Derin öğrenme ve kuantum genetik algoritmaya dayalı pil SoC tahmin yöntemi üzerine araştırma
Hou Pengfei, Wang Jinquan, Xu Ye, Li Jianke, Yan Jun
(Ulusal Savunma Mühendisliği Koleji, PLA Bilim ve Teknoloji Üniversitesi, Nanjing 210007, Jiangsu)
: Enerji depolama bataryasının şarj durumu bataryanın önemli bir özelliğidir.Yüzey öğrenme algoritmalarının eksikliklerine yönelik olarak, tahmin sonuçlarının doğruluğunu artırmak için derin öğrenme teorisi ve kuantum genetiğini birleştiren bir algoritma önerilmiştir. Algoritma, örnekten otomatik olarak daha soyut ve anlamlı özellikler çıkarabilir ve giriş ve çıkış verileri arasındaki karmaşık doğrusal olmayan eşleştirmeyi gerçekleştirebilir; kuantum genetik algoritması, her bir RBM çıktı tahmininin ağırlığını otomatik olarak optimize eder ve elde eder. Pil SoC eğitim örnekleri ve test örneklerinin tahmini ve BP eğitim ağının tahmin sonuçlarıyla karşılaştırılması yoluyla, bu makalede önerilen DBN QGA algoritma ağının daha yüksek tahmin doğruluğuna sahip olduğu sonucuna varılmıştır.
: Derin öğrenme; kuantum genetiği; pil; şarj durumu; tahmin yöntemi
: TP183 Belge Tanımlama Kodu: ADII: 10.19358 / j.issn.1674-7720.2017.08.017
Alıntı biçimi : Hou Pengfei, Wang Jinquan, Xu Ye ve diğerleri.Derin öğrenmeye ve kuantum genetik algoritmaya dayalı pil SoC tahmin yöntemi üzerine araştırma J. Mikrobilgisayar ve Uygulama, 2017,36 (8): 51-55.
0 Önsöz
Enerji depolama bataryasının çalışma durumu elektrolit, elektrot, sıcaklık ve şarj ve deşarj akımı ile ilgilidir ve oldukça karmaşık doğrusal olmayan bir sistemdir. Sinir ağı, girdi-çıktı ilişkisini kurmak için örnek verileri kullanabildiğinden, girdi ve çıktı arasında net bir ilişkiye ihtiyaç duymaz ve güçlü bir doğrusal olmayan haritalama yeteneğine sahiptir ve kademeli olarak karmaşık fonksiyonların durum tahminine uygulanır. Destek vektör makine modeli, maksimum entropi modeli, gizli Markov modeli gibi, bu modeller çoğunlukla sığ öğrenme yöntemleridir ve yapıları, gizli düğümlerin bir katmanı olarak düşünülebilir veya gizli katman düğümleri olmayabilir, bu sığ öğrenme yapısının sınırlamaları Avantajı, sınırlı örnekler ve hesaplama birimleriyle karmaşık fonksiyonları karakterize etmenin zor olması ve karmaşık problemlerle karşılaşıldığında genelleme yeteneğinin kısıtlanmasıdır [1-5].
