CN109031152A - 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 - Google Patents
基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 Download PDFInfo
- Publication number
- CN109031152A CN109031152A CN201811196821.1A CN201811196821A CN109031152A CN 109031152 A CN109031152 A CN 109031152A CN 201811196821 A CN201811196821 A CN 201811196821A CN 109031152 A CN109031152 A CN 109031152A
- Authority
- CN
- China
- Prior art keywords
- neural network
- lead
- model
- connection weight
- acid accumulator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提供了一种铅酸蓄电池剩余容量的软测量方法。神经网络具有优良的非线性映射逼近能力,广泛应用于化工过程建模,但神经网络建模方法属于黑箱法,所获得的模型缺乏透明性,各变量的解释性差,限制其指导化工企业优化技术决策。结合神经网络释义图、连接权法和改进的随机化测验三种方法,对复杂化工过程神经网络模型进行透明化研究。首先利用神经网络释义图可视化模型,再用连接权法对决策参数贡献率定量分析,最后利用改进的随机化测验,对模型的连接权、决策参数的综合贡献度和相对贡献率进行显著性检验,进而修剪模型。通过对复杂化工过程氢氰酸生产模型验证研究,表明该方法获取了过程变量的内部信息,极大地提高了模型的“可理解”能力。
Description
技术领域
本发明涉及铅酸蓄电池剩余容量测量方法,具体地讲,是一种基于神经网络透明化的铅酸蓄电池剩余容量软测量方法。
背景技术
铅酸蓄电池是一种简单、易用、低价的化学电源,广泛应用于电力、通讯等领域。研究表明,要保证系统正常运行,就必须准确检测蓄电池的容量,从而了解蓄电池的工作状态,及时采取控制策略,提高系统运行可靠性。实现离线检测铅酸蓄电池容量,可直接降低人工维护的成本,同时便于蓄电池的用户或检修工程师随时了解蓄电池的状态,以便采取措施,防止蓄电池过放电,延长蓄电池使用寿命,具有良好的社会经济效益。
目前,国内外常用的铅酸蓄电池容量的检查方法有:(1)安时放电法,此方法需要提前确定铅酸蓄电池的初始容量和充放电效率等参数,为目前公认最为准确的蓄电池容量测量方法。(2)开路电压法,此方法是利用开路电压与剩余容量之间较好的对应关系,检测效果良好,但是影响因素单一,所以精度较低。(3)交流电导法,通过专家和电池厂商多年的实验证明了交流电导法与交流内阻法测量电池的容量的可靠性,电池容量与电池的电导之间有非常高的关系,因此铅酸蓄电池的电导可用于确定电池容量。(4)卡尔曼滤波法,该方法数学模型复杂,计算量大。
上述这些方法的优点在于能够测量出电池的容量,并能由此判断电池是否失效。但是这些方法缺点也很明显:测量时间长;工作量大;耗费大量的能量,并由此增加成本。因此,如何快速准确地测量出铅酸蓄电池的剩余容量成为了行业研究的难点。
发明内容
针对上述需求,本申请提出一种基于神经网络透明化的铅酸蓄电池剩余容量软测量方法,首先利用神经网络释义图可视化模型,再用连接权法对决策参数贡献率定量分析,最后利用改进的随机化测验,对模型的连接权、决策参数的综合贡献度和相对贡献率进行显著性检验,进而修剪模型。通过对复杂化工过程氢氰酸生产模型验证研究,结果表明该方法获取了过程变量的内部信息,最终实现对铅酸蓄电池剩余容量软测量。
为了实现上述目的,本发明所采用的具体技术方案如下:
一种基于神经网络透明化的铅酸蓄电池剩余容量软测量方法,其特征在于按照以下步骤进行:
S1:根据标准化后的大量数据样本,构建一系列神经网络模型;
S2:根据Step 1建立的一系列神经网络模型,根据预测均方误差或者其他方法选择出最理想的一个,记录下该模型的初始权值和终止权值。并计算连接权贡献度C1和C2、综合贡献度OI1和OI2、相对贡献率RI,这三个值作为三个标准值,备用;
①计算输入-隐层-输出连接权贡献度C;
②计算每个变量的综合连接权贡献度OI;
③计算每个变量的相对贡献率RI;
S3:随机改变训练样本集的顺序;
S4:用改变后的训练样本和Step 2中记录的初始权值,再次训练神经网络模型,记录下终止权值;
S5:多次重复Step 3和Step 4,记录好重复次数,每次都根据 Step 4中记录的终止权值,得到随机化的C、OI、RI;
S6:分别计算C、OI、RI的显著度;
①若其标准值大于0,则其中N为随机化值大于等标准值的个数,COUNT为重复次数;
②若其标准值小于0,则其中M为随机化值大于等标准值的个数,COUNT为重复次数;
S7:如果显著水平(0.1),则保留该连接权,如果不满足,则剔除该连接权。
进一步,利用神经网络对该化工体系进行建模,输入为电池电导 Input1、充电6h电池电压Input2、充电8h电池电压Input3、充电 26h电池电压Input4、充电31h电池电压Input5、充电32h电池电压Input6、化成放电0h电池电压Input7、化成放电6h终止电压Input8共8个决策参数,输出为10小时率放电终止电压Output。
进一步,对铅酸蓄电池神经网络模型应用连接权法,得到了8个输入决策参数对10小时率放电终止电压相对贡献率。
与现有技术相比,本申请提供的技术方案,具有的技术效果或优点是:
