丁愛佳，鄒　黎，亓建英，張　威(山東理工大學(xué)電氣與電子工程學(xué)院，山東淄博255049)

基于BP算法的氫鎳電池充電均衡策略

丁愛佳，鄒黎，亓建英，張威
(山東理工大學(xué)電氣與電子工程學(xué)院，山東淄博255049)

為了提高電動車的使用壽命，改善電池組的工作性能，在對典型的電壓均衡控制和荷電狀態(tài)均衡控制進(jìn)行理論分析的基礎(chǔ)上，提出了基于變步長的反向傳播誤差(back propagation，BP)神經(jīng)網(wǎng)絡(luò)及200 Ah氫鎳電池小電流均衡控制策略。該均衡方法采用大電流充電和小電流均衡，考慮了充電過程中的析氣與復(fù)合。對電池組進(jìn)行的模擬仿真結(jié)果表明，電壓檢測精度得到提高，具有良好的均衡效果和均衡速度。

電動車電池；充電均衡策略；小電流均衡；BP算法

隨著化石能源的日趨減少和環(huán)境污染的加劇，電動汽車在各國得到廣泛的推廣和應(yīng)用。氫鎳電池具有高容量、大功率、無污染等優(yōu)點，然而單體電池的自放電特性和使用過程中的差異性使得電池組中各個單體電壓不一致，電壓最低的單體電池決定電池組可用容量，從而影響電池組的使用效率，長此以往將損害電池組壽命。因此，對電池組中的單體采取適當(dāng)?shù)木獯胧┦请姵毓芾硐到y(tǒng)(battery management system，BMS)的重要任務(wù)之一[1]。

目前，電壓均衡法是均衡措施中應(yīng)用最為廣泛的。傳統(tǒng)電壓均衡電路在充電時對各單體電壓進(jìn)行監(jiān)視，同時將監(jiān)測值與設(shè)定的電壓閥值進(jìn)行比較，如果超過閥值，則啟動對應(yīng)單體的均衡電路，通過電阻將多余的能量釋放掉。該均衡電路價格低廉、可靠性高，但是效率低下，且存在熱管理和能量浪費等問題[2]。單體電池的荷電狀態(tài)(state of charge，SOC)是表征電池狀態(tài)的另一重要參數(shù)，SOC均衡的重點是對電池組中的單體電池進(jìn)行SOC估算。傳統(tǒng)估算方法主要有安培時間積分法(即安時法)、開路電壓測量法、內(nèi)阻測量法及神經(jīng)網(wǎng)絡(luò)法。利用安

本文試圖避開電壓均衡電路效率低、SOC均衡中荷電狀態(tài)難以精確預(yù)測等問題，應(yīng)用改進(jìn)后的反向傳播誤差(back propagation，BP)算法，并將該算法應(yīng)用到小電流均衡充電，改善電壓均衡的效果。

1 電壓均衡控制

通過對充電中各單體電池電壓的檢測來判斷是否過充，如果過充，通過微機(jī)和顯示設(shè)備的配合，完成電壓均衡工作。在高功率電池中，適宜采用非耗能型電壓均衡電路。圖1所示是一種分布式拓?fù)浣Y(jié)構(gòu)Buck/Boost變換電路，圖中：VT1～VT4為場效應(yīng)管MOSFET，VD1～VD4為續(xù)流二極管，L1～L2為均衡電感。其基本原理為：通過控制開關(guān)，將超過電壓閥值的電池多余能量存儲到對應(yīng)電感中，同時電感通過續(xù)流二極管將自身能量傳遞到相鄰電池中去。因此，電感起到了能量傳遞作用，從而提高了能量利用率。

圖1　Buck/Boost變換電路

單體電池電壓均衡分為兩步：(1)高電壓單體電池對電感充電；(2)電感對相鄰單體電池放電[7]。為了詳細(xì)說明該變換電路的詳細(xì)工作原理，以圖2中電池B1、B2為例。假設(shè)檢測到B1過充，則微機(jī)控制VT1導(dǎo)通，將B1的部分電量轉(zhuǎn)移到L1中，同時L1經(jīng)續(xù)流二極管VD2向B2充電，如果B2過充，則控制VT3導(dǎo)通，B2向電感L2充電，最終實現(xiàn)單體電池B1、B2的電壓均衡。

圖2　電感充放電原理

控制VT1導(dǎo)通、VT2關(guān)斷，此時單體電池B1經(jīng)過VT1向電感L1充電，并且充電電流由零不斷增加。由于實際電感存在線圈內(nèi)阻，因此充電等效電路如圖2(a)所示，圖中R10為電感線圈內(nèi)阻，L10為電感實際電感量，i為電感L10的充電電流，E為電池電勢。電感L初始能量為零，即i0-=0，則對應(yīng)充電表達(dá)式為：

