薛萍　宋巖亮

摘要：人工神經(jīng)網(wǎng)絡(luò)通過(guò)模擬人腦神經(jīng)網(wǎng)絡(luò)的方式記憶、處理信息，具有很高的智能性，近些年來(lái)，被廣泛應(yīng)用在太陽(yáng)能用鉛酸蓄電池剩余電量預(yù)測(cè)的研究中，但是，收斂速度慢、對(duì)初值敏感以及較易陷于局部極小值等是單一神經(jīng)網(wǎng)絡(luò)算法難以解決的缺點(diǎn)，針對(duì)該問(wèn)題，將蟻群算法進(jìn)行改進(jìn)并與BP神經(jīng)網(wǎng)絡(luò)相融合，先采用改進(jìn)的蟻群算法將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)進(jìn)行全局訓(xùn)練，然后，采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)一步進(jìn)行局部學(xué)習(xí)，從而獲得最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)權(quán)值.最后，通過(guò)MATLAB仿真和實(shí)驗(yàn)驗(yàn)證了本課題所采用的改進(jìn)蟻群與BP網(wǎng)絡(luò)融合算法能明顯改善BP網(wǎng)絡(luò)的收斂速度以及預(yù)測(cè)精度，能準(zhǔn)確地預(yù)測(cè)出太陽(yáng)能蓄電池SOC。

關(guān)鍵詞：太陽(yáng)能鉛酸蓄電池sOc；改進(jìn)蟻群算法；蟻群與BP網(wǎng)絡(luò)融合

DoI：10.15938/j.jhust.2016.05.018

中圖分類(lèi)號(hào)：TK02

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-2683（2016）05-0095-05

0.引言

太陽(yáng)能路燈系統(tǒng)中，光伏電池利用光生伏打效應(yīng)原理產(chǎn)生電能.白天，光伏電池將太陽(yáng)能轉(zhuǎn)換為電能存人蓄電池；晚上，蓄電池為太陽(yáng)能路燈提供電能，太陽(yáng)能道路照明系統(tǒng)由光伏電池、太陽(yáng)能用鉛酸蓄電池、控制器和LED路燈等組成.鉛酸蓄電池是太陽(yáng)能照明系統(tǒng)非常重要的組成部分，但是，相對(duì)其他組成部分來(lái)說(shuō)，鉛酸蓄電池成本高昂、壽命偏短，因此，對(duì)蓄電池進(jìn)行科學(xué)管理是必不可少的一部分，要提高蓄電池壽命，準(zhǔn)確預(yù)測(cè)蓄電池剩余電量是基本前提之一，蓄電池剩余電量（state of charge，SOC），代表電池使用一段時(shí)間或長(zhǎng)期擱置不用后的剩余容量與其完全充電狀態(tài)的容量比值，常用百分?jǐn)?shù)表示，目前，安時(shí)積分法廣泛應(yīng)用在蓄電池剩余電量在線(xiàn)預(yù)測(cè)中，但是，安時(shí)法存在需要精確計(jì)算充放電效率以及測(cè)量工具的不精確容易產(chǎn)生累積誤差等問(wèn)題，因此，人們?cè)诓粩嗵剿鞑捎眯碌姆椒▉?lái)精確預(yù)測(cè)蓄電池SOC，近十年來(lái)，神經(jīng)網(wǎng)絡(luò)由于其高智能性得到人們廣泛青睞并將該技術(shù)應(yīng)用在鉛酸蓄電池SOC的預(yù)測(cè)中，雖然該方法與傳統(tǒng)預(yù)測(cè)方法相比，它具有非線(xiàn)性、聯(lián)想記憶、學(xué)習(xí)和自適應(yīng)性等重要特征和性質(zhì)，但是，BP神經(jīng)網(wǎng)絡(luò)也有收斂速度慢，對(duì)初值設(shè)置敏感，容易陷入局部極小值等缺陷和不足，為了克服BP神經(jīng)網(wǎng)絡(luò)的上述不足，本文對(duì)BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)蓄電池SOC進(jìn)行了優(yōu)化改進(jìn)，將改進(jìn)的蟻群算法與BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，先采用改進(jìn)蟻群算法將權(quán)值范圍縮小至最優(yōu)值周?chē)缓笤俨捎肂P神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練網(wǎng)絡(luò)，獲得最優(yōu)權(quán)值，最后，建立蓄電池SOC預(yù)測(cè)仿真模型，驗(yàn)證改進(jìn)的蟻群算法與BP網(wǎng)絡(luò)融合來(lái)預(yù)測(cè)蓄電池SOC的有效性。