首先利用神经网络释义图可视化模型,再用连接权法对决策参数贡献率定量分析,最后利用改进的随机化测验,对模型的连接权、决策参数的综合贡献度和相对贡献率进行显著性检验,进而修剪模型。通过对复杂化工过程氢氰酸生产模型验证研究,结果表明该方法获取了过程变量的内部信息,极大地提高了模型的“可理解”能力。
附图说明
图1铅酸蓄电池剩余容量软测量方法流程图
图2铅酸蓄电池神经网络模型
图3样本误差分布
图4决策参数的相对贡献率
图5基于连接权的铅酸蓄电池神经网络示意图
图6修剪后的铅酸蓄电池神经网络释义图
图7精简前后误差分析
图8期望值与预测值
具体实施方法
本发明提供了一种基于神经网络透明化的铅酸蓄电池剩余容量软测量方法,以解决现有对铅酸蓄电池剩余容量测量复杂的问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
实施例:
一种基于神经网络透明化的铅酸蓄电池剩余容量软测量方法,如图1,按照以下步骤进行:
S1:根据标准化后的大量数据样本,构建一系列神经网络模;
S2:根据Step 1建立的一系列神经网络模型,根据预测均方误差或者其他方法选择出最理想的一个,记录下该模型的初始权值和终止权值。并计算连接权贡献度C1和C2、综合贡献度OI1和OI2、相对贡献率RI,这三个值作为三个标准值,备用;
①计算输入-隐层-输出连接权贡献度C;
②计算每个变量的综合连接权贡献度OI;
③计算每个变量的相对贡献率RI;
S3:随机改变训练样本集的顺序;
S4:用改变后的训练样本和Step 2中记录的初始权值,再次训练神经网络模型,记录下终止权值;
S5:多次重复Step 3和Step 4,记录好重复次数,每次都根据 Step 4中记录的终止权值,得到随机化的C、OI、RI;
S6:分别计算C、OI、RI的显著度;
①若其标准值大于0,则其中N为随机化值大于等标准值的个数,COUNT为重复次数;
②若其标准值小于0,则其中M为随机化值大于等标准值的个数,COUNT为重复次数;
S7:如果显著水平(0.1),则保留该连接权,如果不满足,则剔除该连接权。
铅酸蓄电池的容量,是指在特定条件下,能够为用电设备提供的电量,其表示符号为C。日常生活中使用安培小时作为单位,简称安时(A·h),需要注意的是,日常生活中常用的手机电池或者手机移动电源的容量单位与其不同,是毫安培小时,简称毫安时(mA·h)。
1)利用神经网络对该化工体系进行建模,输入为电池电导Input1、充电6h电池电压Input2、充电8h电池电压Input3、充电26h电池电压Input4、充电31h电池电压Input5、充电32h电池电压Input6、化成放电0h电池电压Input7、化成放电6h终止电压Input8共8个决策参数,输出为10小时率放电终止电压Output。见表1。
表1铅酸蓄电池容量及相关数据
Table 1 Lead-acid battery capacity and related data
注:该数据来自艾诺斯(重庆)华达电源系统有限公司
把样本数据分为训练集和检测集,经反复训练最终确定网络的拓扑结构为8-5-5-1,如图2所示。该模型训练集和检验集的绝对误差和相对误差分布,如图3所示。由图3知,用已确定的神经网络拓扑结构进行仿真,训练集和检验集的绝对误差和相对误差均比较小,说明该网络模型的泛化能力比较好。
然而,利用该模型不能获得铅蓄电池容量检测过程中具体的物理信息来解释该化工体系,也无法解释8个决策参数和10小时率放电终止电压之间的关系。同时,也无法判断哪些决策参数是重要的、哪些是次要的、哪些是冗余的。缺少以上重要信息,不利于化工企业提高产品质量、降低生产成本和节能减排。因此,对复杂化工过程模型进行透明化研究具有十分重要的现实意义。
2)接下来对铅酸蓄电池神经网络模型应用连接权法,得到了8 个输入决策参数对10小时率放电终止电压相对贡献率。
通过数据表可以发现电池电导、充电6h电池电压、充电8h电池电压、充电26h电池电压、充电31h电池电压、充电32h电池电压、化成放电6h终止电压共7个决策参数对10小时率放电终止电压起着正向刺激作用,充电8h电池电压相对贡献率最高为20.09%,次为充电32h电池电压,相对贡献率为16.29%,往下依次为充电6h电池电压,15.36%、化成放电6h终止电压,15.22%、充电31h电池电压, 8.12%、充电26h电池电压,5.76%和电池电导,3.60%;化成放电0h 电池电压对10小时率放电终止电压起着负向抑制作用,相对贡献率为-15.56%,上述数据分析,见表2。
表2相对贡献率RI
Table 2 Relative contribution rate
决策参数相对贡献率的大小和方向,如图4所示。对10小时率放电终止电压相对贡献率最大的为充电8h电池电压,相对贡献率最小的决策变量化成放电0h电池电压,相对贡献率分别为20.09%, -15.56%,如图5所示。
3)铅酸蓄电池神经网络释义图的随机化测验经过对铅酸蓄电池神经网络释义图进行随机化测验,得到了输入-隐层-输出连接权的随机化P值。通过该表可知模型中的65条连接权,有52条的统计重要性是显著的,见表3、4。
表3随机化的P值
Table 3 value of randomization
表4随机化的P值
Table 4 value of randomization
根据表3、4中的P值移除铅酸蓄电池神经网络模型中不显著的连接权,得到了新的铅酸蓄电池神经网络释义图,如图6所示。
精简化结果分析:
表5均方误差MSE
Table5 Mean square error
根据图7和表5,从铅酸蓄电池容量预测结果的拟合度和最后一张图片里的均方误差per分析,精简化前网络的预测均方误差为 0.0019,精简化后网络的预测均方误差为0.0019,可以看出双隐含层BP网络实现精简化后对铅酸蓄电池容量预测功能并没有造成破坏和影响,该网络的预测值与普通双隐含层网络的预测值几乎一样(保留两位小数的情况下),从运行时间上来说,该网络运行时间由减少,说明预测精度更高。
