王增紅，潘勇，李旭軍，雷維新，潘俊安

（湘潭大學(xué)材料與光電物理學(xué)院，湖南湘潭411105）

王增紅，潘勇，李旭軍，雷維新，潘俊安

（湘潭大學(xué)材料與光電物理學(xué)院，湖南湘潭411105）

為了實現(xiàn)對18650動力電池荷電狀態(tài)()的準確在線估算，將外界條件劃分為12種情況，研究了有效電量、電池衰老及環(huán)境溫度對電池的影響。建立了一個BP神經(jīng)網(wǎng)絡(luò)模型，在12種條件下對其進行樣本學(xué)習(xí)訓(xùn)練，建立了一種能夠適用于不同條件下的基于條件查找方法的估算模型。通過與傳統(tǒng)方法對比，證明改進的估算方法具有更好的精度和實用性。

18650動力電池；荷電狀態(tài)；BP神經(jīng)網(wǎng)絡(luò)；條件查找；有效電量

18650動力電池被廣泛應(yīng)用于電動汽車中，研究其性能對電動汽車的使用成本、節(jié)能和安全性至關(guān)重要。荷電狀態(tài)(state of charge,SOC)作為電池特性最主要的影響因素，一直是電池管理中的研究熱點。但是影響動力電池的因素很多，各因素之間關(guān)系十分復(fù)雜，且都具有時變、非線性等特點[1]。作為動力電池的內(nèi)特性，不可能直接進行測量，只能通過對電壓、電流、溫度等一些直接測量的外特性參數(shù)來估計。研究者提出了不同的方案來實現(xiàn)測量，但各種方法都有其局限性，難以實現(xiàn)在線估計[2-3]。近年來，提出了一種智能化方案來估算電池容量，適合于的在線估計，一些成功的案例通過建立神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)放電曲線的特征，證明了使用神經(jīng)網(wǎng)絡(luò)估算剩余容量的可行性[4]。這種方法的主要優(yōu)勢表現(xiàn)為學(xué)習(xí)收斂速度快、抗干擾能力強和精度高。BP神經(jīng)網(wǎng)絡(luò)是至今為止應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，具有結(jié)構(gòu)簡單、非線性強、魯棒性好、精度高等特點[5]，然而，傳統(tǒng)BP算法只是考慮了單一條件下的學(xué)習(xí)模式，在測量過程中，遇到條件改變時，所測得的值與實際值將會出現(xiàn)較大偏差。

然而，電池在正常使用過程中，總電量不是固定的，同時，為了保護電池的壽命以及確保電池處于良好的性能狀態(tài)，人們一般不會把電池使用到不能放出電量為止。

本文結(jié)合實際，研究了有效電量、電池衰老及環(huán)境溫度這3個影響電池的主要因素，建立了一個實用性強的18650動力電池動態(tài)模型，以便簡單合理地反映電池的當(dāng)前狀態(tài)及使用情況。即：

2 電池單體測試與算法模型的建立

本文以電量為1.3Ah、額定電壓為3.7V的18650動力電池單體為測試對象。圖1是電池在恒流放電過程中電壓與剩余電量的關(guān)系，當(dāng)電壓降到約3.3V時，曲線會進入到一個迅速下降的階段，俗稱“馬尾曲線”。原因是進入拐點后，電池內(nèi)部的極化阻抗增大，使電池輸出效率降低，進入過放電狀態(tài)。在過放電過程中，容易給電池的負極帶來不可逆的化學(xué)反應(yīng)，對電池壽命帶來極大的負面影響。因此在日常使用中，要盡可能避免發(fā)生過放電情況，于是將電池從拐點電壓開始放出的總電量稱為保護電量，即進入拐點后，值為0%。

圖1 恒流放電過程中電壓與剩余電量的關(guān)系

圖2是電池在常溫和不同循環(huán)次數(shù)下的充放電曲線。隨著循環(huán)次數(shù)不斷增加，電池的總電量持續(xù)下降。當(dāng)循環(huán)次數(shù)從0變化到200次時，充放電曲線吻合較好，說明這段區(qū)間內(nèi)衰老速度較小；當(dāng)循環(huán)次數(shù)大于200次后，衰老速度明顯加快；當(dāng)循環(huán)次數(shù)大于500次時，總電量不足初始總電量的1/5，電池老化嚴重。根據(jù)圖中各曲線分析，可以將循環(huán)次數(shù)對的影響劃分為0～200次、200～300次、300～400次，400～500次4個階段。

圖2 常溫不同循環(huán)次數(shù)下的充放電曲線

圖3給出了不同溫度下的電壓與放電電量關(guān)系。為了確保電池有較好的使用性能和安全性能，本文只研究了0～50℃的溫度范圍。當(dāng)外界溫度處于25℃以上時，電壓與放電電量曲線基本吻合，說明在這段區(qū)間內(nèi)電池具有良好的穩(wěn)定性。而當(dāng)溫度低于10℃后，電池性能明顯降低。這是因為在低溫狀態(tài)下，電池內(nèi)部材料的活性降低，內(nèi)阻變大，影響了電池的總電量。根據(jù)圖中各曲線分析，可以將外界溫度對的影響劃分?為0～10℃、10～25℃、25～50℃這3個階段。

圖3 不同溫度下電壓與放電電量的關(guān)系

表1 外界溫度和電池衰老對電池SOC值影響的條件劃分

BP神經(jīng)網(wǎng)絡(luò)是通過對樣本的“學(xué)習(xí)和訓(xùn)練”即可建立輸入和輸出的關(guān)系，學(xué)習(xí)過程是用算法對權(quán)值和閥值進行調(diào)整的過程；訓(xùn)練過程是對學(xué)習(xí)過的網(wǎng)絡(luò)進行傳播和誤差輸出計算，并決定是否繼續(xù)進行學(xué)習(xí)。訓(xùn)練結(jié)束后，可對于外部激勵給出相應(yīng)的輸出，因此可以實時反映電池動態(tài)特性。一組樣本數(shù)據(jù)對應(yīng)一種輸入與輸出的對應(yīng)關(guān)系，即對應(yīng)一種BP神經(jīng)網(wǎng)絡(luò)。

