铅酸蓄电池自放电程度的人工神经网络检测

范红军 殷合香 郑卫东

（海军航空工程学院青岛分院）

1 引言

铅酸蓄电池在存放期间，常会有容量的损失，就是蓄电池的自放电，它反映了蓄电池在开路状态下，所储存的电量在一定条件下的保持能力，因此又称蓄电池的荷电保持能力[1]。铅酸蓄电池存放一定时间后，由于自放电使容量损失较大，需要进行补充充电以保持高荷电能力。蓄电池补充充电前，需要首先检测铅酸蓄电池自放电程度，从而预计待充的电量，避免过度充电对蓄电池造成的损坏。

目前比较常用的铅酸蓄电池放电程度检测方法是通过测量各单格电解液密度的高低判断放电程度，但此方法由于测试的次数较多，测试的累计误差较大，而且此法仅适用于有加液孔盖的铅酸蓄电池，现今大量使用的密封式铅酸蓄电池便无法使用此方法[2]。另一个方法是通过测量蓄电池开路端电压的高低判断放电程度。但这种方法由于忽略了蓄电池的内阻压降，且在环境工作温度较高的情况下，难免带来很大的误差[2]。

针对蓄电池自放电影响因素复杂的特点，本文将标准BP人工神经网络与检测开路端电压变化方法结合，进行蓄电池自放电程度检测。

2 BP神经网络

BP神经网络具有逼近任意非线性函数的能力，它通过使用样本数据，实现输入层和输出层之间非线性映射的关系，只要提供足够的训练数据集，就能达到令人满意的检测精度。

2.1 BP神经网络结构

标准BP神经网络一般有三层：输入层、隐含层、输出层，每层由若干神经元组成。各层次之间的神经元互相连接, 各层次内的神经元之间没有连接。输入信号从输入节点依次传递到各个隐含节点，后传递到输出节点，每层的输入只影响下一层的输出。典型的三层BP 神经网络结构如图1所示[3]。

图1 三层BP网络结构

2.2 BP神经网络的算法原理

BP神经网络的算法实际是梯度下降的方法，该算法的学习过程由正向传播过程和反向传播过程两个阶段组成：第一个阶段根据输入学习样本，计算网络的输出；第二个阶段是从最后一层向前计算各权值和阈值对总误差的影响（梯度），据此对各权值和阈值进行修改。BP神经网络的学习算法如下[3]：

① 隐含层节点输出函数：

② 输出层节点的输出函数：

③ 输出层的权值变化

η为学习率 (0 <η < 1) 。

④ 隐含层的权值的变化

⑤ 输出层和隐含层权值调整：

重复①至⑤，直至误差达到规定的要求Ek＜S。

传统算法存在收敛速度慢的缺点，本文采用自适应调整学习率的改进BP算法加以改进 (具体方法参见文献[3])，且初始学习率η在0.05～0.09之间选择。

3 蓄电池自放电程度的神经网络建立

3.1 影响铅酸蓄电池自放电的因素

影响铅酸蓄电池自放电的因素主要有以下4个方面[4]：① 电解液的浓度和极板材料的纯度；② 存放期间，硫酸下沉，使极板上产生电位差；③ 极板活性物质脱落，造成下部沉积过多使极板短路；④ 温度降低，使容量减小。

综上，蓄电池自放电程度因素归纳为蓄电池组成材料、端电压的高低、电池老化程度和环境温度等因素，本文中检测的铅酸蓄电池要求型号一致且生产材料相同，因此只选取蓄电池端电压变化、环境温度、蓄电池老化程度等三个因素进行检测。

3.2 BP网络结构的建立

根据2.1的分析可知，输入层的神经元个数为3，输出层神经元只有1个，即铅酸蓄电池的自放电程度。对于隐含层节点的选取,应遵循节点数尽量小，否则会使训练时间过长,误差可能达不到预期的要求，隐含层节点的数要根据经验来选取，其计算式为：n1=+a 。其中：n1为隐含层节点的数目；n为输入层节点数；m为输出层节点数；a为选取 1～10之间的常数[5]。经试验比较,发现隐含层节点数取5时，其网络训练误差最小，所以此网络隐含层节点数应该为5。

BP网络的隐含层和输出层激活函数分别使用tansig函数和logsig函数，网络训练使用 trainlm算法 ,训练目标 E<0.0001。

3.3 训练数据获取

为了使BP网络能准确地预测静置铅酸蓄电池的放电程度，需要大量的实验数据去训练。实验对象为7-HK-182 (保定产)的铅酸蓄电池。

3.3.1 蓄电池老化程度数据获取

在相同环境温度及标准充电状态下，电池充好电后的初始电量与新蓄电池初始电量的比值，即可得到蓄电池老化程度。

3.3.2 端电压及环境温度数据获取

将15 块7-HK-182 (保定产)的铅酸蓄电池充足电后在房间存放，存放期间记录房间温度。一定时间后，测量某一块电池的端电压，并计算存放期间房间温度的平均值。之后，利用放电设备对蓄电池以18A进行恒流放电，并计时放电时间，当测量蓄电池的电压达到放电终止电压时，计算蓄电池剩余容量：

则该蓄电池自放电程度：

然后继续存放其它蓄电池，存放一定时间后，测量其中一块电池的端电压，同时计算存放期间房间温度的平均值，然后通过（2）式和（3）式计算该块蓄电池的自放电程度，依此类推，最后得到的实验数据如表1所示。

3.3.3 数据的处理

神经网络要求所有的输入变量都必须是 0 ～1 或-1～+1 之间的实数[5]，因此必须对原始数据进行归一化处理[2]，本文中采用最大、最小归一化方法设 xmin和xmax分别为指标 x 的最小值和最大值，对于指标 x中的值 Y 而言，将其映射到0～1区间的公式为：

表1 铅酸蓄电池自放电程度实验数据

4 训练及测试结果

采用表1的前十二项数据作为训练数据，而取后三项数据作为测试数据，用来评估所建立的BP神经网络的性能，BP神经网络训练结果和误差如图2和表2所示。

图2 训练误差与步数曲线图

表2 BP预测结果比较

从图2及表2可看出，隐含层节点为5网络的检测的平均误差结果不超过4%。

5 结论

本文利用 BP神经网络方法,结合电池的新旧程度、端电压以及工作温度，对7-HK-182蓄电池（保定产）的自放电程度进行检测，当隐含层节点为5时，检测误差不超过4%，如果增加BP神经网络的训练样本容量,可进一步降低检测的误差。应用BP神经网络检测蓄电池放电程度的方法便捷可行，可有效提高铅酸蓄电池的使用和维护质量。

[1]胡任,韩赞东,王克争.基于 BP神经网络预测静置电池的剩余电量[J]. 电池,2006.2: 58-59.

[2]荣彦.铅酸蓄电池放电程度检查方法的缺陷与改进[J]. 电源技术,2009.1:51-52.

[3]徐月美,张虹,姜薇..改进BP算法的研究与应用[J].微计算机信息,2009,25(8):170-172.

[4]张星,周广勇,王雪峰. 蓄电池自放电故障的原因与预防[J].汽车运用，2009.8: 48-49.

[5]陈伟,马如雄,郝艳红.基于MATLAB的BP人工神经网络设计[J].电脑学习,2005,4: 30-31.