1.太陽(yáng)能用蓄電池SOC常用在線(xiàn)預(yù)測(cè)方法概述

1.2內(nèi)阻法

研究表明，蓄電池的內(nèi)阻與SOC有直接的對(duì)應(yīng)關(guān)系，但是電池剩余容量大于50%時(shí)，蓄電池的內(nèi)阻變化不太明顯，僅在低于50%時(shí)，蓄電池內(nèi)阻才會(huì)出現(xiàn)明顯的變化.蓄電池內(nèi)阻一般在毫歐級(jí)，一般的測(cè)量難于滿(mǎn)足精度要求，且通用性差。

1.3神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)算法作為一門(mén)較新的技術(shù)受到人們高度重視，與傳統(tǒng)控制技術(shù)相比，具有無(wú)法比擬的優(yōu)勢(shì)，該算法具有聯(lián)想記憶、自學(xué)習(xí)、非線(xiàn)性、以及一定的泛化和容錯(cuò)能力，有極高的智能性，但是，不容忽視的是，神經(jīng)網(wǎng)絡(luò)算法有容易陷入極小值和收斂速度慢等難以解決的問(wèn)題。

本課題對(duì)神經(jīng)網(wǎng)絡(luò)法預(yù)測(cè)蓄電池剩余電量進(jìn)行深入研究，采用蟻群算法容易與其他智能算法相結(jié)合的優(yōu)點(diǎn)，將改進(jìn)的蟻群算法與BP神經(jīng)網(wǎng)絡(luò)算法相融合，有效地解決了收斂速度慢，容易陷入極小值等問(wèn)題。

2.改進(jìn)蟻群-BP網(wǎng)絡(luò)算法

蟻群算法（ant colony algorithm）是Marco Dorigo博士1992年提出，是一種在圖中尋找最優(yōu)路徑的概率算法。

2.1蟻群算法基本原理

螞蟻在尋找食物的過(guò)程中，會(huì)揮發(fā)出一種叫做信息素的物質(zhì)，螞蟻通過(guò)感知信息素的強(qiáng)弱進(jìn)行交流，他們就是通過(guò)這種方式達(dá)到搜尋食物的目的，螞蟻趨向于信息素強(qiáng)的路徑，若某一路徑信息素越強(qiáng)，則該路徑能吸引越多的螞蟻通過(guò)，這種現(xiàn)象稱(chēng)為蟻群的正反饋現(xiàn)象。

蟻群算法對(duì)初始路徑要求不高，具有全局搜索功能，而且還較易與其他智能算法結(jié)合，但是，該算法也有一些缺陷：①解決大規(guī)模問(wèn)題時(shí)，較難在可接受的循環(huán)周期內(nèi)找到最優(yōu)值；②螞蟻趨向于信息素強(qiáng)的路徑，但是，往往出現(xiàn)信息素最強(qiáng)的路徑不是最優(yōu)路徑等問(wèn)題，針對(duì)以上情況我們將對(duì)蟻群算法進(jìn)行改進(jìn)，最大程度避免搜索時(shí)間過(guò)長(zhǎng)，搜索進(jìn)度停滯等現(xiàn)象。

2.2蟻群算法的改進(jìn)

