基于改进RBF神经网络训练算法的蓄电池SOC估算

陈玮匀 杨文伟 陈俊江 胡永乐 覃团发

摘 要： 为了对基站铅酸蓄电池的剩余容量进行估算，在RBF神经网络训练算法中采用梯度下降法结合L1，L2正则化实现隐层节点数的选择。通过模糊控制思想提高泛化能力，引入模拟退火算法减少了需要重复训练的次数。Matlab仿真结果表明，通过改进的RBF神经网络训练算法对蓄电池的电池剩余容量（SOC）估算平均误差达到2%，改进了估算精度的同时也提高了泛化能力并且减少了重复训练的次数。

关键词： SOC估算； RBF神经网络； 正则化； 模糊控制； 模拟退火算法； Matlab

中图分类号： TN245?34； TM912 文献标识码： A 文章编号： 1004?373X（2018）20?0146?04

Abstract： The selection for node number of the hidden layer is realized by adopting the gradient descent method in the RBF neural network training algorithm and combining with L1 and L2 regularization， so as to estimate the remaining capacity for the lead?acid battery of the base station. The fuzzy control idea is used to improve generalization capability. The simulated annealing algorithm is introduced to reduce times of repetition training. The results of the Matlab simulation show that the improved RBF neural network training algorithm has an average error of 2% in SOC estimation of the battery， can improve estimation accuracy and generalization capability， and reduce times of repetition training.

Keywords： SOC estimation； RBF neural network； regularization； fuzzy control； simulated annealing algorithm； Matlab

0 引 言

蓄电池作为基站备用电源设备是供电系统的关键一环，针对通信基站蓄电池管理存在的问题，通过估算电池剩余容量（SOC）估计剩余放电时间，从而制定出最佳的应急发电调度方案。因此建立一种对基站蓄电池剩余容量估算的系统是十分必要的[1]。

目前常用的SOC估算方法有：安时电流积分法、开路电压法以及智能算法[2]等。安时电流积分法由于其依赖初始SOC，会导致多次测量时误差不断积累。开路电压法的测量要求蓄电池处于稳定状态下，而蓄电池从工作状态到稳定状态需要很长时间导致无法及时测量SOC。由于智能算法出色的非线性逼近能力，国内外学者建立了蓄电池SOC估计神经网络[3]模型，早在1999年国外学者利用神经网络来估计蓄电池SOC[4]。综合经济成本和在线估算的要求，本文采取一种改进的RBF神经网络算法，通过仿真实验得到了较好的结果。……