基于改進FCM和ANFIS的蓄電池SOC預測算法研究.pdf

1、作為蓄電池智能管理系統(tǒng)的核心組成部分，剩余電量(State of Charge，SOC)預測為合理控制蓄電池的充放電提供了依據(jù)，有利于延長蓄電池的使用壽命。然而，由于蓄電池系統(tǒng)自身強烈的非線性，加之影響剩余電量因素的復雜性，對蓄電池的剩余電量進行實時精確預測是一具有挑戰(zhàn)性的問題。
　　針對這一挑戰(zhàn)性課題，本文在分析比較常用的傳統(tǒng)和智能的預測算法之后，選擇自適應模糊神經推理系統(tǒng)（Adaptive Network-based Fuzz

2、y Inference System，ANFIS）對蓄電池的剩余電量進行建模。ANFIS是模糊邏輯與神經網絡的結合，具有良好的模糊推理能力、自組織和自學習能力以及泛化能力。
　　但因ANFIS默認采用網格法線性劃分輸入數(shù)據(jù)，如若輸入為復雜非線性數(shù)據(jù)，勢必會造成模糊規(guī)則數(shù)的指數(shù)級增長。故而本文采用模糊C均值聚類(Fuzzy c-meansclustering，F(xiàn)CM)算法對輸入進行非線性劃分，以此降低模糊規(guī)則數(shù)和系統(tǒng)復雜度。并分別采

3、用減法聚類和共軛梯度法對傳統(tǒng)FCM和ANFIS的反向傳播(BackPropagation，BP)學習算法進行改進，建立起蓄電池剩余電量預測模型。本文完成的主要工作如下:
　　(1)采用減法聚類對傳統(tǒng)FCM進行改進。先利用減法聚類得到的聚類中心對FCM的聚類中心進行初始化，然后采用密度函數(shù)對FCM進行樣本加權。改進的聚類算法解決了傳統(tǒng)模糊C均值需要指定聚類個數(shù)、穩(wěn)定性差以及對噪聲點、錯誤點、孤立點敏感的問題，同時加快了收斂速度。

4、r>　　(2)針對ANFIS的BP學習算法收斂速度慢、易陷入局部最優(yōu)的缺點，使用Fletcher-Reeves法對其進行改進。結果證明改進后的算法具有更快的收斂速度、更高的預測準確度。
　　(3)對影響蓄電池SOC的各類因素進行了分析，確定采用放電階段的電壓、電流、溫度以及靜態(tài)內阻四個參數(shù)作為模型輸入?；诟倪M的聚類算法和改進的學習算法建立了SOC預測模型，并將此模型與基于BP神經網絡的SOC預測模型進行對比，證明本文模型具有更優(yōu)