一般來(lái)說(shuō)，一個(gè)解決方案越優(yōu)秀，越有可能在他周邊搜尋到最優(yōu)解；反之，方案越差，在他的周?chē)緵](méi)有找到最優(yōu)解可能，因此，本改進(jìn)算法的思想是增強(qiáng)較優(yōu)解，削弱較差解，使得路徑越短的邊信息素強(qiáng)度越大，越長(zhǎng)的邊信息素強(qiáng)度越弱，從而增大較優(yōu)解與較差解之間的信息素差異，從而使螞蟻搜索路徑集中于較優(yōu)解附近。

2.3改進(jìn)蟻群算法與BP網(wǎng)絡(luò)的融合

設(shè)網(wǎng)絡(luò)中有m個(gè)待優(yōu)化的參數(shù)，對(duì)于每個(gè)參數(shù)Ai（1≤i≤m），將其分割為n份，從而形成一個(gè)m×n大小的集合B，設(shè)釋放螞蟻數(shù)為K，每只螞蟻按照偽隨機(jī)比例規(guī)則在集合B中分別選擇相應(yīng)的值并記錄下來(lái)，從而形成禁忌表.當(dāng)螞蟻對(duì)各個(gè)參數(shù)選擇相應(yīng)的值后，形成一次循環(huán)，然后計(jì)算各螞蟻所經(jīng)過(guò)的路徑，并評(píng)選出最優(yōu)和最差螞蟻，進(jìn)而對(duì)信息素進(jìn)行更新調(diào)節(jié)，這一過(guò)程反復(fù)進(jìn)行，直到達(dá)到最大循環(huán)次數(shù)或者達(dá)到預(yù)期的精度要求，此時(shí)，所求結(jié)果為較優(yōu)解.將改進(jìn)蟻群算法求得的較優(yōu)解作為BP神經(jīng)網(wǎng)絡(luò)算法的初始值，然后經(jīng)過(guò)BP網(wǎng)絡(luò)訓(xùn)練找出最優(yōu)解。

改進(jìn)蟻群與BP網(wǎng)絡(luò)融合算法具體步驟如下：

步驟1）：信息初始化，包括定義信息素的定義域，初始值，設(shè)置螞蟻個(gè)數(shù)，最大迭代次數(shù)以及BP算法網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練誤差等等。

步驟4）：重復(fù)步驟2）、3）直到每只螞蟻生成一條路徑；

步驟5）：以BP網(wǎng)絡(luò)實(shí)際輸出值和期望值的均方誤差大小進(jìn)行排序，并評(píng)出最優(yōu)和最差螞蟻。

步驟6）：對(duì)所有螞蟻按照公式（1）執(zhí)行全局信息素更新；

步驟7）：重復(fù)以上步驟，直到滿(mǎn)足迭代終止條件。

步驟8）：將改進(jìn)蟻群算法求出的最優(yōu)解作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，然后，訓(xùn)練網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)的期望輸出與實(shí)際輸出的誤差進(jìn)行反饋調(diào)節(jié)，進(jìn)一步調(diào)整權(quán)值到最優(yōu)。

步驟9）：利用測(cè)試樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)的精度和泛化能力經(jīng)行檢驗(yàn)，若能達(dá)到設(shè)計(jì)要求，則算法結(jié)束，否則，重新從第一步開(kāi)始。

3.改進(jìn)蟻群與BP網(wǎng)絡(luò)融合算法在鉛酸蓄電池SOC預(yù)測(cè)中應(yīng)用

鉛酸蓄電池的化學(xué)特性復(fù)雜，不能經(jīng)過(guò)直接測(cè)量獲得蓄電池SOC，而蓄電池的外特性：在線(xiàn)電壓，放電電流和環(huán)境溫度等與剩余電量之間存在某種非線(xiàn)性關(guān)系，本課題，我們利用蓄電池放電過(guò)程中容易測(cè)量的數(shù)據(jù)：端電壓、放電電流、環(huán)境溫度作為改進(jìn)蟻群BP網(wǎng)絡(luò)的輸入，蓄電池SOC作為輸出，建立仿真模型，驗(yàn)證試驗(yàn)效果。

