基于自适应神经网络模糊推理系统的蓄电池SOH预测

(4)确定输入量的初始隶属度函数。每个输入有4个隶属度函数，采用钟形函数（gbellmf）[8]。首先设定2个初始钟形隶属度函数的参数分别为r1[0.025 2 0.05]，r2[0.025 2 0.1]，r3[0.025 2 0.15]，r4[0.025 2 0.2]及er1[0.04167 2 0.75]，er2[0.0417 2 0.833]，er3[0.0417 2 0.917]，er4[0.04167 2 1]，如图4所示。

(5)对初始FIS进行训练。以训练样本数据对模型进行训练，经过150次训练即达到了0.032 655的均方根误差，获得了很好的预测效果，可知ANFIS模型具有很强的非线性映射能力。

(6)输入量隶属度函数经过训练后的变型。输入量x和y的隶属度函数经过训练后分别得到了改善，如图5所示。

(7)系统经过数据训练后，可以通过图6所示的模糊规则观测窗查看输入输出量并进行蓄电池SOH预测。

4 模型验证及数据分析

利用图6所示的模糊规则观测窗，通过在5%、10%、20%不同放电深度（x）下测量蓄电池的放电输出能量（y），根据仿真得到的ANFIS模糊规则模型，得到预测容量（f）。实际容量的获取采用核对性放电方法测量。通过预测容量与实测容量的对比来对模型进行验证。在5%、10%、20%放电深度下ANFIS模型的预测数据与实测数据分别如表1、表2、表3所示。

通过表1～表3劣化程度模型预测，发现在5%放电深度时，预测值与实测值的均方根误差为2.95；10%放电深度时，均方根误差为2.4；20%放电深度时，均方根误差为1.614。由此可知，模型预测的精确度随放电深度的增加而提高，对装甲车辆铅酸蓄电池SOH的预测具有较好的适用性。

针对蓄电池劣化原因复杂的情况，采用了自适应神经网络模糊推理系统对蓄电池SOH进行建模预测，通过实测数据验证表明，该系统对蓄电池SOH的预测具有很高的准确性，且随着放电深度的增加，预测精度逐渐提高。

参考文献
[1] Xue Jianjun.Prediction of Ni-MH battery capacity by the artificial neural network method[J].Power Sources，2003，27 (3)：305-307.
[2] PASSINO K M，YURKOVICH S.Fuzzy Control[M].北京：清 华大学出版社，2001：238-241.
[3] 李彬彬，陈铁军.基于自适应神经网络模糊推理的倒立摆控制[J].微计算机信息，2007，22(8)：27-28.
[4] 陈继光，祝令德，孙立堂.基于自适应神经网络模糊推理的形变数据真计算[J].计算机工程与应用，2006，42(16)：219-221.
[5] 马巍.电动汽车铅酸蓄电池特性建模与荷电状态估计[D]. 西安：长安大学，2009：8-10.
[6] 江海.蓄电池智能在线监测系统的研究与设计[D].哈尔滨：哈尔滨理工大学，2007：22-28.
[7] SINGH P，REISNER D E.Fuzzy logic-based state-of health determination of lead acid batteries[C].Procs. INTELEC 2002，Montreal，Canada：583-590.
[8] 王佳.汽车动力电池SOC模糊估计及其在DSP上的实现[D].长春：吉林大学，2006：22-23.