Şu anda, BP sinir ağı pil SoC tahminine kademeli olarak uygulanmaktadır. Zhao Xuan ve arkadaşları [6] bir pil SoC tahmin modeli oluşturmak için BP ağını kullandı; Yin Andong ve arkadaşları [7] LM (Levenberg-Marquardt) algoritmasına dayalı bir lityum demir fosfat pil kurdu. BP sinir ağı modeline dayanarak ve pilin SoC değerini tahmin ettiler; Mi Lin ve arkadaşları [8], elektrikli araç güç pillerinin SoC tahmini için bir model oluşturmak için radyal temel işlevli sinir ağı yöntemini kullandılar; Liu Zhengyu ve diğerleri [9] kuantum tabanlı bir Parçacık Sürüsü Optimizasyonunun (QPSO) Geri Yayılma (BP) sinir ağı modeli, lityum iyon pillerin şarj edilmesi ve boşaltılması sırasında herhangi bir durumda SoC'yi tahmin etmek için kullanılır. BP ağ modeli çok katmanlı bir algılayıcı olarak adlandırılsa da, aslında yalnızca bir gizli düğüm katmanına sahip sığ bir modeldir. Algoritma bir giriş katmanı, birkaç gizli katman ve bir çıktı katmanı içerir. Her katman düğümünün çıktısı yalnızca etkiler Bir sonraki düğüm katmanında, aynı katmanın düğümleri arasında bağlantı yoktur ve katmanlar çoğunlukla birbirine bağlıdır, ancak algoritmanın ağ hata işlevi veya enerji işlevi alanı, birden çok minimum noktaya sahip doğrusal olmayan bir uzaydır ve algoritma arar Yönü, ağ hatasının veya enerji azaltmanın yönüdür, bu nedenle genellikle yerel minimuma yakınsar ve ağ katmanları ne kadar fazlaysa yerel yakınsama o kadar şiddetli olur.
Derin Öğrenme, örneklerden otomatik olarak daha soyut ve anlamlı özellikler çıkarabilen ve girdi ve çıktı verileri arasında karmaşık doğrusal olmayan eşleştirme elde edebilen, yakın zamanda geliştirilmiş bir örüntü tanıma teknolojisidir. BP sinir ağı ve destek vektör makinesi gibi geleneksel sığ öğrenme yöntemleriyle karşılaştırıldığında, derin öğrenmenin özellikleri aşağıdaki yönlerde yansıtılır: (1) Modelin derinliğine odaklanın, genellikle 3 katmandan fazla yapı ile; (2) Özellik öğrenmeyi açıkça vurgulayın Katman katman özellik dönüşümü yoluyla, numunenin orijinal uzaydaki özellik temsilinin önemi, yeni bir özellik uzayına dönüştürülerek sınıflandırma veya tahmini kolaylaştırır. Şu anda, derin öğrenme teorisinin uygulanması, Derin İnanç Ağlarını (DBN) [10], Evrişimli Sinir Ağlarını (CNN), gürültüden arındırıcı otomatik kodlayıcıları ve derin Boltzmann makinelerini (Deep Boltzmann) içermektedir. Makine, DBM) ve diğer algoritmalar esas olarak konuşma ve görüntü tanımada, sözdizimsel analizde, metin içeriğinde vb. Kullanılır. Bazı araştırmacılar bunları mekanik arıza teşhisi alanına tanıttı, ancak enerji depolama sistemi SoC tahmini araştırmasında derin öğrenme kullanılır. Çok az.
1DBN-QGA algoritma tasarımı
Derin öğrenme teorisine dayanan mevcut uygulama sisteminde, DBN yaygın olarak kullanılan bir öğrenme yapısıdır ve temelde çok katmanlı sınırlı Boltzmann makinesi (RBM) ve denetimli bir ağ katmanından oluşur. DBN Çok sayıda örnekten girdi ve çıktı verileri arasındaki doğrusal olmayan eşleme ilişkisini etkili bir şekilde öğrenebilir. Bununla birlikte, derin bir sinir ağı olarak, DBN'nin çıktı sonucu kaçınılmaz olarak belirli bir rasgelelik derecesine sahiptir. DBN çıktı sonuçlarının güvenilirliğini ve kararlılığını geliştirmek için, bu makale Kuantum Genetik Algoritmasını (QGA) kullanarak, enerji depolama bataryası SoC'nin tahmin doğruluğunu iyileştirmek için çoklu DBN diyagramları 1DBN-QGA algoritmasının çıktı sonuçlarını uyarlamalı olarak ağırlıklandırıyor. Buna dayanarak, bu makale Şekil 1'de gösterildiği gibi bir DBN-QGA ağ modeli önermektedir.
