蓄電池目前被廣泛地應(yīng)用于汽車.電動車.UPS電源以及EPS電源系統(tǒng)等多個領(lǐng)域.閥控鉛酸蓄電池（Valve RegulatedLead Acid Battery,VRLAB）是目前使用最為廣泛的蓄電池，尤其是在電力.通信.鐵路和礦井等重要領(lǐng)域.

很多VRLAB的實際應(yīng)用表明，VRLAB在系統(tǒng)中的使用情況并不樂觀，經(jīng)常出現(xiàn)一系列令用戶失望和擔(dān)心的問題：使用壽命不能達到預(yù)期效果，在使用3~4年后，絕大多數(shù)的電池組很難通過容量檢測.由于VRLAB號稱“免維護”,因此很多情況下都是在市電中斷時才發(fā)現(xiàn)電池的容量不達標或者已損壞，因此造成了巨大的經(jīng)濟損失，甚至威脅到人身安全.神經(jīng)網(wǎng)絡(luò)在預(yù)測領(lǐng)域的出色表現(xiàn)，使其在越來越多的領(lǐng)域得到應(yīng)用，但也因此暴露出一些缺點，比如預(yù)測精度偏低.不能滿足實際需要等.近年來，用于提高預(yù)測精度.減小預(yù)測誤差的優(yōu)化算法層出不窮.本文選擇Elman神經(jīng)網(wǎng)絡(luò)進行建模并使用遺傳算法對其進行優(yōu)化，試圖建立一個能夠準確在線預(yù)測電池劣化程度（State ofHealth,sou）的模型.通過大量的數(shù)據(jù)采集測試和仿真實驗，證明優(yōu)化后的模型確實可以提高預(yù)測的整體精度，減小預(yù)測的總誤差.

1 SOH的定義及其估計方法1.1 SOH定義SOH直接反映電池的預(yù)期壽命，是一個相對的量，其定義如式（1）所示：

式中：Cm為當前測試的電池容量；Cn為電池的標稱容量；SOH以百分比來反映電池當前的容量能力.對于一塊新的電池，其SOH往往會大于等于100%,隨著電池的老化，其SOH會逐漸下降，在IEEE標準1188.1996中規(guī)定當電池容量下降到80%,即SOH<80%時，電池就應(yīng)該更換了.

1.2 SOH估計方法要了解一塊電池的SOH最直接的方法就是對其進行實際的充放電測試，這也是迄今為止工業(yè)和專業(yè)領(lǐng)域公認的唯一可靠的方法，但該方法存在明顯的缺點：測試電池需要離線；需要測試負載，操作不便；測試時間太長.

另一種SOH的估計方法是從電池的內(nèi)阻出發(fā)，通過研究SOH電池內(nèi)阻的變化關(guān)系來求解問題，簡單地說：隨著電池老化，SOH下降，內(nèi)阻增大，SOH與內(nèi)阻呈高度的非線性.但由于內(nèi)阻在電池容量F降25%~30%后才會出現(xiàn)明顯變化，所以通過內(nèi)阻監(jiān)測方式及時找出電池的問題有些困難.

近年來，電化學(xué)阻抗分析法因其在預(yù)測準確性方面的出色表現(xiàn)而得到廣泛的應(yīng)用，但是這種方法采用模糊邏輯對大量數(shù)據(jù)進行分析而得到某一特定型號電池的特征，過程極為復(fù)雜，造價昂貴，并不適用于礦井移動式救生艙備用電池的檢測.

選用最常見的閥控鉛酸電池為代表，綜合影響電池SOH的各種因素，利用神經(jīng)網(wǎng)絡(luò)算法對不確定的復(fù)雜數(shù)據(jù)可以進行有效分析和處理的優(yōu)點，經(jīng)遺傳算法優(yōu)化，建立一個電池SOH在線估計系統(tǒng)，經(jīng)過淺度放電測試采集大量的實訓(xùn)數(shù)據(jù)，在處理和分析之后得到電池SOH的預(yù)測模型.

2 SOH與放電電壓特性的關(guān)系對于同一組蓄電池，工作在相同的放電條件下，包括電流和溫度，SOH一般用蓄電池的實際放電容量與正常容量的百分比來表示.

電池充滿電后的放電線特征主要反映在以下幾部分，如圖l所示.

（1）陡降復(fù)升區(qū)：在放電初期，電池的端電壓會急劇下降到某個值，緊接著又會回升，達到另一個較高的電壓值.電池放電初期端電壓的陡降復(fù)升是只出現(xiàn)在鉛酸蓄電池上的獨特特性.

（2）線性區(qū)：介于陡降復(fù)升區(qū)與放電終止區(qū)之間的平緩部分，該區(qū)域的電壓曲線近似直線，又稱放電平臺.

（3）雙線區(qū)：放電結(jié)束，電壓急劇下降的區(qū)域.

有研究認為可以根據(jù)陡降復(fù)升的劇烈程度分析電池的SOH,如果此種方法可行，將會是很有效的估計方法，因為它可將數(shù)小時甚至十幾個小時的放電測試縮短到短短十幾分鐘.但事實上該劇烈程度與SOH僅有一定相關(guān)性，也與其他諸多因素有關(guān)，通常情況下此方法估計SOH的準確性很差.

