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(yùn)行的重要保障之一，針對(duì)車載蓄電池剩余壽命預(yù)測(cè)的問(wèn)題，本文以尋找特征因子表征蓄電池退化狀態(tài)，采用粒子群算法（PSO）和Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)方法，該方法具有很好的動(dòng)態(tài)預(yù)測(cè)能力，并建立基于PSO-Elman神經(jīng)網(wǎng)絡(luò)的蓄電池剩余壽命預(yù)測(cè)模型。研究結(jié)果為該領(lǐng)域研究提供了一定的參考，具有一定的實(shí)用意義。

關(guān)鍵詞：蓄電池;退化狀態(tài);PSO-Elman;預(yù)測(cè)

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(dòng)時(shí)受電弓所需的電源，在緊急情況下，充電機(jī)或者輸入電源故障時(shí)蓄電池組可以作為驅(qū)動(dòng)、制動(dòng)和通信等系統(tǒng)緊急的備用電源。是列車的備用心臟。

蓄電池組內(nèi)電解液大多為有機(jī)易燃液，且能量大應(yīng)用不當(dāng)會(huì)導(dǎo)致著火甚至爆炸;過(guò)充電、過(guò)放電會(huì)導(dǎo)致電池內(nèi)部材料特性發(fā)生變化，造成不可逆的容量損失，從而導(dǎo)致性能下降，壽命縮短，另外隨著電池充放電次數(shù)的增加，電池的容量等整體性能都會(huì)衰退。可能會(huì)對(duì)高速列車安全運(yùn)行帶來(lái)非常嚴(yán)重的后果。因此對(duì)列車車載蓄電池的剩余壽命進(jìn)行科學(xué)合理的預(yù)測(cè)，是實(shí)現(xiàn)蓄電池長(zhǎng)時(shí)間可靠工作，保持高速列車安全、平穩(wěn)運(yùn)行具有一定的實(shí)際意義。國(guó)內(nèi)外許多學(xué)者對(duì)蓄電池剩余壽命的預(yù)測(cè)進(jìn)行了研究。

1 蓄電池退化狀態(tài)識(shí)別

反映電池存儲(chǔ)電能性能，定量反映電池退化狀態(tài)的參數(shù)指標(biāo)，隨著充放電次數(shù)的增多，電池性能退化，電池狀態(tài)會(huì)反映到相對(duì)應(yīng)的特征因子上，用來(lái)確定電池的健康狀態(tài)。目前國(guó)內(nèi)外研究學(xué)者一般可以采用容量、功率及阻抗表征電池的退化狀態(tài)。然而直接對(duì)電池容量的預(yù)測(cè)較為困難。因?yàn)槠胀ǖ膫鞲衅鳠o(wú)法在線監(jiān)測(cè)電池的內(nèi)部狀態(tài)，實(shí)際工程中，無(wú)法實(shí)時(shí)有效地獲取，往往是通過(guò)安時(shí)估算法估算電池的實(shí)際容量，這種方法不但耗時(shí)多，而且誤差較大。所以采用直接預(yù)測(cè)的方法往往會(huì)因?yàn)閿?shù)據(jù)方面的短板導(dǎo)致預(yù)測(cè)模型不精確。

因此本文提出采用間接測(cè)量的方式，通過(guò)尋找與電池容量變化相關(guān)性較高的特征因子進(jìn)行相關(guān)性分析，得到特征因子與電池容量變化的模型來(lái)反映電池容量的衰退過(guò)程，這種間接測(cè)量的方式易于測(cè)量，可以快速反映電池退化的進(jìn)行和健康狀態(tài)，誤差相對(duì)較小。

2 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是在前饋式網(wǎng)絡(luò)的隱含層中增加一個(gè)反饋層，反饋層將上一時(shí)刻隱含層的輸出與當(dāng)前時(shí)刻的網(wǎng)絡(luò)輸入一起作為隱含層輸入，因此網(wǎng)絡(luò)對(duì)隱含層前一時(shí)刻的系統(tǒng)狀態(tài)具有記憶功能。Elman神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)。輸入層的作用時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)信號(hào)進(jìn)行傳輸，輸出層是對(duì)神經(jīng)元進(jìn)行加權(quán)。隱含層有線性和非線性兩類激勵(lì)函數(shù)，通常激勵(lì)函數(shù)采用Signmoid非線性函數(shù)，承接層是記錄隱含層前一時(shí)刻的輸出值，其具有一步延時(shí)作用。隱含層的輸出通過(guò)承接層的記錄和延時(shí)，自聯(lián)到隱含層的輸入，這種傳輸方式使其對(duì)歷史數(shù)據(jù)具有一定的承接性，這種在神經(jīng)網(wǎng)絡(luò)內(nèi)加入反饋網(wǎng)絡(luò)的方式增加了神經(jīng)網(wǎng)絡(luò)處理動(dòng)態(tài)信息的能力。

3 PSO-Elman神經(jīng)網(wǎng)絡(luò)模型

PSO-Elman神經(jīng)網(wǎng)絡(luò)模型的流程圖。該模型包含確定Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、PSO粒子群算法優(yōu)化和Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分。

1）選取N組輸入，輸出數(shù)據(jù)，帶入到神經(jīng)網(wǎng)絡(luò)中，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將得到的特征因子數(shù)據(jù)標(biāo)準(zhǔn)化。

