CC BY
30Реализованные методы дают схожие результаты по суммарной концентрации, но различное число найденных примесей.
Выводы
Предложенная программная реализация позволяет проводить потоковую обработку серии изображений и с высокой точностью распознавать наличие примесей в жидкости. Обработка серии фотоизображений (видеопоследовательности) позволит создавать системы динамического контроля уровня загрязненности жидкости. На основе результатов работы можно создавать датчики для детектирования количественного состава примесей, а при использовании методов цветокоррекции и качественного состава примесей.
Список литературы:
1. Методы компьютерной обработки изображений / под ред. В. А. Сойфера. Москва: Физматлит, 2001. 784 с.
2. John Canny. A computational approach to edge detection. Pattern Analysis and Machine Intelligence, IEEE Transactions on, (6):679-698, 1986.
3. https://docs.opencv.org/3.4/d7/d4d/tutorial_py_thresholding.html
4. COMPUTER VISION, GRAPHICS, AND IMAGE PROCESSING N30,
32-46 (1985) Topological Structural Analysis of Digitized Binary Images by Border Following. SATOSHI SUZUKI
5. David Douglas & Thomas Peucker, «Algorithms for the reduction of the number of points required to represent a digitized line or its caricature», The Canadian Cartographer 10(2), 112—122 (1973)
УДК 681.5
doi:10.18720/SPBPU/2/id21-373
Саитова Гузель Асхатовна1,
доцент, канд. техн. наук, доцент; Елизарова Анастасия Валерьевна1,
аспирант каф. ТК; Яковлев Илья Андреевич3,
студент каф. АСУ
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ОЦЕНКИ СОСТОЯНИЯ ЗАРЯДА АККУМУЛЯТОРНОЙ БАТАРЕИ НА БАЗЕ СОВРЕМЕННЫХ МЕТОДОВ
12 3
' ' Россия, г. Уфа, ФГБОУ ВО «Уфимский государственный
авиационный технический университет», 1 2 saitova@bk.ru, elizarovaanstasia@gmail.com,
3 ilya-yakovlev-1999@bk.ru
Аннотация. В процессе эксплуатации автономной системы, работающей от электроэнергии, необходимо отслеживать состояние батареи в реальном времени, чтобы учитывать оставшееся время работы системы в заданном режиме. В статье рассматриваются задачи разработки алгоритма прогнозирования состояния заряда аккумулятора, описание условий использования и функциональное представление, разработанного алгоритма, который в последующем будет применён в работе реальной автономной системы.
Ключевые слова: методы прогнозирования, автономная система, прямое измерение, Кулоновские методы, интеллектуальные системы, гибридные методы, фильтр Калмана, нейронная сеть, аккумуляторная батарея.
Guzel A. Saitova1, Associate Professor, Candidate of Technical Sciences,
Anastasia V. Elizarova 2, Graduate student of the department of TC
Ilya A. Yakovlev 3, Student of the department of ACS
DEVELOPMENT OF AN INTELLIGENT SYSTEM FOR ESTIMATING THE BATTERY STATE OF CHARGE BASED
ON MODERN METHODS
12 3
' ' Ufa State Aviation Technical University, Ufa, Russia, 1 2 saitova@bk.ru, elizarovaanstasia@gmail.com,
3 ilya-yakovlev-1999@bk.ru
Abstract. During the operation of an autonomous system powered by electricity, it is necessary to monitor the state of the battery in real time to consider the remaining operating time of the system in each mode. The article discusses the problems of developing an algorithm for estimating the state of charge of a battery, a description of the conditions of use and a functional representation of the developed algorithm, which will subsequently be applied in the operation of a real autonomous system.
Keywords, estimating methods, autonomous system, direct measurement, Coulomb methods, intelligent systems, hybrid methods, Kalman filter, neural network, battery.
Введение
Состояние заряда аккумулятора зависит от многих параметров. Их кривые разряда и заряда представляют нелинейный процесс, зависящий как от собственных химических процессов аккумулятора, так и от параметров его эксплуатации. Собственными эффектами аккумулятора, вносящих нелинейность, являются эффекты саморазряда, деградации, гистерезиса и др. Параметрами эксплуатации, от которых зависит кривая разряда, являются ток разряда, температура аккумулятора, количество циклов разряда, условия заряда и др. Для таких сложных процессов нет однозначно определённого алгоритма, который точным образом описывает поведение аккумулятора, здесь применяются сразу несколько методов.
