基于改進(jìn)FCM和ANFIS的蓄電池SOC預(yù)測算法研究.pdf

1、作為蓄電池智能管理系統(tǒng)的核心組成部分，剩余電量(State of Charge，SOC)預(yù)測為合理控制蓄電池的充放電提供了依據(jù)，有利于延長蓄電池的使用壽命。然而，由于蓄電池系統(tǒng)自身強(qiáng)烈的非線性，加之影響剩余電量因素的復(fù)雜性，對蓄電池的剩余電量進(jìn)行實(shí)時(shí)精確預(yù)測是一具有挑戰(zhàn)性的問題。
　　針對這一挑戰(zhàn)性課題，本文在分析比較常用的傳統(tǒng)和智能的預(yù)測算法之后，選擇自適應(yīng)模糊神經(jīng)推理系統(tǒng)（Adaptive Network-based Fuzz

2、y Inference System，ANFIS）對蓄電池的剩余電量進(jìn)行建模。ANFIS是模糊邏輯與神經(jīng)網(wǎng)絡(luò)的結(jié)合，具有良好的模糊推理能力、自組織和自學(xué)習(xí)能力以及泛化能力。
　　但因ANFIS默認(rèn)采用網(wǎng)格法線性劃分輸入數(shù)據(jù)，如若輸入為復(fù)雜非線性數(shù)據(jù)，勢必會造成模糊規(guī)則數(shù)的指數(shù)級增長。故而本文采用模糊C均值聚類(Fuzzy c-meansclustering，F(xiàn)CM)算法對輸入進(jìn)行非線性劃分，以此降低模糊規(guī)則數(shù)和系統(tǒng)復(fù)雜度。并分別采

3、用減法聚類和共軛梯度法對傳統(tǒng)FCM和ANFIS的反向傳播(BackPropagation，BP)學(xué)習(xí)算法進(jìn)行改進(jìn)，建立起蓄電池剩余電量預(yù)測模型。本文完成的主要工作如下:
　　(1)采用減法聚類對傳統(tǒng)FCM進(jìn)行改進(jìn)。先利用減法聚類得到的聚類中心對FCM的聚類中心進(jìn)行初始化，然后采用密度函數(shù)對FCM進(jìn)行樣本加權(quán)。改進(jìn)的聚類算法解決了傳統(tǒng)模糊C均值需要指定聚類個(gè)數(shù)、穩(wěn)定性差以及對噪聲點(diǎn)、錯(cuò)誤點(diǎn)、孤立點(diǎn)敏感的問題，同時(shí)加快了收斂速度。

4、r>　　(2)針對ANFIS的BP學(xué)習(xí)算法收斂速度慢、易陷入局部最優(yōu)的缺點(diǎn)，使用Fletcher-Reeves法對其進(jìn)行改進(jìn)。結(jié)果證明改進(jìn)后的算法具有更快的收斂速度、更高的預(yù)測準(zhǔn)確度。
　　(3)對影響蓄電池SOC的各類因素進(jìn)行了分析，確定采用放電階段的電壓、電流、溫度以及靜態(tài)內(nèi)阻四個(gè)參數(shù)作為模型輸入?；诟倪M(jìn)的聚類算法和改進(jìn)的學(xué)習(xí)算法建立了SOC預(yù)測模型，并將此模型與基于BP神經(jīng)網(wǎng)絡(luò)的SOC預(yù)測模型進(jìn)行對比，證明本文模型具有更優(yōu)