2）結(jié)合神經(jīng)網(wǎng)絡(luò)輸入和輸出參數(shù)的個(gè)數(shù)確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，從而確定PSO算法的數(shù)值。

3）將神經(jīng)網(wǎng)絡(luò)中所有神經(jīng)元的連接權(quán)值和閾值進(jìn)行編碼，并得到相應(yīng)編碼值的N維向量用來(lái)作為PSO算法的初始化粒子群。

4）將預(yù)測(cè)結(jié)果與真實(shí)值進(jìn)行對(duì)比得到誤差絕對(duì)值，作為個(gè)體的標(biāo)記，并根據(jù)標(biāo)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(jié)束的條件：全局極值達(dá)到一定的設(shè)定值或迭代到設(shè)定的代數(shù)，滿足結(jié)束條件，就退出PSO尋優(yōu)，進(jìn)而進(jìn)行第6步;若不滿足，則更換每個(gè)粒子的速度和初始位置，跳轉(zhuǎn)至第4步。

6）找到全局極值所對(duì)應(yīng)的PSO算法粒子，并選擇其為Elman神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

7）將第6步中得到的最優(yōu)的初始權(quán)值和閾值賦給Elman網(wǎng)絡(luò)，訓(xùn)練并得到Elman網(wǎng)絡(luò)模型，用訓(xùn)練好的Elman神經(jīng)網(wǎng)絡(luò)模型對(duì)蓄電池剩余壽命進(jìn)行預(yù)測(cè)。

現(xiàn)階段較大多數(shù)神經(jīng)網(wǎng)絡(luò)采用的是靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)系統(tǒng)當(dāng)層數(shù)增多時(shí)相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)迅速增大，會(huì)造成神經(jīng)網(wǎng)絡(luò)系統(tǒng)學(xué)習(xí)速度下降、收斂速度較慢等問(wèn)題?；诹熊囓囕d蓄電池預(yù)測(cè)的精度要求，本文采用PSO算法和Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型。Elman神經(jīng)網(wǎng)絡(luò)具有較好的動(dòng)態(tài)回歸特性，可以使預(yù)測(cè)模型具有更強(qiáng)的預(yù)測(cè)能力和多輸入預(yù)測(cè)準(zhǔn)確度較高的性能，可以保證預(yù)測(cè)的精度。同時(shí)采用PSO粒子群優(yōu)化算法結(jié)合Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的訓(xùn)練時(shí)，可充分利用PSO粒子群優(yōu)化算法的全局尋優(yōu)能力，克服常規(guī)神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)時(shí)易于陷入局部最優(yōu)解、收斂速度慢、編程復(fù)雜等問(wèn)題。

利用matlab進(jìn)行仿真，采用Elman網(wǎng)絡(luò)結(jié)構(gòu)為5-15-1，即輸入層5個(gè)節(jié)點(diǎn)，隱含層15個(gè)節(jié)點(diǎn)，輸出層有1個(gè)節(jié)點(diǎn)，共有90個(gè)權(quán)值，15個(gè)閾值。并采用PSO優(yōu)化算法粒子長(zhǎng)度為105，種群規(guī)模為100，算法迭代次數(shù)為50進(jìn)行迭代得到最優(yōu)的初始值和閾值。

從圖上得到，相比與Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，基于PSO-Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型誤差更低，具有更高的預(yù)測(cè)精度。

在車載蓄電池剩余壽命預(yù)測(cè)應(yīng)用過(guò)程中，通過(guò)收集最新的特征因子數(shù)據(jù)，代入到預(yù)測(cè)模型中進(jìn)行權(quán)值和閾值的更新，形成滾筒式預(yù)測(cè)方式，從而使蓄電池剩余壽命的預(yù)測(cè)更為準(zhǔn)確?？朔囕d蓄電池在不同環(huán)境下、不同工況條件下導(dǎo)致退化速度變化，單一模型預(yù)測(cè)存在較大誤差的問(wèn)題，滿足高速列車車載蓄電池動(dòng)態(tài)預(yù)測(cè)的要求。

4 總結(jié)

針對(duì)高速列車車載蓄電池剩余使用壽命的問(wèn)題。本文提出了尋找特征因子表征蓄電池退化狀態(tài)，采用粒子群算法（PSO）和Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)相結(jié)合，并建立基于PSO-Elman神經(jīng)網(wǎng)絡(luò)的蓄電池剩余壽命預(yù)測(cè)模型，實(shí)現(xiàn)高速列車車載蓄電池剩余使用壽命的預(yù)測(cè)。并驗(yàn)證了PSO-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有較好的準(zhǔn)確性。為下一步研究打下了基礎(chǔ)。

參考文獻(xiàn)

[1]楊麗，胡金鑫.車載蓄電池應(yīng)急牽引改造方案[J].鐵道機(jī)車與動(dòng)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(guó)外鐵道機(jī)車與動(dòng)車，2019，464（02）：50-52.

[3]丁碩，常曉恒，巫慶輝，等.基于Elman神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷研究[J].國(guó)外電子測(cè)量技術(shù)，2014，33（4）：72-75.

作者簡(jiǎn)介

陳曉龍（1992-），男，漢族，助理工程師。