式中：t為時間常數(shù)，其計算公式為：

可以近似認(rèn)為經(jīng)過時間3t以后電感充電完全，選擇合適電感使t控制在較小的數(shù)值以內(nèi)，從而實現(xiàn)快速均衡目的。

單體電池B1在對電感L1充電的同時，電感L1經(jīng)過續(xù)流二極管VD2向單體電池B2充電，等效電路如圖2(b)所示。電感L的放電初始電流為I'，二極管VD2的正向?qū)▔航禐閂d，則此時的充電表達(dá)式為：

采用分布式電壓均衡控制，以采集到的各單體電池電壓數(shù)據(jù)為判斷依據(jù)。然而，單體電池的電壓與溫度的變化總是滯后于內(nèi)壓的變化，且控制電路過于復(fù)雜。

2 SOC均衡控制

SOC是指單體電池的剩余容量與實際總?cè)萘康谋戎担磉_(dá)式為：

式中：Qr為單體電池剩余容量；Qa為單體電池對應(yīng)條件下的額定總?cè)萘俊?/p>

影響SOC的因素有很多，包括電流、電壓、溫度、內(nèi)阻及內(nèi)壓等。SOC均衡的關(guān)鍵是構(gòu)建一個數(shù)學(xué)模型對荷電狀態(tài)進(jìn)行快速準(zhǔn)確預(yù)測。

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)通過一定時間的學(xué)習(xí)和訓(xùn)練，能夠解決復(fù)雜、不確定、非線性系統(tǒng)的建模和處理問題。人工神經(jīng)網(wǎng)絡(luò)分很多種，包括單神經(jīng)元網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)及模糊神經(jīng)網(wǎng)絡(luò)等，目前用得較多的是BP神經(jīng)網(wǎng)絡(luò)。

對于串聯(lián)電池組而言，所有電池充電電流是相同的，而各單體電池充電過程中的電壓變化量、內(nèi)阻及溫度是不同的。因此，BP神經(jīng)網(wǎng)絡(luò)輸入層源節(jié)點 x1、x2、x3及 x4分別為：

應(yīng)用于電池組的BP神經(jīng)網(wǎng)絡(luò)模型如圖3所示，網(wǎng)絡(luò)總共四層，w為層與層之間的連接權(quán)，輸出層有激活函數(shù)以限制輸出。通過輸入訓(xùn)練樣本得到期望輸出，在網(wǎng)絡(luò)末端將期望輸出與實際輸出作比較得到誤差信號e，根據(jù)誤差對網(wǎng)絡(luò)中的連接權(quán)值進(jìn)行修正，使誤差趨向最小。利用訓(xùn)練后的網(wǎng)絡(luò)根據(jù)測得的電池各物理參數(shù)可以實現(xiàn)對SOC較為精確的預(yù)測。

圖3　應(yīng)用于電池組的BP神經(jīng)網(wǎng)絡(luò)模型

采用BP神經(jīng)網(wǎng)絡(luò)算法能夠?qū)崿F(xiàn)對單體電池SOC的實時預(yù)測，但是Eoi是無法即時測量的，且BP學(xué)習(xí)算法存在收斂速度慢和存在局部極值的缺點，因此必須對BP算法進(jìn)行改進(jìn)。

3 基于BP神經(jīng)網(wǎng)絡(luò)的小電流均衡法

在BP算法中，學(xué)習(xí)率參數(shù)η不易選擇，選擇太小，收斂太慢，選擇太大，容易引起振蕩甚至發(fā)散。為解決這個問題，提出如下的變步長方法，表達(dá)式為：

其中：

式中：sgn為符號函數(shù)，ε(n)為網(wǎng)絡(luò)訓(xùn)練的代價函數(shù)，當(dāng)連續(xù)兩個時刻代價函數(shù)減小時，l值為1，學(xué)習(xí)率參數(shù)增大一倍；否則，l值為0，步長維持上一時刻步長不變。對不同的連接權(quán)采用不同的學(xué)習(xí)率參數(shù)，代價函數(shù)的誤差曲面在不同的方向上按照各自較合理的步長向極小點趨近[8]。

由于單體電池的開路電壓Eoi無法在線進(jìn)行檢測，本文改用單體電池內(nèi)壓替換內(nèi)阻作為SOC預(yù)測的參數(shù)之一。將BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到均衡系統(tǒng)控制中，均衡效果極佳，并且能夠大大縮短均衡所需的時間。