本文利用Matlab工具設(shè)計了一種2個輸入、1個輸出的BP神經(jīng)網(wǎng)絡(luò)模型。如表2所示，通過12種條件下采集的樣本數(shù)據(jù)分別對BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，可得到12種BP神經(jīng)網(wǎng)絡(luò)，進而得到了一種新的估算模型。

表2 BP網(wǎng)絡(luò)與外界條件的關(guān)系

3 實驗結(jié)果和討論

將電量為1.3Ah、額定電壓為3.7V的18650動力電池單體處于條件(1,1)下進行恒流放電實驗，將電壓、放電電量的實測值作為數(shù)據(jù)源樣本。從這些數(shù)據(jù)樣本中抽取數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)樣本，其中輸入為電壓和放電電量，期望輸出為該條件下考慮了有效電量對電池值影響后的值。

圖4 工作流程

圖5 均方誤差與訓(xùn)練次數(shù)的關(guān)系

圖5是均方誤差與訓(xùn)練次數(shù)的關(guān)系圖。從圖中結(jié)果可以看出，樣本數(shù)據(jù)在BP神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練時，訓(xùn)練次數(shù)不到500次時，均方誤差便小于0.0001，訓(xùn)練2000次后，均方誤差基本沒有變化，說明此次設(shè)計的改進型BP神經(jīng)網(wǎng)絡(luò)誤差收斂速度很快。

圖6是實驗測試結(jié)果與模型測試結(jié)果的對比圖，從圖6可知，實驗測試結(jié)果曲線與模型測試結(jié)果曲線基本吻合。同時，在實驗測試結(jié)果的曲線中，當(dāng)電壓小于3.35V時，值為0%，這是因為該條件下的保護電壓為3.35V，為了避免電池出現(xiàn)過放電現(xiàn)象，當(dāng)電池電壓小于保護電壓后，對應(yīng)的剩余電量為保護電量，這說明建立的估算模型實用性較強。

圖6 實驗測試結(jié)果與模型測試結(jié)果對比

在條件(1,1)下得到的樣本數(shù)據(jù)訓(xùn)練出來的BP神經(jīng)網(wǎng)絡(luò)，對應(yīng)為估算模型中的BP(1,1)，其他條件下的BP神經(jīng)網(wǎng)絡(luò)同理可得。

將循環(huán)次數(shù)為375次的電池置于30℃環(huán)境溫度下進行恒流放電實驗，將其電壓、放電電量作為測試數(shù)據(jù)源。在傳統(tǒng)方法中，是對單一條件下數(shù)據(jù)進行訓(xùn)練得到的BP網(wǎng)絡(luò)算法，即對應(yīng)為BP(1,1)神經(jīng)網(wǎng)絡(luò)。依據(jù)改進的估算方法，通過對溫度和循環(huán)次數(shù)的條件進行檢索，選取了相匹配的BP(1,2)神經(jīng)網(wǎng)絡(luò)；分別將測試數(shù)據(jù)源置入BP(1,1)和BP(1,2)進行計算，得到兩種不同的輸出結(jié)果。從圖7明顯看出，傳統(tǒng)模型下測得的曲線與實驗測試結(jié)果曲線偏離較大，說明傳統(tǒng)模型的誤差較大，而改進模型結(jié)果曲線與實驗測試結(jié)果曲線比較吻合，說明改進模型的誤差較小，從而驗證了新的估算模型具有較強的精度和實用性。

圖7 不同模型結(jié)果與實驗測試結(jié)果的對比

4 結(jié)束語

[1]PILLER S,PERRIN M,JOSSENA.Methods for state-of-charge determination and their applications[J].,2001,96(1):113-120.

[2]夏正鵬,汪興興,倪紅軍,等.電動汽車電池管理系統(tǒng)研究進展[J].電源技術(shù),2012,36(7):1052-1054.

[3]SNIHIR I,REY W,VERBITSKIY E,et al.Battery open-circuit voltage estimation by amethod of statistical analysis[J].Journal of Power Sources,2006,159(2):1484-1487.

[4]羅玉濤,張寶覺,趙克剛.基于神經(jīng)網(wǎng)絡(luò)的動力電池組辨別方法[J].電源技術(shù),2007,31(11):914-917.

[5]王偉.人工神經(jīng)網(wǎng)絡(luò)原理—入門與應(yīng)用[M].北京:北京航空航天大學(xué)出版社,1995:67-89.

Modeling and estimation study on 18650 power battery

WANG Zeng-hong,PAN Yong,LI Xu-jun,LEI Wei-xin,PAN Jun-an

In order to achieve accurate on-line estimates on state of charge()of 18650 power battery,the effective power,cell aging and temperature influence were studied,and then the ambient conditions were divided into 12 kinds of situations.Meanwhile,a BP（Back Propagation）neural networkmodel was established by training at 12 different kinds of conditions,and a conditional search basedestimationmodel was established to adapt to differentmeasurement conditions.The improved estimationmethod was of better accuracy and practicability compared with the traditionalmethod.

18650 power battery;SOC;BP neural network;conditional search;effective power

TM 912

A

1002-087 X(2014)10-1809-03

2014-03-12

湖南省科技廳項目(2012GK4008)

王增紅(1985—)，男，湖南省人，碩士研究生，主要研究方向為電池管理系統(tǒng)智能控制算法。