精简化结果分析:
基于全BP神经网络与精简神经网络的预测如表6、图8所示:
表6期望值与预测值
Table 7 Expected value and forecast value
本发明结合神经网络释义图、连接权法和改进的随机化测验三种方法,为铅酸蓄电池剩余容量的软测量提供一种更简便、精确的方法。
最后应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (3)
1.基于神经网络透明化的铅酸蓄电池剩余容量软测量方法,其特征在于按照以下步骤进行:
S1:根据标准化后的大量数据样本,构建一系列神经网络模型;
S2:根据Step 1建立的一系列神经网络模型,根据预测均方误差或者其他方法选择出最理想的一个,记录下该模型的初始权值和终止权值。并计算连接权贡献度C1和C2、综合贡献度OI1和OI2、相对贡献率RI,这三个值作为三个标准值,备用;
①计算输入-隐层-输出连接权贡献度C;
②计算每个变量的综合连接权贡献度OI;
③计算每个变量的相对贡献率RI;
S3:随机改变训练样本集的顺序;
S4:用改变后的训练样本和Step 2中记录的初始权值,再次训练神经网络模型,记录下终止权值;
S5:多次重复Step 3和Step 4,记录好重复次数,每次都根据Step 4中记录的终止权值,得到随机化的C、OI、RI;
S6:分别计算C、OI、RI的显著度;
①若其标准值大于0,则其中N为随机化值大于等标准值的个数,COUNT为重复次数;
②若其标准值小于0,则其中M为随机化值大于等标准值的个数,COUNT为重复次数;
S7:如果显著水平(0.1),则保留该连接权,如果不满足,则剔除该连接权。
2.根据权利要求1所述的基于神经网络透明化的铅酸蓄电池剩余容量软测量方法,其特征在于,利用神经网络对该化工体系进行建模,输入为电池电导Input1、充电6h电池电压Input2、充电8h电池电压Input3、充电26h电池电压Input4、充电31h电池电压Input5、充电32h电池电压Input6、化成放电0h电池电压Input7、化成放电6h终止电压Input8共8个决策参数,输出为10小时率放电终止电压Output。
3.根据权利要求2所述的基于神经网络透明化的铅酸蓄电池剩余容量软测量方法,其特征在于,对铅酸蓄电池神经网络模型应用连接权法,得到了8个输入决策参数对10小时率放电终止电压相对贡献率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811196821.1A CN109031152A (zh) | 2018-10-15 | 2018-10-15 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811196821.1A CN109031152A (zh) | 2018-10-15 | 2018-10-15 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109031152A true CN109031152A (zh) | 2018-12-18 |
Family
ID=64613010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811196821.1A Pending CN109031152A (zh) | 2018-10-15 | 2018-10-15 | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109031152A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046654A (zh) * | 2019-03-25 | 2019-07-23 | 东软集团股份有限公司 | 一种识别分类影响因素的方法、装置及相关设备 |
CN111461862A (zh) * | 2020-03-27 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 为业务数据确定目标特征的方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324582A (zh) * | 2011-08-12 | 2012-01-18 | 重庆东电通信技术有限公司 | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
KR101595956B1 (ko) * | 2014-11-12 | 2016-02-22 | 충북대학교 산학협력단 | 리튬이차전지의 전지잔량 측정 장치 및 방법 |
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN107167741A (zh) * | 2017-06-06 | 2017-09-15 | 浙江大学 | 一种基于神经网络的锂电池soc观测方法 |
CN107741568A (zh) * | 2017-11-08 | 2018-02-27 | 中南大学 | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 |
CN108267696A (zh) * | 2018-04-09 | 2018-07-10 | 广东电网有限责任公司 | 一种蓄电池容量浅放电检测装置 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108549036A (zh) * | 2018-05-03 | 2018-09-18 | 太原理工大学 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