本文使用的是200 Ah/1.2 V氫鎳單體電池，采用如圖4所示的充電均衡系統(tǒng)結(jié)構(gòu)，系統(tǒng)由氫鎳動力系統(tǒng)、車載檢測系統(tǒng)、充電控制模塊和充電均衡系統(tǒng)組成。車載檢測系統(tǒng)包括單體電池數(shù)據(jù)采集系統(tǒng)、總線通訊模塊、ECU電池采集系統(tǒng)和CAN通信系統(tǒng)，其中單體數(shù)據(jù)電池采集系統(tǒng)由電壓信號采集模塊、電流信號采集模塊、溫度信號采集模塊和壓力信號采集模塊組成。充電均衡系統(tǒng)與車載管理系統(tǒng)相互通信，直接借助車載檢測系統(tǒng)實現(xiàn)對充電均衡系統(tǒng)的智能化控制，即根據(jù)車載檢測系統(tǒng)采集的電池各個單體的數(shù)據(jù)，通過充電階段的參數(shù)設(shè)定來控制大功率充電機(jī)和鋸齒波小電流充電均衡的運行狀態(tài)，繼而根據(jù)電池的狀態(tài)通過BP控制系統(tǒng)實現(xiàn)對電池組的充電均衡。

圖4　　充電均衡系統(tǒng)結(jié)構(gòu)框圖

正常充電均衡具體工作過程如下。首先采用大功率充電機(jī)對串聯(lián)電池組進(jìn)行大電流恒流快速充電，此時電池內(nèi)部反應(yīng)為：

當(dāng)BP神經(jīng)網(wǎng)絡(luò)檢測到有90％的單體電池容量超過額定容量的80％時，停止大功率充電機(jī)的恒流充電，同時啟動鋸齒波小電流串聯(lián)均衡充電。當(dāng)系統(tǒng)轉(zhuǎn)化為鋸齒波均衡充電的狀態(tài)時，未達(dá)到充電要求的單體電池將繼續(xù)充電，單體電池電壓已達(dá)到充電要求的，電池電壓值將不再上升而是在電池內(nèi)部發(fā)生復(fù)合反應(yīng)。此時過充電池正負(fù)極電化學(xué)反應(yīng)如下：

由于正極的Ni(OH)2都被氧化成NiOOH，因此過充時正極發(fā)生反應(yīng)(11)產(chǎn)生O2；負(fù)極儲氫合金吸氫飽和，發(fā)生反應(yīng)(12)形成H2，在儲氫合金的催化作用下與正極滲透過來的O2復(fù)合成水：

大電流充電時電解水的速度大于復(fù)合速度，來不及復(fù)合的H2和O2使內(nèi)壓升高。因此在充電后期采用小電流均衡，鋸齒波小電流均衡充電電壓波形如圖5所示，圖中Ud為充電電壓峰值，Ue為氫鎳電池組串聯(lián)總電壓，鋸齒波電壓對電池組間歇性充電，顯然充電時間較短。充電時，電壓低的單體電池電壓上升；不充電時，過充電的單體電池有充足的時間進(jìn)行復(fù)合反應(yīng)和散熱，最終實現(xiàn)電池組整體均衡。

圖5　　鋸齒波充電均衡電壓波形

4 模擬結(jié)果

電池組不均衡狀況的特性一般借鑒“基于電池能量狀態(tài)的串聯(lián)組不均衡度”思想來表征電池組的不一致程度[9]，本設(shè)計中采用電池電壓來衡量電池能量，采用公式(15)來表征串聯(lián)電池組不均衡程度：

式中：εi為電池組的不均衡度；Ui為單體電池電壓；N為電池的數(shù)目；E(U)為單體電池電壓的數(shù)學(xué)期望。

取8塊電動公交車用200 Ah氫鎳單體電池串聯(lián)組成一個模塊進(jìn)行充電均衡實驗，均衡前電池組的最高溫度為24℃，最低單體電池電壓為1.243 V，最高單體電池電壓為1.254 V，最大電壓差為0.011 V。然后采用恒流充電的方式對電池組進(jìn)行正常充電，檢測得到電池組充電時的電壓折線圖如圖6所示。

圖6　　無均衡下正常充電折線圖

從圖6中可以看出氫鎳電池組的單體電壓在充電后期不均衡度較大，最低單體電壓為1.382 V，最高為1.503 V，最大電壓差增至0.121 V。由此可見，正常情況下串聯(lián)電池組充電時電池間的不均衡度被放大，部分單體電池出現(xiàn)過充電現(xiàn)象，而另一部分電池則未充滿。充電后由公式(14)計算得出恒流充電方式下氫鎳電池組不均衡度高達(dá)2.65％。

