基于改进型模糊神经网络的蓄电池SOC检测方法研究与实现

摘要

蓄电池SOC（State of Charge）的精确预测一直是蓄电池管理技术发展的核心问题，关系到蓄电池的寿命、高效、安全的运行。由于蓄电池 SOC不能直接通过测量获得，且蓄电池有着很强的非线性性，目前广泛使用的方法通过蓄电池的其它参数，例如开环电压、放电电流等与SOC的关系进行蓄电池SOC预测。传统的方法通过蓄电池等效电路模型或者考虑通过蓄电池的一个或两个参数进行蓄电池SOC的预测，难免因为参数考虑不全或者模型简化造成预测精度不够理想。
　　自适应模糊神经网络（Adaptive Network-based Fuzzy Inference System， ANFIS）结合了模糊逻辑和神经网络的优点，能够通过试验样本的训练和学习，最大程度的逼近真实系统，因其出色的预测性能，得到了广泛的应用。本文使用ANFIS对蓄电池进行建模，通过对蓄电池SOC的影响因素的分析，最大程度的将蓄电池的四个参数（放电电压、放电电流、温度、内阻）作为模型的输入，通过对模型的训练进行蓄电池SOC的预测。ANFIS算法的引入，使蓄电池SOC预测的重点不再是蓄电池相关物理结构、化学变化等原理和等效电路模型的研究，而是转移到如何优化模型结构、减少计算量、合理安排训练样本上来。
　　本文使用Fletcher-Reeves update共轭梯度下降法对ANFIS学习算法中的BP法进行改进，以提高收敛速度，减少训练次数；使用减法聚类法产生供训练使用的初始模糊推理系统（Fuzzy Inference System，FIS），并合理设置模糊聚类中心影响半径，相对于网格划分法，大幅简化了模型结构；选择适当的训练数据量对模型进行训练，减少训练时间。通过这些方法的使用，在保证预测精度的情况下，最大程度的减少计算量，寻求预测精度与计算速度之间的平衡。
　　完成了蓄电池SOC检测系统的硬件和软件设计。硬件设计主要进行蓄电池放电电压、放电电流、温度、内阻等参数的测量电路设计，其中，通过交流注入法对蓄电池内阻进行测量。软件部分主要完成了数据采集传输、ANFIS算法实现、蓄电池SOC计算和显示、人机交互界面的设计等。通过离线学习和定时更新等手段，解决了系统实际运行中资源占用量大、实时性不好的问题。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1选题背景

1.2传统的蓄电池SOC预测方法

1.3人工智能方法

1.4论文结构

1.5本文创新点

第二章 模糊神经网络及优化改进

2.1模糊系统与神经网络

2.2 ANFIS原理

2.3 ANFIS算法的改进

2.4小结

第三章 蓄电池SOC预测模型的确定

3.1蓄电池模型介绍

3.2蓄电池ANFIS模型的建立

3.3小结

第四章 相关试验及模型仿真

4.1蓄电池相关试验

4.2蓄电池影响因素分析

4.3蓄电池模型仿真分析

4.4小结

第五章 系统软硬件设计

5.1系统硬件结构

5.2软件结构设计

5.3小结

第六章 系统运行总结和展望

6.1系统运行情况

6.2存在的问题及改进方法

6.3总结

6.4对蓄电池管理技术的展望

致谢

参考文献

附录

附录一 ANFIS学习算法改进源代码

附录二 MATLAB仿真程序