当前位置: 首页 » 行业资讯 » 技术资料 » 正文

人工神经网络法预测MH-Ni蓄电池容量

放大字体  缩小字体 发布日期:2016-01-20  来源:中国蓄电池网  作者:[db:作者]  浏览次数:323
核心提示:  电源技术研究与设计人工神经网络法预测MH-Ni蓄电池容量薛建军12,唐致远2,刘建华2,王占良2(1.天津大学材料科学与工程学院,天津300072;2.天津大学化工学院,天津300072)量是放电

  电源技术研究与设计人工神经网络法预测MH-Ni蓄电池容量薛建军12,唐致远2,刘建华2,王占良2(1.天津大学材料科学与工程学院,天津300072;2.天津大学化工学院,天津300072)量是放电电流。电压。温度以及过去电池充放电的历史等参数的函数。运用ANN方法,即人工神经网络方法,可逼近任何多输入输出参数函数的性能,预测了不同放电电流和电压下MH-Ni电池放电容量的大小,结果表明,ANN方法有良好的实用性,可用来预测MH-Ni电池的放电容量。

  电池是各种用电设备如电动汽车、笔记本电脑、移动电话等的能量来源,电池的管理和电池本身同样具有重要性。电池管理系统具有数据采集、电控制、安全控制、电量显示以及温度控制等功能11,其中最为重要的是能够准确和可靠地获得电池现存的容量状态参数,即电池放电容量的估计和预测方法。通常电池管理系统根据所预测的容量来决定电池下一步的工作情况,如决定电池是否断开以保护电池不至于过放,或决定电池是否失效,以及提供用户电池还能工作的时间等等。

  在某一工作状态下,电池中还有多少可利用的容量是许多参数的函数,一般来说,此数值是和放电电流、电压、温度、电池过去充放电历史等等是相关的。在铅酸电池中,可以用Peikert方程来描述电池荷电状态和放电电流的关系121,而通常情况下(例如不同温度、电压以及电池充放电循环次数等),电池的荷基金项目:国家自然科学基金资助(20273047)为可充电电池及相关材料。

  电状态无法用一个明确的方程式来表达。实际应用中,如移动电话的电池管理通常采用一种查询数据表的方式而得到在特定情况下的电池所能够放出的容量31,有时这种方法不能完全反映电池的实际工作情况,且所得到的误差也比较大。ANN(Artificialneuralrietwork)方法,即人工神经网络方法,由于具有逼近多输入输出参数函数的特点14,可以估计电池在不同放电状态下电池所能够放出的容量。本文利用ANN方法计算了不同放电电流和不同电压下的MH-Ni电池所能够放出的容量,评价了ANN方法在电池放电容量预测方面应用的可能性。

  1ANN方法MH-Ni电池是20世纪80年代发展起来的一种高性能电池,其比能量虽低于锂离子蓄电池,但是造价相对便宜,因而市场也非常广阔。MH-Ni电池是以贮氢合金为负极,NiOOH/Ni(OH)2为正极,含LiOH的KOH水溶液为电解液构成的电池体系17.这种电池在充放电过程中的总反应方程式为:Ni(OH)2+M=NiOOH+MH.电池的放电机理和锂离子蓄电池放电机理有相似之处,也有人形象地称MH-Ni电池为氢离子电池或质子电池。和锂离子蓄电池相似,氢离子在正负极材料中的扩散对电池的放电也有很重要的影响;但也有很大的不薛建军等:人工神经网络法预测MH-Ni蓄电池容量同,尤其是碱性水溶液作为电池的电解液,使得电池的工作电压远远低于锂离子蓄电池的工作电压。本文采用商业MH-Ni电池作为实验样品,型号为GPAAA,标称容量550mAh.并采用MACCOE2300充放电测试仪器进行电池的充放电测定。

  ANN方法,正越来越多地吸引工业界的密切注意。ANN以其处理多输入多输出的能力、较大的数据容量以及对过程机理的低要求,显示出极大的优越性。ANN是由大量的、同时也是很简单的处理单元广泛连接构成的复杂网络系统。误差反向传播神经网络(Backp)rop)agationnetwork)简称BP网,是神经网络模型中使用最广泛的一种。本文所选用的BP网络见图值在变化,这样可使在最后输出的数值中滤去负数值。

