本发明涉及一种蓄电池寿命预测算法,具体涉及一种基于遗传算法改进的bp神经网络蓄电池寿命预测算法。
背景技术:
随着信息技术的发展,越来越多的用电设备给电网造成严重负荷,所以会时有断电情况发生,为了保证用电设备的正常运行,用电设备的蓄电池就起到了重要作用,所以如何以科学、有效、实用的方式管理维护电力通信传输设备及蓄电池,成为通信管理部门的重大研究课题。
蓄电池是许多设备的应急后备电源,理论上蓄电池的使用寿命能够达到10年以上,但是实际蓄电池的使用寿命只有4-6年。通过预测不同品牌下在不同温度情况的蓄电池寿命,可以有效地保证电力通信设备的有效性。采用bp神经网络预测蓄电池寿命存在一些缺陷,如容易陷入局部极值点。
技术实现要素:
为了解决上述技术问题,本发明提供了一种基于遗传算法改进的bp神经网络蓄电池寿命预测算法。
为了达到上述目的,本发明所采用的技术方案是:
基于遗传算法改进的bp神经网络蓄电池寿命预测算法,包括,
用遗传算法对bp神经网络进行优化;
借鉴已有的蓄电池寿命预测思路,建立指标体系;
将对应的指标数据作为训练样本,训练后的bp神经网络;
用训练后的bp神经网络对蓄电池寿命进行预测。
用遗传算法对bp神经网络进行优化的过程为,
s1)种群初始化;
s2)确定适应度函数;
s3)选择、交叉和变异;
s4)重复步骤s2和步骤s3,直到达到进化代数或者满足误差要求,此时,得到通过遗传算法优化过的bp神经网络的初始权值和阀值。
种群初始化,对于一个具有n个输入层,l个隐含层,m个输出层的3层bp神经网络,染色体的长度为s,s=(n+1)l+(l+1)m。
将预测值与期望值的误差矩阵的范数作为目标函数的输出,即:
其中,f为预测样的预测值和期望值的误差矩阵的范数,yk为期望值矩阵,oks为预测值输出矩阵。
适应度函数采用排序的适应度函数。
采用随机遍历抽样的方式进行选择操作。
交叉算子采用单点交叉算子。
以一定的概率产生变异基因数,用随机方法选出发生变异的基因。
本发明所达到的有益效果:本发明将遗传算法和bp神经网络有机结合起来,遗传算法是一种基于生物机制的全局搜索优化算法,利用遗传算法优化bp神经网络的初始权值和阀值,再利用误差反向传播方法找到其最优解,避免了陷入局部极值点的情况。
附图说明
图1为用遗传算法对bp神经网络进行优化的流程图;
图2为在12~15度内采用本发明的预测图;
图3为在15~18度内采用本发明的预测图;
图4为在18~21度内采用本发明的预测图;
图5为在21~24度内采用本发明的预测图;
图6为在24~27度内采用本发明的预测图;
图7为在27~30度内采用本发明的预测图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
基于遗传算法改进的bp神经网络蓄电池寿命预测算法,包括以下步骤:
步骤1,用遗传算法对bp神经网络进行优化。
如图1所示,用遗传算法对bp神经网络进行优化的过程为:
s1)种群初始化:
对于一个具有n个输入层,l个隐含层,m个输出层的3层bp神经网络,染色体的长度为s,s=(n+1)l+(l+1)m。
s2)确定适应度函数:
适应度函数采用排序的适应度函数;
将预测值与期望值的误差矩阵的范数作为目标函数的输出,即:
其中,f为预测样的预测值和期望值的误差矩阵的范数,yk为期望值矩阵,oks为预测值输出矩阵。
s3)选择、交叉和变异:
采用随机遍历抽样的方式进行选择操作;
交叉算子采用单点交叉算子;
以一定的概率产生变异基因数,用随机方法选出发生变异的基因。
s4)重复步骤s2和步骤s3,直到达到进化代数或者满足误差要求,此时,得到通过遗传算法优化过的bp神经网络的初始权值和阀值。
步骤2,借鉴已有的蓄电池寿命预测思路,建立指标体系,具体如表一所示。
表一指标体系
步骤3,将对应的指标数据作为训练样本,训练后的bp神经网络。
在蓄电池数据中品牌类目非常多,然而部分品牌数据对应很少的数据量且投运时间单一,无法对模型产生贡献,相反可能会影响模型的准确性,因此清洗了品牌数据中的投运时间单一且数据量小的值。
环境温度是数值数据,然而业务需求对于环境温度来说,我们更想要的是环境温度范围下蓄电池的寿命情况,因此需要首先将环境温度划分成若干环境温度范围的分类数据。
步骤4,用训练后的bp神经网络对蓄电池寿命进行预测。
为了进一步说明上述算法,从3515条数据集随机选择2500条数据作为训练集,其余1015条作为测试集,分别使用bp神经网络算法和基于遗传算法优化的bp神经网络算法进行建立预测模型,通过品牌、环境温度和投运时长预测剩余容量。
测试结果表明,bp神经网络算法的准确度为87.1%,而基于遗传算法优化的bp神经网络算法准确度为92.3%。预测结果表明,基于遗传算法优化的bp神经网络算法要优于bp神经网络算法,且可以很好的应用于蓄电池的寿命预测场景。
根据预测的结果,显而易见可以得出给定品牌和温度下基于投运时长的剩余容量曲线,如图2~7所示。可以看出不同品牌在给定的温度范围内随着投运时长变化的剩余容量变化曲线。观察实验结果,我们可以得到如下结论:整体趋势是一个下降过程,下降速度随时间变化而变慢。对于同一品牌,在不同温度情况下剩余容量下降趋势不一样,由图中可看出在18-21度范围,电池的寿命更长一些。
一般而言,当电池剩余容量下降到80%以下时就要更换,否则会影响业务。因此设置剩余容量阈值,可以预测出不同品牌在不同温度环境下蓄电池需要更换的时间,从而指导用户进行蓄电池运行管理和维护工作。
上述算法通过对通信蓄电池相关数据进行挖掘建模,构建通信蓄电池寿命预测模型,利用成功估算不同品牌在不同温度范围内的蓄电池的使用寿命情况,实现了蓄电池运行状态监测及寿命预测,为通信蓄电池系统的安全运行监控、健康状态管理提供支撑。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。