Анализ существующих методов прогнозирования разряда аккумуляторов. Для прогнозирования разряда существуют несколько методов, которые относятся к тому или иному подходу. В общем случае для решения этой задачи применяются следующие подходы к прогнозированию [1]:
1. Прямое измерение. В этом случае прогнозирование состояния аккумулятора сводится к измерениям физических параметров аккумулятора, таких как внутренний импеданс и напряжение, и дальнейшим расчётам поведения кривой разряда по выведенным эмпирическим зависимостям. Данный подход включает в себя следующие методы:
- метод холостого напряжения. Аппроксимирует линейную зависимость между параметрами состояния заряда аккумулятора и напряжением разомкнутой цепи;
- метод напряжения замкнутой цепи. Основан на поиске линейной зависимости состояния заряда аккумулятора от ЭДС замкнутой цепи;
- метод импеданса. Применение метода основано на использовании параметров напряжения и тока для расчёта внутреннего сопротивления аккумулятора и поиске зависимости состояние заряда аккумулятора с ним;
- метод спектроскопии импеданса. Идея состоит в измерении импеданса аккумулятора на широком диапазоне частот на различных токах заряда и разряда.
2. Кулоновские методы. Подход включает в себя методы, которые для прогнозирования состояния аккумулятора используют ток разряда. Включает в себя следующие методы:
- кулоновский метод счёта. Измеряет ток разряда батареи и интегрирует разряжаемый ток на всё время разряда. Таким образом зная реальную номинальную ёмкость, можно дать оценку состоянию заряда аккумулятора;
- модифицированный Кулоновский метод счёта. Использует скорректированные токи для повышения точности прогнозирования.
3. Интеллектуальные системы. Их преимущество в том, что они имеют свойство автоматической настройки на протяжении всей эволюции системы. Включает в себя ряд методов:
- нейронная сеть на основе алгоритма обратного распространения. Алгоритм обратного распространения широко применяется для обучения нейронной сети с прямой связью;
- нейронная сеть, основанная на радиально-базисных функциях. Алгоритм, в котором в качестве функции активации используются радиально-базисные функции;
- нейронная сеть, основанная на алгоритме опорных векторов. Алгоритм, основанный на модели контролируемого обучения, который анализирует данный для их классификации и регрессионного анализа;
- нейронные сети, основанные на нечёткой логике. Алгоритм основан на математике нечёткой логике, которая использует понятие нечёткого множества;
- фильтр Калмана. Как правило для прогнозирования применяется расширенный фильтр Калмана или фильтр Калмана «без запаха».
4. Гибридные методы. Использует сразу несколько методов. Такой подход может учитывать частные случаи, которые меняют условия прогнозирования и возникает потребность использовать другой метод для
достижения максимальной точности. Данный подход включает следующие наиболее распространённые методы:
- совмещение Кулоновского счёта и методов учёта ЭДС;
- совмещение Кулоновского счёта и фильтра Калмана (расширенный фильтр Калмана или фильтра Калмана «без запаха»);
- совмещение методов Кулоновского счёта и регрессионного анализа.
В случае, когда в качестве батареи выступает не одна ячейка, а сборка последовательных и параллельных соединений батарейных ячеек, то возникает дополнительная сложность в определении гибридного алгоритма [2]. Применение тех же комбинаций метода и их метаправил для любых батарей или сборок из батарейных ячеек может привести к повышению ошибки и отразиться на точности прогнозирования состояния заряда батареи [2].
Таким образом, необходимо определять стратегию работы гибридного алгоритма и его архитектуру исходя из условий эксплуатации всей автономной системы, учитывая не только внутренние динамические характеристики аккумулятора, но и внешние факторы, например, такие как аппаратная часть, на которой будет исполняться алгоритм.
Выбор метода. Оптимальным методом будет являться метод, требующий минимальные вычислительные ресурсы и при этом выдающий результат с достаточной точностью.
В случае, когда имеются большие наборы экспериментальных данных, связь между которыми нужно установить, не прибегая к разработке сложных алгоритмических и математических архитектур, оптимальным будет применение интеллектуальных методов, которые в силу своих свойств, естественным образом определят связи между входными параметрами и позволят наблюдать приемлемую точность, которая в свою очередь зависит от полноты процесса обучения.
Таким образом, рассмотрим процесс построения алгоритма для задачи прогнозирования состояния заряда аккумулятора на примере рекуррентной нейронной сети с обратной связью.
Обучение нейронной сети. При обучении нейронной сети необходимо знать, что мы хотим получить на выходе. Также нужно точно представить обучающую выборку, чтобы получить нужный результат. Под обучением понимается процесс адаптации сети к предъявляемым эталонным образцам путем модификации (в соответствии с тем или иным алгоритмом) весовых коэффициентов связей между нейронами [3]. Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу.
При обучении нейронной сети необходимо учитывать несколько факторов.
Во-первых, если подавать на вход противоречивые данные, то нейронная сеть может вообще никогда ничему не научиться. Она будет не в состоянии понять, почему в одном случае один результат, а во втором другой. Необходимо избавиться от противоречивых данных в обучающей и тестовой выборке.
Во-вторых, количество связей между нейронами должно быть меньше количества примеров в обучающей выборке. Иначе нейронная сеть не обучится, а «запомнит» все приведенные примеры.
В-третьих, если слишком долго обучать нейронную сеть, то она может «переобучиться». Необходимо определять момент, когда процесс будет считаться завершенным.
В целом нет четких правил, как нужно обучать нейронную сеть, чтобы получить наилучший результат. Для подбора наилучших параметров обучения можно использовать, например, генетические алгоритмы.
Подготовка входных данных. Перед началом формирования обучающей выборки необходимо обеспечить ее репрезентативность и непротиворечивость данных. Итак, для корректного определения текущей величины степени заряженности аккумулятора необходимо, чтобы на вход подавались как минимум следующие данные: ток заряда/разряда аккумулятора (I, А), напряжение на клеммах литий-ионного аккумулятора в каждый момент времени (и, В), время заряда/разряда (т, с), температура, при которой проходили испытания (Т, °С), количество циклов заряда/разряда (п, шт.) [3].
Структура нейронной сети. При проектировании искусственной нейронной сети необходимо учитывать особенности архитектуры и математической модели, а также имеющихся для обучения данных. Аккумуляторная батарея - динамическая система, и для обучения имеются данные, полученные в ходе испытаний.
Исходя из того, что необходимо построить зависимость между входными параметрами для получения более точного результата (прогнозирования степени заряженности аккумулятора), была выбрана архитектура и математическая модель рекуррентной нейронной сети с обратной связью [4, 5].
Искусственная нейронная сеть должна обладать одной обратной связью, охватывающей всю нейронную сеть по всем параметрам аккумулятора. С помощью этого мы попытаемся показать искусственной нейронной сети, что изменение параметров происходит с ограниченной скоростью, а следующее значение параметров аккумуляторной батареи зависит не только от текущих значений, но и от значений предыдущего состояния.
Как правило, для формирования алгоритма нейронной сети используется по меньшей мере три слоя, включая входной слой, один или не-
сколько скрытых слоев и выходной слой. Структура нейронной сети для оценки состояния заряда аккумулятора показана на рисунке 1.
Neural Network
Hidden
Преимущество нейронной сети заключается в том, что она может работать в нелинейных условиях. Тем не менее, алгоритм должен хранить большие объемы обучающих данных, что требует не только сверхвысокой вычислительной мощности, но и большого объема памяти во всей системе.
Заключение
В работе проведен анализ существующих методов прогнозирования разрядов аккумулятора. Сформированы необходимые параметры для обучения, которые необходимо подавать на вход, обоснован выбранный тип и разработана структура рекуррентной искусственной нейронной сети с обратной связью.
Список литературы
1. Chang W. Y. The state of charge estimating methods for battery: A review //International Scholarly Research Notices. - 2013. - Т. 2013. - 8 с.
2. Zhang R. et al. State of the art of lithium-ion battery SOC estimation for electrical vehicles //Energies. - 2018. - Т. 11. - №. 7. - С. 1820. - 36 с.
3. Tang X. et al. Li-ion battery parameter estimation for state of charge //American Control Conference (ACC), 2011. - IEEE, 2011. - С. 941-946.
4. Головко В.А. От многослойных персептронов к нейронным сетям глубокого доверия: парадигмы обучения и применение. В сб.: Нейроинформатика-2015. XVII Всероссийская научно-техническая конференция с международным участием. Лекции по нейроинформатике. - НИЯУ МИФИ, 2015. - 84 с.
5. Борисевич А.В. Моделирование литий-ионных аккумуляторов для систем управления батареями: обзор текущего состояния // Современная техника и технологии. 2014. № 5 [Электронный ресурс]. URL: https://technology.snauka.ru/2014/05/3542 (дата обращения: 15.06.2021).