Kuantum genetik algoritmasına dayalı olarak, ağırlıklı ortalama tekniği, her bir DBN ağının çıktı verilerini hesaplamak için kullanılır:
= N, k = 1wkk, k = 1,2, ... N
Nk = 1wk = 1, wk0 (1)
Formülde N, DBN sayısıdır; k, kinci DBN'nin çıktı sonucudur; wk, kinci DBN'ye atanan ağırlıktır.
Şekil 1'de gösterilen algoritmada giriş verisi bataryanın voltajı ve akımıdır.N DNB'lerden sonra N SoC tahminleri elde edilir.Kantum genetik algoritmasına göre N ağırlıklı değerler w elde edilebilir ve son olarak ağırlıklı SoC çıktıdır.
2DBN ağ yapısı
DBN, birden çok gizli katmandan ve bir BP ağı katmanından oluşur. İki bitişik gizli katman bir RBM oluşturur ve yapısı Şekil 2'de gösterilir. Şekilde, v ve h Şekil 2DBN ağ yapısı diyagramı sırasıyla görünür katmandaki ve gizli katmandaki düğüm değerini temsil eder ve w, iki katman arasındaki ağırlığı temsil eder.
DBN'nin eğitim süreci şu şekildedir: İlk olarak, ağ parametrelerinin başlangıç değerlerini elde etmek için RBM katmanında denetimsiz ön eğitim gerçekleştirmek için açgözlü algoritmayı kullanın; ardından, tüm ağ parametrelerinde ince ayar yapmak için BP algoritmasını kullanın.
DBN eğitim süreci Şekil 3'te gösterilmektedir. Tüm eğitim süreci aşağıdaki adımlara bölünmüştür:
(1) Ağ katmanı numarasını, gizli katman birim numarasını ve diğer parametreleri ayarlayın ve tüm DBN'nin ağ parametrelerini rasgele olarak başlatın.
(2) Eğitim örneğini ilk RBM'ye girin, RBM'yi eğitmek için CD algoritmasını kullanın ve ağ parametrelerini kaydedin.
(3) Tüm RBM'ler eğitilene kadar sonraki RBM'yi eğitmek için bir sonraki RBM'nin gizli katman çıktısını giriş verileri olarak kullanın. Denetimsiz ön eğitim yoluyla, tüm DBN'nin ağ parametreleri elde edilebilir.
(4) Denetimli eğitim için BP ağının son katmanını kullanın ve ayarlanmış DBN ağ parametrelerini elde etmek için her katmanın RBM'sini tersten ayarlayın.
Şekil 3'ten görülebileceği gibi, DBN ağının eğitim sürecinde, RBM eğitiminin çekirdek olduğu görülmektedir.RBM'nin katman katman eğitimi sayesinde, DBN ağ parametrelerinin başlatılması gerçekleştirilmektedir. Bu ağ parametreleri optimal olmasa da, genellikle Optimal değere yakın olarak, sınıflandırıcıyı eğitirken ağ parametrelerinin rastgele başlatılması nedeniyle BP algoritmasının yerel optimal ve uzun eğitim süresine düşmesini etkili bir şekilde önleyebilir.
3RBM kendi kendine eğitim
RBM, Smolensky tarafından 1986 yılında önerilen enerji modeline dayalı bir tür rastgele sinir ağıdır ve yapısı Şekil 4'te gösterilmektedir. RBM, 1 görünür katman ve 1 gizli katman içerir.Bunlardan, görünür katman ve gizli katman simetrik ve çift yönlü olarak bağlanır ve aynı katmandaki birimler arasında bağlantı yoktur.Gizli ünite, giriş görünür ünitesinin üst sırasını elde edebilir Alaka düzeyi ve tüm birimlerin durumu ikili bir değişim grafiğidir 4RBM yapısı grafik miktarı, yalnızca 0 veya 1 alabilir.
