BP網絡在蓄電池電壓監測單元中的應用

1 蓄電池電壓監測的必要性

浮充電壓對蓄電池的容量及壽命有直接影響。高于推薦的極限浮充電壓會降低電池使用壽命及容量。低于推薦的浮充電壓會導致電池容量不足。蓄電池容量的減少將導致UPS后備時間的減少，后備時間是UPS最主要的性能指標之一。所以，需要根據實際測量的溫度調整蓄電池的充電電壓。

下面舉例說明25oC 時單體浮充電壓(v)與蓄電池壽命的關系

可見為保證電池的壽命，在環境溫度25oC時，浮充電壓應該保證在2.25v到2.30v之間，蓄電池浮充電壓偏差只能有50m V。

不同的環境溫度下，蓄電池浮充電壓不同，之間具有一一對應的非線性關系，蓄電池生產廠家可以給出一些具體數據，對于蓄電池生產廠家沒能給出的數據，應用BP人工神經網絡可以擬合出滿足精度要求的未知數值。

2 智能蓄電池電壓監測單元的構成

在當今主流UPS電源系列產品中，蓄電池電壓監測單元包括電壓監測模塊，測溫模塊，監測軟件等。它是UPS電源重要的附件，安裝在電池柜中(如圖1)。BVM采用巡檢的方式可以進行單電池電壓監測，每組電池共同使用一個BVM單元，測量數據通過RS485總線上傳，經RS485/RS232轉換器送到PC機串口，有效地實現了在線監測蓄電池組中每個單體蓄電池性能的均衡性，為保障每節電池良好的供電性能提供檢測依據，能準確的檢測出蓄電池組中的落后電池。

圖1智能蓄電池監測系統

BVM由51單片機和A/D轉換器等組成，通過A/D轉換器將測量電壓值與溫度值都送入單片機中。單片機EEPROM中存放表格，表中的記錄是蓄電池浮充電壓與環境溫度一一對應的非線性關系。通過查表的方式比較，在某一溫度值下比較表中的電壓值和實際測量的蓄電池浮充電壓,若超出設定范圍則報警。

3　BP網絡的作用

具有偏差和至少一個S型隱含層加上一個線性輸出層的BP人工神經網絡能夠逼近任何有理函數。由于溫度和浮充電壓間的關系不會突變，所以通過BP人工神經網絡的運算, 可以得到平滑的溫度-浮充電壓曲線。在廠家只提供少量數據且未知函數表達式的情況下就可以高精度地預測出所有未知數據。所以通過BP人工神經網絡的運算可以精確地得到溫度和浮充電壓關系曲線上的所有數值。

4 BP網絡的設計與訓練

4.1 網絡結構：

BP網絡是典型的多層網絡，分為輸入層，隱含層，輸出層，層與層之間采用全互聯方式，同一層神經元之間不存在相互連接(如圖2)。

因為輸入輸出各是一組數據，所以采用輸入層一個神經元，輸出層一個神經元;設輸入矩陣為T，輸出目標矢量為V 。

關鍵在于如何選取隱含層的神經元數。隱含層的神經元數不能太少，否則網絡不能很好地學習，需要訓練的次數太多，訓練精度也不高。一般而言網絡隱含層神經元數越多功能越強，但也不能太多，通常如果能夠解決問題，再加上一兩個神經元以加快誤差的下降速度。

經驗公式有兩個：

其中S1是隱含層的神經元數;

r是輸入層的神經元數;s是輸出層的神經元數;

S1=4*1+1*1= 5個神經元　　或者

經反復試驗決定采用8個神經元, S1=8。