-
2018
- 2018-10-15 CN CN201811196821.1A patent/CN109031152A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324582A (zh) * | 2011-08-12 | 2012-01-18 | 重庆东电通信技术有限公司 | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
KR101595956B1 (ko) * | 2014-11-12 | 2016-02-22 | 충북대학교 산학협력단 | 리튬이차전지의 전지잔량 측정 장치 및 방법 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN106125007A (zh) * | 2016-08-31 | 2016-11-16 | 北京新能源汽车股份有限公司 | 一种电池剩余电量的确定方法、装置及汽车 |
CN107167741A (zh) * | 2017-06-06 | 2017-09-15 | 浙江大学 | 一种基于神经网络的锂电池soc观测方法 |
CN107741568A (zh) * | 2017-11-08 | 2018-02-27 | 中南大学 | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 |
CN108267696A (zh) * | 2018-04-09 | 2018-07-10 | 广东电网有限责任公司 | 一种蓄电池容量浅放电检测装置 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108549036A (zh) * | 2018-05-03 | 2018-09-18 | 太原理工大学 | 基于miv和svm模型的磷酸铁锂电池寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
李太福: "复杂化工过程神经网络模型的透明化", 《控制工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046654A (zh) * | 2019-03-25 | 2019-07-23 | 东软集团股份有限公司 | 一种识别分类影响因素的方法、装置及相关设备 |
CN111461862A (zh) * | 2020-03-27 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 为业务数据确定目标特征的方法及装置 |
CN111461862B (zh) * | 2020-03-27 | 2023-06-30 | 支付宝(杭州)信息技术有限公司 | 为业务数据确定目标特征的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105676138B (zh) | 一种预测电池的剩余电量的方法和系统 | |
CN109031153A (zh) | 一种锂离子电池的健康状态在线估计方法 | |
CN111239630A (zh) | 一种储能电池寿命预测方法及管理系统 | |
CN108919129A (zh) | 一种时变工况下动力电池的寿命预测方法 | |
CN104332665B (zh) | 一种电池配组方法 | |
CN110333463B (zh) | 一种电芯一致性筛选方法及其系统 | |
CN105974326A (zh) | 锂电池寿命预估方法及装置 | |
CN106569136A (zh) | 一种电池健康状态在线估计方法及系统 | |
CN106597305A (zh) | 一种锂离子电池的循环寿命预测方法 | |
CN106443461A (zh) | 电池储能系统状态评估方法 | |
CN105903692A (zh) | 锂离子电池一致性筛选方法 | |
CN205693405U (zh) | 电池组或电容器组管理系统 | |
CN106443497A (zh) | 一种锂离子电池的存储寿命预测方法 | |
CN107607874A (zh) | 快速充/放电锂离子电池的三点式筛选方法 | |
CN105589040A (zh) | 基于老化调适电池运作区间的电池调控方法 | |
CN107093775A (zh) | 一种串联结构电池组的一致性评价方法及装置 | |
CN105652106A (zh) | 一种储能系统综合性能测试方法及装置 | |
CN106055775A (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN103267950A (zh) | 一种电动汽车电池组soh值评估方法 | |
CN103412264A (zh) | 蓄电池组内单体电池一致性的评价方法 | |
CN103728569B (zh) | 一种基于多因素灰色关联模型的蓄电池容量预测方法 | |
CN107942261A (zh) | 电池荷电状态的估计方法及系统 | |
CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
CN109031152A (zh) | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 | |
CN114636948A (zh) | 一种储能系统寿命评估方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |