林椿松，鄧 濤

(重慶交通大學(xué)機電與汽車工程學(xué)院，重慶 400074)

電池荷電狀態(tài)量 (state of charge，SOC)是混合動力汽車電池管理系統(tǒng)的重要指標，對電池組壽命以及能量管理策略有重要影響，因此準確估算 SOC 非常關(guān)鍵［1－5］。

SOC估算算法主要有容量積分、電池內(nèi)阻、開路電壓、卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)等方法，但是均存在缺點:容量積分法產(chǎn)生的誤差會被累積放大;開路電壓法簡單易行，但在電流波動較大時難以獲得理想的效果［6－7］。另一方面，實際應(yīng)用中電池的工作狀態(tài)可能是頻繁充、放電，電流波動較大，使用傳統(tǒng)方法難以準確預(yù)估SOC。BP神經(jīng)網(wǎng)絡(luò)由于具有較強的泛化能力，在預(yù)測方面得到了廣泛應(yīng)用［8－13］，但是簡單訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)不一定能得到全局最優(yōu)解，故需要進一步優(yōu)化?；诖耍疚耐ㄟ^神經(jīng)網(wǎng)絡(luò)建立SOC預(yù)估模型，并通過全局優(yōu)化算法——差分進化算法［14－15］優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值，得到最優(yōu)的SOC預(yù)估模型。

1 差分算法

差分進化算法(differential evolution，DE)是一種隨機全局搜索算法，其實現(xiàn)步驟與其他進化算法類似，優(yōu)點在于將一部分個體的差分信息作為個體擾動量，這樣不僅能避免因擾動量給定不合適而不能搜索到全局最優(yōu)的情況，還能自適應(yīng)調(diào)整種群搜索方向。因此，差分算法在理論上優(yōu)于其他進化算法。同時，進化過程中只需要種群差分信息，設(shè)定的參數(shù)少，流程簡單，相比其他進化算法更容易實現(xiàn)。差分進化算法標準流程如圖1所示。

圖1 差分進化算法標準流程

差分進化算法中變異的數(shù)學(xué)描述為

交叉的數(shù)學(xué)描述為

選擇策略為貪心法則，其數(shù)學(xué)描述為

2 BP-SOC預(yù)估模型

當(dāng)BP神經(jīng)網(wǎng)絡(luò)的隱藏層在3層以上時，理論上可以模擬出任何模型，結(jié)構(gòu)簡單有效，因而得到了廣泛應(yīng)用，其拓撲結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

如圖2所示，網(wǎng)絡(luò)分為輸入層、隱含層與輸出層(其中隱含層可具有多層，但是過多會導(dǎo)致計算復(fù)雜以及出現(xiàn)過擬合現(xiàn)象)。將權(quán)重與閾值結(jié)合建立模擬系統(tǒng)，計算出輸出值，再將此值與試驗輸出值對比計算出誤差，根據(jù)誤差反饋調(diào)整權(quán)值和閾值，再通過不斷學(xué)習(xí)實現(xiàn)誤差平方和最小，以此模擬真實輸出值。該方法已得到廣泛應(yīng)用，并取得很好的效果，因此將其應(yīng)用于SOC預(yù)測之中。BP-SOC預(yù)測模型從給定工況中采集電池電流、電壓、溫度及SOC值等4類數(shù)據(jù)，然后以此作為樣本數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)之中進行訓(xùn)練，最終得到能夠準確預(yù)測SOC值的BP網(wǎng)絡(luò);然后通過輸入實際電池電流、電壓與溫度值就能快速得出SOC值。由于BP模型預(yù)測精度受到初始權(quán)值與閾值的影響而不能實現(xiàn)其最佳性能，因此，將差分進化算法應(yīng)用于權(quán)值與閾值的優(yōu)化中，以期實現(xiàn)其最優(yōu)預(yù)測功能。算法流程如圖3所示。

圖3 DE-BP-SOC流程

3 試驗樣本數(shù)據(jù)采集

采用美國城市道路工況(urban dynamometer driving schedule，UDDS)作為試驗工況，采集電池電壓、電流、工作溫度以及需求功率作為網(wǎng)絡(luò)輸入量，SOC值作為輸出，建立BP神經(jīng)網(wǎng)絡(luò)SOC預(yù)測模型。將整個工況所采集的數(shù)據(jù)作原始樣本，其中前1000個作為訓(xùn)練樣本，剩下的作為測試樣本，驗證訓(xùn)練網(wǎng)絡(luò)的準確性。試驗樣本數(shù)據(jù)如圖4所示。

圖4 試驗樣本數(shù)據(jù)

4 優(yōu)化算法仿真

根據(jù)算法流程，在Matlab中編制算法代碼，其中進化種群設(shè)置為40，進化代數(shù)為60，變異常數(shù)為0.8。將采集的樣本數(shù)據(jù)代入算法中進行仿真，得到結(jié)果如圖5所示。

圖5 預(yù)測誤差與預(yù)測結(jié)果

由圖5可知:DE-BP-SOC算法預(yù)測值與試驗值變化趨勢非常接近，其誤差小于3%，預(yù)測精度已能滿足實際需要，相比于傳統(tǒng)SOC預(yù)測方法具有更高的準確性。

5 結(jié)束語

建立了一種BP-SCO神經(jīng)網(wǎng)絡(luò)SOC預(yù)測算法，并通過差分進化算法得到了全局最優(yōu)預(yù)測網(wǎng)絡(luò)。優(yōu)化結(jié)果表明，提出的算法預(yù)測效果誤差滿足需要，能進一步提高SOC預(yù)測的精度，為混合動力汽車SOC預(yù)測提供了一種有效的解決辦法。

［1］程澤，張秋艷，劉繼光.基于ICDKF的鋰電池SOC在線估計［J］.電源技術(shù)，2015(3):518－520.

［2］李國進，董第永，陳雙.磷酸鐵鋰電池的SOC預(yù)測［J］.計算機仿真，2015(3):163 －168.

［3］何代杰，王澤京，李慶東，等.微型純電動汽車電池管理系統(tǒng)的設(shè)計與研究［J］.西南大學(xué)學(xué)報:自然科學(xué)版，2012(9):136－140.

［4］仝瑞軍.動力鋰電池梯次利用的關(guān)鍵技術(shù)研究［J］.客車技術(shù)與研究，2014(3):30－32.

［5］趙孟娜，米林，馮勇.基于神經(jīng)網(wǎng)絡(luò)的二次開發(fā)電動汽車電池SOC測試軟件設(shè)計［J］.四川兵工學(xué)報，2012(3):95－98.

［6］彭濤，陳全世.并聯(lián)混合動力電動汽車的模糊能量管理策略［J］.中國機械工程，2003，14(9):77?80.

［7］周紅麗，何莉萍，鐘志華，等.電動車用電池動態(tài)性能分析及剩余容量預(yù)測［J］.計算機仿真，2008，25(1):274?277.

［8］羅建春，晁勤，羅洪，等.基于LVQ-GA-BP神經(jīng)網(wǎng)絡(luò)光伏電站出力短期預(yù)測［J］.電力系統(tǒng)保護與控制，2014(13):89－94.

［9］安艷秋，陳舉華，張洪才.基于進化神經(jīng)網(wǎng)絡(luò)的齒輪可靠性預(yù)測［J］.山東大學(xué)學(xué)報:工學(xué)版，2002(3):227－231.

［10］馬健，盛魁.基于遺傳BP神經(jīng)網(wǎng)絡(luò)組合模型的中藥銷售預(yù)測研究［J］.河北北方學(xué)院學(xué)報:自然科學(xué)版，2013(4):15－20.

［11］方一新.改進BP神經(jīng)網(wǎng)絡(luò)的EMG手指運動識別［J］.激光雜志，2014(9):92 －95.

［12］張兢，楊超，王猛.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的受精蛋自動識別方法［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2013(7):80－83.

［13］宋超，宋娟.基于遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)的短期天然氣負荷預(yù)測［J］.工業(yè)控制計算機，2012(10):82－84.

［14］董宇，楊翊仁，魯麗.應(yīng)用有限差分法的軸向流作用下壁板的失穩(wěn)分析［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2013(9):31 －34.

［15］汪慎文，丁立新，張文生，等.差分進化算法研究進展［J］.武漢大學(xué)學(xué)報:理學(xué)版，2014(4):283 －292.