3 SOH預(yù)測模型的建立3.1 Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)描述Elman網(wǎng)絡(luò)是上世紀90年代首先針對語音處理問題而提出來的，是一種典型的局部回歸網(wǎng)絡(luò).Elman網(wǎng)絡(luò)可以看作是一個具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡(luò).

其網(wǎng)絡(luò)結(jié)構(gòu)一般分為四層：輸入層.隱含層.關(guān)聯(lián)層和輸出層.

與一般的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同的是，Elman神經(jīng)結(jié)構(gòu)中多了一個關(guān)聯(lián)層，其作用是用來記憶隱含層單元以前時刻的輸出值，可認為是一時延算子，它使整個網(wǎng)絡(luò)具有動態(tài)記憶的功能.

基本的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

Y（k）表示太時刻的輸出，Uk表示k時刻的輸入，Xk表示k時刻的隱含層狀態(tài)，X（k）表示k時刻關(guān)聯(lián)層第i個神經(jīng)元的狀態(tài)，Wij表示隱含層與關(guān)聯(lián)層的連接權(quán)矩陣，Wij“表示隱含層與輸入層之間的連接權(quán)矩陣，Wij‘表示隱含層與輸出層的連接權(quán)矩陣，0≤a

3.2遺傳算法優(yōu)化Elman網(wǎng)絡(luò)遺傳算法中包含5個基本要素：參數(shù)編碼.初始群體設(shè)定.適應(yīng)度函數(shù)選擇.遺傳算子設(shè)定.控制參數(shù)設(shè)定，這5點是遺傳算法的核心內(nèi)容.GA-Elman就是使用遺傳算法對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).初始權(quán)值.閾值等進行優(yōu)化，在解空問中確定出一個良好的搜索空間.然后將優(yōu)化過后的網(wǎng)絡(luò)初始權(quán)值和閾值反饋回Elman網(wǎng)絡(luò)，求出最優(yōu)解.GA-Elman算法流程如圖3所示：

具體步驟如下：

（1）隨機產(chǎn)生一組二進制種群，每一位二進制數(shù)表示網(wǎng)絡(luò)的初始權(quán)值和閾值.網(wǎng)絡(luò)結(jié)構(gòu)等；（2）對步驟（1）中生成的二進制數(shù)的連接狀態(tài)編碼進行解碼，生成網(wǎng)絡(luò)結(jié)構(gòu)；（3）正向運行網(wǎng)絡(luò)，根據(jù)確定適應(yīng)度函數(shù)，對網(wǎng)絡(luò)結(jié)構(gòu)的性能進行評估；（4）通過選擇.交叉.變異等遺傳操作產(chǎn)生下一代種群，形成下一代網(wǎng)絡(luò)結(jié)構(gòu)；（5）重復(fù)步驟（2）~（4），判斷是否滿足訓(xùn)練終止條件，若滿足，則終止訓(xùn)練，將得到的初始權(quán)值和閾值反饋回Elman網(wǎng)絡(luò)，若不滿足，則返回步驟（2）繼續(xù)進行訓(xùn)練，直至滿足終止條件；（6）學(xué)習(xí)過程結(jié)束，解碼，輸出最優(yōu)解.

4仿真研究根據(jù)前文的分析可知電池的SOH與放電深度.電壓和內(nèi)阻有著密切的聯(lián)系.這樣電池SOH可以簡化成放電深度.電壓和內(nèi)阻的函數(shù)，因而可以得到3-N-1的Elman神經(jīng)網(wǎng)絡(luò)模型，將放電深度.電壓和內(nèi)阻為輸入值，以獲取SOH為目標值.實驗過程中選用5組相同型號的電池，采用相同的充電制度充滿電后，在相同溫度（25℃）.相同放電倍率（0.1℃）不同放電深度的條件下，對5組電池進行放電試驗，獲得實測數(shù)據(jù)150組，以便對模型進行訓(xùn)練.網(wǎng)絡(luò)訓(xùn)練過程在MATLAB7.1環(huán)境下運行，為了更直接地凸顯出GA.Elman算法的優(yōu)越性，本文將單純的Elman神經(jīng)網(wǎng)絡(luò)算法作為比較對象，二者誤差曲線如圖4所示，表1給出了兩種神經(jīng)網(wǎng)絡(luò)的性能對比.

5測試結(jié)果分析通過對健康度不同的5組電池進行樣本采集，在MAT.LAB環(huán)境下訓(xùn)練后，均方誤差小于0.005,說明了GA.Elman預(yù)測模型具有良好的非線性映射能力.表2列出了一組劣化程度不同的電池組，在不同放電深度下的SOH預(yù)測結(jié)果，以該組中電池滿充后容量最高的為100%.

設(shè)計的模型在放電深度5%,10%,20%時標準誤差分別為4.95,4.4l,3.73.可見隨著放電深度的加深，模型預(yù)測的結(jié)果將更為準確.

6結(jié)束語實驗證明采用遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型預(yù)測電池的SOH是可行的，經(jīng)過淺度放電試驗測得訓(xùn)練數(shù)據(jù)是有效的，誤差控制在允許范圍之內(nèi)，達到了對電池SOIl準確預(yù)測的目的，解決了電池SOH在線監(jiān)測的問題.但由于訓(xùn)練數(shù)據(jù)的不足，模型存在不能全局預(yù)測電池SOIl的缺點.