3.1改進(jìn)蟻群與BP網(wǎng)絡(luò)融合算法參數(shù)設(shè)置

蟻群算法參數(shù)設(shè)置如下：待優(yōu)化的權(quán)值變量數(shù)m=20，螞蟻數(shù)K=40，最大迭代次數(shù)100。

BP神經(jīng)網(wǎng)絡(luò)選擇一個(gè)隱含層，其節(jié)點(diǎn)數(shù)選為5，隱層以及輸出層傳遞函數(shù)皆選擇Sigmoid函數(shù)，trainlm作為訓(xùn)練函數(shù)，訓(xùn)練次數(shù)設(shè)為5000，誤差0.005，其他參數(shù)默認(rèn)。

3.2樣本數(shù)據(jù)的采集

環(huán)境溫度越低，蓄電池的總?cè)萘縿t越小，從而在放電情況相同時(shí)，因溫度不同，蓄電池SOC會(huì)有所不同；放電電流的大小和在線(xiàn)電壓對(duì)蓄電池SOC也有特定的關(guān)系.采用神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)是不需知道蓄電池內(nèi)部復(fù)雜的化學(xué)特性，僅僅通過(guò)采集蓄電池外特性和剩余電量的特定關(guān)系數(shù)據(jù)，通過(guò)網(wǎng)絡(luò)訓(xùn)練，即可達(dá)到預(yù)測(cè)蓄電池SOC的目的.本文采樣對(duì)象為：輸出電壓12V，容量54 AH鉛酸免維護(hù)蓄電池，所采集90組數(shù)據(jù)作為訓(xùn)練樣本，17組作為預(yù)測(cè)樣本，部分樣本數(shù)據(jù)如表1所示。

3.3仿真結(jié)果及分析

3.3.1蟻群算法的改進(jìn)仿真

圖1為改進(jìn)前后蟻群算法進(jìn)化曲線(xiàn).從圖中可以看出改進(jìn)后的蟻群算法收斂速度要優(yōu)于改進(jìn)前的蟻群算法，改進(jìn)后的算法誤差精度可達(dá)0.15，改進(jìn)前精度則為0.18。

3.3.2改進(jìn)蟻群與BP網(wǎng)絡(luò)融合仿真

圖2為蟻群BP網(wǎng)絡(luò)融合算法訓(xùn)練曲線(xiàn)，圖3為單-BP網(wǎng)絡(luò)訓(xùn)練曲線(xiàn).從圖中可看出，改進(jìn)的蟻群-BP神經(jīng)網(wǎng)絡(luò)融合算法收斂速度明顯快于單-BP神經(jīng)網(wǎng)絡(luò)的收斂速度，前者均方誤差精度可達(dá)0.0045，后者誤差精度在0.005。

3.3.3預(yù)測(cè)結(jié)果分析

表2為訓(xùn)練好的網(wǎng)絡(luò)的預(yù)測(cè)值與樣本值對(duì)比結(jié)果，圖4為網(wǎng)絡(luò)輸出值與樣本值對(duì)比數(shù)據(jù)曲線(xiàn)，

由網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際樣本值對(duì)比可知，蓄電池sOc預(yù)測(cè)值與實(shí)際值誤差不超過(guò)2.5%，該網(wǎng)絡(luò)能比較準(zhǔn)確預(yù)測(cè)太陽(yáng)能用鉛酸蓄電池的剩余電量。

4.結(jié)語(yǔ)

本課題所采用的改進(jìn)蟻群一BP網(wǎng)絡(luò)算法加速了BP網(wǎng)絡(luò)收斂速度和減小了誤差精度，能有效預(yù)測(cè)出太陽(yáng)能鉛酸蓄電池剩余電量，該方法使得均方誤差值達(dá)到最小，實(shí)現(xiàn)了最優(yōu)預(yù)測(cè)，并且通用性強(qiáng)，具有很強(qiáng)的可操作性。