在相同的狀況下，采用本文設(shè)計的基于BP神經(jīng)網(wǎng)絡(luò)的鋸齒波小電流充電均衡方案對電動公交車進(jìn)行充電均衡試驗，首先采用1C電流充電，并啟動BP算法控制，達(dá)到預(yù)設(shè)門檻時，采用0.25C電流均衡。充電均衡時電池組各個單體電池電壓折線圖如圖7所示。充電均衡中后期，電池組的單體間不均衡性較大，但是隨著充電均衡過程的進(jìn)行，單體電池電壓差異逐漸縮小，本次充電均衡結(jié)束時，最低單體電池電壓為1.421 V，最高為1.423 V，最大電壓差為0.002 V。氫鎳電池組的不均衡度為0.052 3％，驗證了本方案達(dá)到極好的均衡效果。

5 結(jié)論

圖7　啟動小電流均衡后電壓折線圖

實驗結(jié)果表明，基于BP算法的200 Ah氫鎳電池小電流均衡策略是一種可行的方法，可以達(dá)到較高的精度。與傳統(tǒng)電壓均衡相比，提高了電能利用效率，簡化了系統(tǒng)結(jié)構(gòu)；與SOC均衡相比，避開了SOC不能精確測量的缺點，以單體電壓為基準(zhǔn)，可以實現(xiàn)即時測量、及時均衡，達(dá)到了良好的均衡效果。

[1]徐順剛，鐘其水，朱仁江.動力電池均衡充電控制策略研究[J].電機(jī)與控制學(xué)報,2012,16(2):62-65.

[2]STUART T A,ZHU W.Fast equalization for large lithium ion batteries[J].Aerospace and Electronic Systems Magazine(IEEE), 2000,24(7):27-31.

[3]林成濤，陳全世，王軍平，等.用改進(jìn)的安時計量法估計電動汽車動力電池SOC[J].清華大學(xué)學(xué)報:自然科學(xué)版,2006,46(2): 247-251.

[4]高明裕，張紅巖.蓄電池剩余電量在線測量[J].電測與儀表，2000，37(9):28-31.

[5]POP V,BERGVELD H J,NOTTEN P H L.State-of-charge indication in portable applications[J].IEEE,2005(3):1007-1012.

[6]TSUTOMU Y,KAZUAKI S,KEN-ICHIRO M.Estimation of the residual capacity of sealed lead-acid batteries by neural network[C]// Proceedings of the 20th International Telecommunications Energy Conference.San Francisco,CA:Telecommunications Energy Conference,1998:210-214.

[7]戴海峰，魏學(xué)哲，孫澤昌，等.電動汽車用鋰離子電池電感主動均衡系統(tǒng)[J].同濟(jì)大學(xué)學(xué)報,2013,41(10):1547-1552.

[8] 張澤旭.神經(jīng)網(wǎng)絡(luò)控制與MATLAB仿真[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,2011:56-72.

Equalization strategy for MH-Ni battery charging based on BP algorithm

DING Ai-jia,ZOU Li,QI Jian-ying,ZHANG Wei
(School of Electrical and Electronic Engineering,Shandong University of Technology,Zibo Shandong 255049,China)

In order to extend the electrical vehicle(EV)life span and to improve battery pack working performance,BP neural network based on variable step size and equalization control method for trickle charge 200Ah MH-Ni battery was proposed.Then theoretical analysis of typical voltage equalization control and SOC equalization control was particularly described.Bulk charge and small current equalization were both applied to this equalization system. Gassing and recombination were both taken into consideration.Simulations of battery pack were conducted. Conclusions show that voltage detection accuracy is improved.Both equalization efficiency and speed were fine.

electrical vehicle battery;charging equalization strategy;small current equalization;BP algorithm

TM 912

A

1002-087 X(2016)01-0100-03

2015-06-15

國家高技術(shù)研究發(fā)展計劃(“863”計劃)(2012AA-110300)

丁愛佳(1990—)，男，江蘇省人，碩士研究生，主要研究方向為新能源發(fā)電技術(shù)。

鄒黎時法對負(fù)載電流積分估計SOC，但只適合于SOC起始狀態(tài)固定且負(fù)載穩(wěn)定的場合；內(nèi)阻法是根據(jù)電池內(nèi)阻特性，通過實驗建立直流內(nèi)阻或交流內(nèi)阻與SOC的關(guān)系；開路電壓法結(jié)構(gòu)簡單，但不能滿足實時在線檢測的要求，且電壓平臺現(xiàn)象會導(dǎo)致SOC估算誤差很大；神經(jīng)網(wǎng)絡(luò)法是在建好網(wǎng)絡(luò)模型的基礎(chǔ)上，依靠大量樣本進(jìn)行數(shù)據(jù)訓(xùn)練得到較好的精度，但收斂速度慢且存在局部極值[3-6]。