yīng)權(quán)值向量即為列向量kW 。</p><p>　　由圖4-5可知，構(gòu)建的網(wǎng)

106、絡(luò)為 3 輸入 1 輸出結(jié)構(gòu)。輸入層節(jié)點(diǎn)數(shù)為 3，u1、u2、u3 分別表示切換后第 0 秒、第 1 秒、第 2 秒后外部電壓值。輸出層節(jié)點(diǎn)數(shù)為 1，u 為預(yù)測(cè)切換 1 分鐘后的外部電壓值。</p><p>　　隱含層的傳遞函數(shù)采用的函數(shù)為雙正切 sigmiod 函數(shù)，表達(dá)式為：</p><p><b>　　(4.12)</b></p><p>

107、;　　輸出層選用線性函數(shù)，表達(dá)式為：</p><p><b>　　(4.13)</b></p><p>　　4.3.2梯度下降法進(jìn)行權(quán)值訓(xùn)練</p><p>　　1.在梯度下降法中，對(duì)權(quán)值向量的連續(xù)的調(diào)整，是在梯度下降的方向進(jìn)行的，即與梯度向量的方向相反。為了表示方便，定義。所以，一度下降法一般表示為：</p><p>

108、<b>　?。?.14）</b></p><p>　　式中，是一個(gè)常數(shù)值，稱為補(bǔ)償或者學(xué)習(xí)速率；是代價(jià)函數(shù)在處的梯度向量值。</p><p>　　在從迭代n到n+1的過程中，算法應(yīng)用修正：</p><p><b>　　(4.15) </b></p><p>　　該式就是誤差修正公式的標(biāo)準(zhǔn)修正。<

109、;/p><p>　　為了證明梯度下降法滿足式的迭代下降條件，用附近的一階Taylor級(jí)數(shù)展開來逼近，即：</p><p><b>　　(4.16)</b></p><p>　　上式對(duì)較小的學(xué)習(xí)速率η是適用的。代入式（4.8）得到：</p><p><b>　　(4.17) </b></p>

110、<p>　　上式表明，對(duì)正的學(xué)習(xí)速率η，代價(jià)函數(shù)每次迭代都是降低的。但是，這里提供的推理是近似的只適用于學(xué)習(xí)速率足夠小的時(shí)候。</p><p>　　需要注意，梯度下降法相鄰兩次迭代的搜素方向總是正交的。即是：</p><p><b>　　(4.18)</b></p><p>　　這說明該算法的迭代，在向極小點(diǎn)趨緊的過程中，沿著“鋸齒

111、形”路徑前進(jìn)，這就是該算法收斂到最優(yōu)解速度很慢的原因。</p><p>　　2.本文涉及到的神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練，即選用梯度下降法進(jìn)行權(quán)值訓(xùn)練。隱含層權(quán)值變化為：</p><p>　　Wij = wij+ηHj(1-Hj)u(i)wjkek i=1、2、3；j=1、2、…n (4.19)</p><p><b>　　輸出層權(quán)值變化為：<