RBM için, görünür katman v ve gizli katman h'nin belirli bir durumda olma olasılığı aşağıdaki enerji işlevi tarafından belirlenir:
E (v, h) = - iaivi jbjhj i, jvihjwij (2)
Formülde, vi ve hi, sırasıyla görünür birim i ve gizli birim j'dir, wij, görünür birim vi ile gizli birim hj arasındaki bağlantı ağırlığıdır ve aj ve bj, karşılık gelen önyargılardır.
Enerji fonksiyonuna dayalı görünür katman v ve gizli katman h'nin ortak olasılık dağılımı p (v, h) şu şekilde ifade edilebilir:
Formülde, Z = v, hexp (E (v, h)) normalleştirme faktörüdür.
Bu nedenle, RBM'nin görünür katman v'ye atanma olasılığı (v):
RBM'de, aynı katmandaki birimler arasında bağlantı olmadığından, gizli birim hj'nin koşullu olasılık dağılımı şöyledir:
Aynı şekilde, vi görsel biriminin koşullu olasılık dağılımı:
(vj = 1 | h) = (ai + jhiwij) (6)
Formülde (x) = 1 / (1 + exp (-x)) Sigmoid fonksiyonudur.
RBM'nin eğitim amacı, üretken ağırlıkları elde etmektir ve w, görünür katman ile gizli katman arasındaki ağırlıkları temsil eder. RBM genellikle = {wij, ai, bj} ağ parametrelerini elde etmek için Hinton tarafından önerilen CD algoritmasını kullanır. Spesifik süreç Şekil 5'te gösterilmektedir. Spesifik adımlar aşağıdaki gibidir:
(1) Eğitim sürelerinin sayısı ve örnek alt kümelerin sayısı gibi parametreleri ayarlayın ve RBM'nin ağ parametrelerini rasgele olarak başlatın;
(2) i-inci örnek alt kümesi için birden fazla tur eğitin ve her eğitim tamamlandıktan sonra maksimum eğitim süresi sayısına ulaşılana kadar ağ parametrelerini güncelleyin;
(3) Tüm örnek alt kümeler eğitilene kadar, sonraki örnek alt kümesini (2) adımının yöntemine göre eğitin, RBM'nin ağ parametrelerini kaydedin ve eğitimi sonlandırın.
4DBN-QGA algoritması SoC'yi tahmin eder
DBN-QGA algoritma akışına göre MATLAB yazılımında programlayın, deneyde elde edilen pil voltajı ve akım verilerini programa aktarın ve algoritmayı önceden eğitmek için ilgili eğitim örneklerini ve test örneklerini seçin.
MATLAB M dosya platformuna dayanarak, RBM eğitim sürecini, DBN eğitim sürecini ve QGA optimizasyon algoritmasını sırayla programlayın. Belirli adımlar aşağıdaki gibidir:
(1) Ağ yapısını belirleyin
DBN ağının gizli katmanları ne kadar fazla olursa çıktı sonuçları o kadar ayrıntılı olur, ancak eğitim süresi o kadar uzun olur.Bu makale DBN ağının gizli katmanlarının sayısını 4 olarak belirler, yani ağ yapısı 4 RBM içerir ve eğitim sayısı 50 olarak ayarlanır, Örnek alt kümelerin sayısı 20'dir.
(2) Eğitim örneği toplama
Eğitim verilerinin ve test verilerinin hazırlanması, bir derin öğrenme ağ modeli elde etmenin anahtarıdır. Makul bir eğitim örneği, ağ modelinin doğruluğunu sağlayabilir. Genellikle eğitim örneğinin tüm çalışma aralığını kapsaması ve önemli sayıda örnek gerektirmesi gerekir. Numune seti hazırlığı, giriş örneklerinin ve çıkış örneklerinin alınmasını içerir Giriş örnekleri esas olarak akü terminal voltajı ve deşarj akımıdır ve çıkış, akünün statik şarj durumudur. Test edilen pil verilerine göre lityum demir fosfat pilin deneysel verilerini örnek olarak alın, şarj ve deşarj için 7,5 A, 12,5 A, 20 A, 25 A, 37,5 A, 62,5 A, 75 A, 100 A, 125 A, toplam 9 akım seçin Veriler ağ eğitim örneği olarak kullanılır ve 50 A şarj ve deşarj akımına sahip deneysel veriler test örneği olarak seçilir. Belirli bir akım altındaki deneysel veriler tek bir örneğe karşılık gelir ve 9 akıma karşılık gelen tek örnekler bir örnek set oluşturur.
