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値，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。

　　4.2 激活函數：

　　BP網絡中神經元的激活函數是非線性的，且必須是連續可微和單調上升的有界函數。輸入/輸出關系也是為非線性，其值可連續變化。隱含層采用雙曲正切S型激活函數，輸出層采用線性激活函數。

　　隱含層神經元數設為i （i=8） ， 其中第i個神經元的輸出為

　　4.3 BP網絡訓練：

　　BP網絡，輸入為某一溫度值，輸出是測量電壓值的基準值，將其和實際測量的蓄電池浮充電壓値比較，若超出允許范圍則報警。

　　T代表溫度，V代表測量電壓值的基準值。

　　實際工作溫度是0oC至41oC，訓練時0至41的數據造成網絡訓練困難，所以改為-20至20，只要加上20就是實際溫度值。

　　將蓄電池制造廠提供的數據分為兩個集合，

　　訓練集（如圖3）是：

　　輸入矩陣T = -20： 2 ： 20;

　　輸出矩陣V

　　V==［14.4，14.38，14.32，14.24，14.18，14.12，14.04，13.98，13.92，13.86，13.78，13.72，13.66，13.58，13.52，13.46，13.38，13.32，13.26，13.2，13.2］;14.4，14.38，14.32，14.24，14.18，14.12，14.04，13.98，13.92，13.86，13.78，13.72，13.66，13.58，13.52，13.46，13.38，13.32，13.26，13.2，13.2］;

　　用Matlab語言編寫訓練程序，網絡訓練過程：

　　首先設定參數如下：

　　max_epoch = 30000;

　　err_goal = 0.002;

　　程序運行結果：

　　TRAINBP： 30000/30000 epochs， SSE = 0.00260954.

　　W1 =［-0.1094　-0.1207　-1.0054　-0.9631　1.5095　0.4468　1.7631　0.9540］ T

　　B1 =［-1.2748　1.2489　0.4120　0.1571　-0.6891　0.9935　-1.5833　0.0657］ T

　　W2 =［0.3228　0.2993　-0.0883　0.2113　 1.0839　-0.0217　-0.7304　-0.2670］

　　B2 =13.8159

　　UnsuCCessfully.網絡訓練不成功。

　　用得到的W1，B1，W2，B2再次訓練……直到

　　err_goal =0.0015　 successfully

　　得到：

　　W1 =［-0.1094　-0.1207　-1.0054　-0.9631　1.5095　0.4468　1.7631　0.9540］ T

　　B1 =［1.2748　1.2489　0.4120　 0.1571　-0.6891　0.9935　-1.5833　0.0657］ T

　　W2 =［0.3228　0.2993　-0.0883　0.2113　1.0839　-0.0217　-0.7304　 -0.2670］

　　B2 =13.8159

　　4.4 測試BP網絡

　　用最后得到的矩陣修改程序，然后輸入測試集數據，求出誤差

　　測試集（如圖4）是：

　　T= -19:2：21

　　V=［ 14.4，14.34，14.28，14.22，14.14，14.08，14.02，13.96，13.88，13.82，13.76，13.68，13.62，13.56，13.48，13.42，13.36，13.3，13.22，13.2，13.2］;

　　運行結果（如圖5）：

　　TRAINBP： 0/10000 epochs， SSE = 0.0942136.

　　TRAINBP： 100/10000 epochs， SSE = 0.00825354.

　　TRAINBP： 145/10000 epochs， SSE = 0.0049739.

　　測試集的SSE = 0.0942136，誤差平方和《10mV，滿足了要求。

　　5 結束語

　　由于蓄電池電壓監測模塊采用了BP網絡擬合的數據，使精確判斷蓄電池浮充電壓有了科學依據。