  在本文中用具有这种结构的BP网络来模拟电池的放电行为。

  为了使网络能代表实际电池的放电行为,必须用足够的数值去训练上述网络。网络在训练样本输入过程中(即对应于输入向量;xpx2,有一个实验确定的数值y),通过某种学习方法,逐渐调整各层间的连接权值并给出相应的矩阵、,以及网络的偏值矩阵、。当网络达到要求的精度时,训练也就结束,同时网络的权值矩阵和偏值矩阵就已确定,所要求的ANN模型就已经确定了。整个过程在应用数充放电曲线见,电池的测试过程包括充电步骤、休息步骤、放电步骤。电池的充电电流为0.275A(0. 5C),充电保持时间为3h(电池过充50%)在整个测试过程的充放电循环中,使电池充电过程和休息过程都保持一致,其曲线形状本文中的网络含有3层,具有2个节点的输入层,具有6个节点的隐含层,和具有1个节点的输出层。另外每一个层中每个节点都附加了偏值,但是并没有画出以利于简化。输入层的输入矢量为,其中X1是电池的放电电流的数值(I)X2是电池放电电压的数值(U)输出层只有一个节点(y)并认为是MH-Ni电池的放电容量。经过多次试验后,发现在隐含层中采用六个节点就可以比较准确地描述MH-Ni电池放电电流和放电电压与电池放电容量的关系。矩阵2,3,4,5,6户1,2)包含了隐含层和输入层之间节点的连接权值。例如w32是隐含层中第三个节点和输入层中第二个节点的连接权值。与此相类似,输出层和隐含层之间的矩阵点的偏值矩阵可以表示为层中其偏值矩阵为内连续变化,此函数在ANN方法中是比较常用的。而函数g(X)是对数双曲线函数,函数A,而电池放电电压变化范围是在1.4V到0.8V以12mV间隔采样。所选择的特定电池放电电流和电池放电电压组成训练样本对的输入向量,和相应所测定得到的电池放电容量的数值,构成了ANN模型的训练样本对。按照这种方式共得到了大约460个训练样本对。本文中采用Levenbrg-MarquardL(LM)算法,以保证ANN模型具有足够快的收敛速度。ANN模型的精度可根据网络的电压平均平方误差和电压平均绝对误差来估算,它们被定义为如下:研究与设计照ANN模型计算得到的放电容量的数值;是测定所得到的放电容量的数值;是输入输出样本对。按照上述所描述的方式,训练了ANN模型。经过大约1000Epochs得到了收敛的结果,网络的权值矩阵和偏值矩阵从而确定了。所得到的结果见表1,网络的平均平方误差是3.8XW5,而平均绝对误差为测试集中按照ANN模型所得到MH-Ni电池的模拟放电曲线(▲)从这两个图以及它们的平均平方误差和平均绝对误差可知,模拟的结果是非常不错的。

  须要指出的是,本文给出的神经网络模型较为简单,未能对电池在不同温度不同是典型的按照ANN模型所得到的电池放电曲线的模拟,图中的数据取自测试集。

  充放电次数下电池的放电容量进行模拟,当测试集和训练集的温度表1按照ANN方法得到的连接权值矩阵吕鸣祥,黄长保,宋玉瑾。化学电源,天津:天津大学出版社,1992.207.李孝安,张晓贵。神经网络与神经计算机导论。西安:西北工业大学出版社,1994.34―40.唐致远,薛建军,李建刚,等。锂蓄电池嵌入电极的放电过程机理。化学通报网络版,2001,4:01041.唐致远,薛建军,刘春燕,等。锂离子在石墨负极材料中扩散系数的测定。物理化学学报,2001,71:385―388.宋全生。MH-Ni电池正极活性物质材料氢氧化镍的制备、结构及性能研究。天津大学博士毕业论文,2000.

 
 
[ 行业资讯搜索 ]  [ ]  [ 告诉好友 ]  [ 打印本文 ]  [ 关闭窗口 ]

 
0条 [查看全部]  相关评论

 
推荐图文
推荐行业资讯
点击排行
乐盈彩票APP 玖玖网彩票注册开户投注平台 龙头彩票开户 优优彩票网 9号棋牌APP 九龙彩票注册开户投注平台 澳门手机网投 山东11选5计划 时时彩票注册开户投注 乐万家彩票注册开户投注平台