(3) Örnek verilerin normalleşmesi
Örnek, farklı boyutlarda voltaj ve akım olmak üzere iki değişken içerir.Her bir değişkenin büyüklük farkını ortadan kaldırmak ve giriş ve çıkış verilerinin büyüklüğündeki büyük farktan kaynaklanan büyük ağ tahmin hatalarını önlemek için örnekler normalleştirilir. Bu makale, voltaj ve akım değişkenlerini normalleştirmek için maksimum-minimum yöntemi kullanır ve statik SoC, veri işlemeden 0 ila 1 aralığına sahiptir.
j = uj uminumax umin
i ^ j = ij iminimax imin (7)
Bunlar arasında: umax, umin, imax, imin, tek bir örneğin maksimum ve minimum voltajı ve akımıdır.
5 Algoritma doğrulama
Lityum demir fosfat pilin şarj ve deşarj akımı 20 A olduğunda eğitim örneğini ve doğrulama için 50 A pil kullanıldığında test örneğini seçin.
(1) Eğitim örneklerini doğrulayın
Eğitim numune seti, 20 A şarj ve deşarj akımına sahip deneysel veriler içerir.Ağın eğitilen numuneler üzerindeki etkisini değerlendirmek için, 20 A şarj ve deşarj verileri hala test numunesi olarak seçilir ve şarj verileri ve deşarj verileri test giriş numuneleridir. Deşarj statik SoC değeri test sonucudur ve doğrulama sonucu Şekil 6'da gösterilmektedir.
Bu yazıda önerilen algoritmanın doğruluğunu doğrulamak için, yaygın olarak kullanılan BP eğitim ağı ile karşılaştırılır. BP ağının eğitim örnekleri üzerindeki doğrulama sonucu Şekil 7'de gösterilmektedir.
Şekil 6 ve Şekil 7'den görülebileceği gibi, DBN-QGA algoritma ağı, eğitilmiş örneklerin çıktısını tahmin ettiğinde, temelde hedef çıktıyla tutarlıdır.Maksimum şarj hatası% 1,4, maksimum boşaltma hatası% 1,3'tür ve BP ağı eğitim sonuçları hatası Açıkçası, maksimum şarj hatası% 11,2 ve maksimum boşaltma hatası% 9,83'tür Bu nedenle, bu makalede önerilen algoritma ağı öğrenilen verileri daha iyi tahmin edebilir.
Sinir ağının başlangıç değerinin belirsizliğinden dolayı, ağ doğrulamasının sonuçlarının her seferinde farklı olduğunu, ancak farkın büyük olmadığını belirtmek gerekir.Örnek tahmini değer sabit değildir. Yukarıdaki hata analizinde, BP eğitim ağı yalnızca bir kez seçilir Doğrulama sonucu.
(2) Test örneğini doğrulayın
Algoritma ağının eğitim örnek seti, şarj ve deşarj akımı 50 A olduğunda tek bir örnek içermez. Tek bir örneğin gerilim verileri ve akım verileri test giriş örnekleri olarak seçilir ve ilgili statik SoC deneysel değerdir.Doğrulama sonucu Şekil 8'de gösterilmiştir. Göstermek.
Ayrıca yaygın olarak kullanılan BP eğitim ağı ile karşılaştırılır. BP ağının test örneğindeki doğrulama sonucu Şekil 9'da gösterilmektedir.
