论文部分内容阅读
近年来,铅酸蓄电池作为主要的储能设备,其使用范围由航空航海、交通运输、军事通信、电力系统等逐渐进入人们生活中的方方面面。因此,蓄电池的健康状态(State Of Healthy,即SOH)受到越来越多的关注。但由于铅酸蓄电池老化程度受诸多因素影响,且蓄电池老化实验受完全充放电时间和样本数量限制,使得基于小样本的具有代表性的特征集的选择在蓄电池SOH预测中显得尤为重要。因此基于对蓄电池放电特性的分析,提出了基于无监督的ACCA-FCM (Ant Colony Clustering Algorithm-Fuzzy C-Means Algorithm)和有监督的 SVM-RFE (Support Vector Machine-Recursive Feature Elimination)相结合的蓄电池SOH特征选择算法。该算法利用改进的蚁群算法(Ant Colony Clustering Algorithm,即ACCA)从全局特征集中选取有效的特征值聚类中心,克服模糊C均值聚类算法(Fuzzy C-Means Algorithm,即FCM)聚类中心敏感和局部最优问题,并根据特征之间相关性排除冗余特征,再通过SVM-RFE特征排序算法剔除非关键干扰(低预测性)特征,最终得到最优特征子集,且在保证精度的前提下,避开了完全放电过程。利用放电初期特征构成的最优特征子集训练基于支持向量机(Support Vector Machine,即SVM)的蓄电池SOH预测模型,为提高SOH预测准确度,对SVM的核函数进行了优化。将分类能力较强的径向基(Radial Basis Function,即RBF)局部核函数与典型全局核函数多项式核函数相结合,使得混合核函数SVM模型兼顾分类能力和泛化能力。并引入网格搜索算法,基于十折交叉验证对混合核函数SVM模型参数进行优化,找到使模型分类准确率最高的全局最优参数,得到基于混合核函数SVM的铅酸蓄电池SOH预测模型。最后在蓄电池无线监测平台实时获取底层硬件平台发送的电压、温度、电流等数据信息,在Android端实现动态显示以及过充、过放、高温、老化等故障预警,并与服务器上MySQL数据库进行数据转存。基于Matlab与MySQL数据库的JDBC(Java Data Base Connectivity)连接,实现蓄电池放电数据的读取,在Matlab上完成算法分析及混合核函数SVM预测模型的训练,并将最优特征子集和SOH的预测结果回存到MySQL数据库。最终实现整套功能完善、预测准确的蓄电池SOH监测系统,为蓄电池健康状态提供可靠依据和准确监测。本论文主要工作如下:(1)改进的ACCA-FCM和SVM-RFE联合特征选择算法,实现有监督聚类算法与无监督特征选择算法的优势互补,完成了蓄电池放电过程的最优特征子集选择;(2)对混合核函数SVM的参数进行了优化,实现了RBF核函数与多项式核函数的线性结合,形成混合核函数,并利用网格搜索算法对混合核函数SVM模型进行参数优化;(3)搭建了 Matlab模拟测试平台,对提出的基于特征优化和混合核函数SVM的SOH预测算法进行了实验验证;(4)实现了铅酸蓄电池SOH监测系统,完成了对蓄电池的实时数据采集、显示、存储和SOH预测。