Şekil 8 ve Şekil 9'dan görülebileceği gibi, DBN-QGA algoritma ağı eğitilmemiş örneklerin çıktılarını tahmin ettiğinde hedef çıktıyla daha tutarlıdır.Maksimum şarj hatası% 1,2 ve maksimum boşaltma hatası% 1'dir; BP ağı eğitim sonucu ise Hata büyük, maksimum şarj hatası% 8,3 ve maksimum boşaltma hatası% 6,4'tür. Açıkçası, bu makalede oluşturulan eğitim ağı eğitimsiz verileri iyi tahmin edebilir ve ağın iyi bir genelleme performansı vardır.
6. Sonuç
Enerji depolama pillerinin şarj durumu tahmini, pratik uygulamalarda önemli bir parametredir.Bu makale, bir DBN-QGA algoritma ağı oluşturmak için derin öğrenme ve kuantum genetik algoritmaları birleştirir, algoritmanın tasarım sürecini açıklar ve DBN ağ yapısını ve RBM kendi kendine eğitimi kurar. Süreç, kuantum genetik algoritması, önerilen algoritma, numuneden otomatik olarak daha soyut ve anlamlı özellikleri çıkarabilir. Eğitim örneklerinin ve test örneklerinin tahmin edilmesi ve BP eğitim ağının tahmin sonuçlarının karşılaştırılması yoluyla, bu makalede önerilen DBN-QGA algoritması, tahmin sonuçlarının doğruluğunu ve doğruluğunu geliştirir ve yüzeysel öğrenme algoritmalarının eksikliklerini iyileştirir.
Referanslar
1 He Hongwei, Xiong Rui, Fan Jinxin Deneysel bir yaklaşımla şarj durumu tahmini için lityum iyon pil eşdeğer devre modellerinin değerlendirilmesi J. Energies, 2011, 4 (4): 582-598.
2 CHARKHGARD M, FARROKHI M. Sinir ağları ve EKF J. IEEE İşlemleri Endüstriyel Elektronikler kullanan lityum iyon piller için şarj durumu tahmini, 2010, 57 (12): 4178-4187.
3 SANTHANAGOPALAN S, BEYAZ R E. Yüksek güçlü lityum iyon hücreler için kokusuz bir filtre kullanarak şarj durumu tahmini J. International Journal of Energy Research, 2010, 34 (2): 152-163.
4 Yin Hongyi. Derin öğrenmeye dayalı şizofreninin EEG analizi J. Mikrobilgisayar ve Uygulama, 2016, 35 (6): 54-57.
[5] Wu Zhou, Cao Wei, Ağ Öğrenme Sisteminde Uyarlanabilir Algoritmanın Uygulanması Araştırması J. Mikrobilgisayarlar ve Uygulamalar, 2015, 34 (24): 28-31.
[6] Zhao Xuan, Kang Liuwang, Wang Guiping, ve diğerleri BP sinir ağına dayalı SOC tahmini ve kurşun-asit pil özellikleri J. Güç Kaynağı Teknolojisi, 2014, 38 (5): 874-878.
7 Yin Andong, Zhang Wanxing, Han Zhao, ve diğerleri Sinir ağına dayalı lityum demir fosfat pilin SOC tahmini üzerine araştırma J. Journal of Electronic Measurement and Instrument, 2011, 25 (5): 433-437.
8 Lin Mi, Zhao Mengna, Qin Jialei, ve diğerleri.Elektrikli araç güç bataryası SOC modeli, radyal tabanlı işlevli sinir ağına dayalı J. Journal of Chongqing University of Technology (Natural Science), 2011, 25 (10): 1-5.
[9] Liu Zhengyu, Yang Junbin, Zhang Qing, vb. Lityum pil SOC tahmini, QPSO_BP sinir ağına dayalı J. Journal of Electronic Measurement and Instrument, 2013, 27 (3): 224-229.
10 Fu Zhumu, Zhao Rui. Gelişmiş dalgacık sinir ağına dayalı HEV için lityum iyon güç pilinin SOC tahmini J. Journal of Southeast University (English Edition), 2012, 28 (3): 299-304.
