馬 俊， 龔國慶， 陳 勇， 李文海

(北京信息科技大學北京電動車輛協(xié)同創(chuàng)新中心，北京100192)

不同工況對鋰離子電池SOC預估精度的影響

馬 俊， 龔國慶， 陳 勇， 李文海

(北京信息科技大學北京電動車輛協(xié)同創(chuàng)新中心，北京100192)

電動汽車在城市工況運行時伴有頻繁加速，制動等復雜工況，導致動力電池工作環(huán)境惡劣，電池SOC變化較大。精確的電池SOC預估可以防止電池因過充或過放電造成的不可逆損失。為明確行駛工況對電動汽車SOC的預估精度的影響，采用ZHCH558蓄電池在線監(jiān)測系統(tǒng)獲取電動汽車在城市工況下的電池各性能參數(shù)，并根據(jù)工況不同處理數(shù)據(jù)，通過Matlab編寫程序建立BP神經(jīng)網(wǎng)絡模型并將處理后的數(shù)據(jù)作為輸入和輸出，結果表明BP神經(jīng)網(wǎng)絡可以精確地預測電池的SOC，且在勻速工況下精度最高。

動力電池；SOC；神經(jīng)網(wǎng)絡；分工況

隨著環(huán)境污染和能源短缺的問題日益凸顯，電動汽車產(chǎn)業(yè)化也隨之加速，國內外廣泛開展新能源汽車的研發(fā)與應用。目前市面上所有新能源汽車中以動力電池為唯一動力源的純電動汽車應用最為廣泛，全球汽車動力系統(tǒng)的電動化成為汽車發(fā)展趨勢，加快發(fā)展電動汽車技術,提高動力電池的使用性能是電動汽車發(fā)展的關鍵。電池的SOC是動力電池的主要參數(shù)之一，精確地SOC預估能阻止電池因過充或過放電對電池造成的不可修復的損失，協(xié)助電池管理系統(tǒng)對整車進行功率分配,合理分配電池的使用情況，延長電池的使用壽命。目前SOC估計的主要方法有放電試驗法、安時計量法、開路電壓法、負載電壓法、內阻法、神經(jīng)網(wǎng)絡法和卡爾曼濾波法[1]。

動力電池是高度非線性系統(tǒng)，雖然可以通過建立等效電路圖對其進行研究，但往往忽視了電池的動態(tài)特性而使電池模型變得不準確。神經(jīng)網(wǎng)絡法具有非線性的基本特征，對于外部激勵能夠經(jīng)過訓練和學習過程給出相應的輸出，故能模擬電池動態(tài)特性從而估計電池SOC。傳統(tǒng)的神經(jīng)網(wǎng)絡預測電池SOC的研究中,通常認為電池的工作環(huán)境是穩(wěn)定的，通過建立等效電路模型，用不同倍率的充放電實驗獲得了模型參數(shù)與電池荷電狀態(tài)(SOC)的關系式，用BP型神經(jīng)網(wǎng)絡模型對鉛酸蓄電池SOC進行估計并驗證模型的精確性[2－3]。利用神經(jīng)網(wǎng)絡對不同的充放電狀態(tài)鋰離子電池進行研究，并用卡爾曼濾波進行優(yōu)化使其具有更高的精度和更快的收斂速度[4]。提出工況容量與等效工況電流的概念，忽略電池組的不一致性，根據(jù)Peukert方程建立狀態(tài)評價矩陣來表征蓄電池組的狀態(tài)[5]。提出采用自適應神經(jīng)模糊推理系統(tǒng)的基本原理構建用于車載電池管理系統(tǒng)的SOC一致性模糊推理系統(tǒng)[6]。這些研究都是在仿真中給予特定的放電倍率對電池SOC進行估計，而忽略了電動汽車實際的行駛工況是復雜多變的，因此本文主要針對城市工況中行駛的復雜性，對電動汽車不同工況下的SOC做了預估，研究不同城市工況對電池性能的影響，為將來優(yōu)化雙能量源車載電池管理系統(tǒng)提供一定的理論基礎。

1 電動汽車的行駛工況特性

1.1 電動汽車功率平衡

電動汽車是由動力電池提供能量，最簡單的電池模型可以由內電壓和串聯(lián)內阻組成。因此可建立穩(wěn)態(tài)電池等效電路，研究電池的功率，如圖1所示，得到電池的功率，如式(1)所示，電池最大功率可以表示為式(2)。滿足汽車行駛所需的電池最大功率與電動機的最大功率關系為式(3)，其中為電動機的最大功率，ηe為電動機的工作效率，ηec為電動機控制器的傳遞效率。電動汽車電動機發(fā)出的功率始終等于機械傳動損失功率與全部運動阻力所消耗的功率[7]，如電動汽車的功率平衡方程為式(4)，式中：為電動機的功率；為電動汽車傳動系的傳遞效率；為作用在汽車上的重力；為滾動阻力系

圖1 穩(wěn)態(tài)電池等效電路

1.2 電池組的行駛工況特性

電動汽車在城市工況下行駛時，常常伴有頻繁地加速、減速、停車等行駛工況。為了滿足電動汽車在實際循環(huán)工況下對動力性能需求，電池在車輛加速及爬坡時需要瞬時的大功率輸出,對電池的SOC變化造成較大影響，影響電池SOC的估算精度。ADVISOR軟件平臺中有以蓄電池為能量源的純電動汽車的仿真模型，通過對電池參數(shù)的選擇和道路狀況的設置，對純電動汽車的整車經(jīng)濟性能和動力性能進行仿真分析，選擇比較有代表性的四種工況對其輸出電流進行仿真，得出純電動汽車在該工況下的電流變化情況如圖2。

圖2 各國行駛工況下的動力電池放電情況

仿真結果得出，高速公路行駛工況為制動較少，車速較高，因此所需放電電流較大，變化較平緩。NEDC工況和日本的10～15工況都存在多次制動情況，放電電流波動較大，由于平均車速較小因此平均放電電流也相對60 km/h勻速工況較小；勻速60 km/h工況下，電流基本不變，只是隨著放電時間的增長，電池放電深度加深放電電流有所增大。

2 BP神經(jīng)網(wǎng)絡模型

2.1 訓練樣本獲取

訓練樣本的數(shù)據(jù)可以通過仿真獲得，最常見的電化學模型是Rint模型、Thevenin模型、PNGV模型、GNL模型和RC模型[8]，數(shù)據(jù)也可以通過試驗實時獲取。單體電池的SOC變化從臺架試驗或者實車試驗中很難獲取，因此此處忽略電池組放電不一致性和溫度差異。以單體電池容量為60 Ah的磷酸鐵鋰電池為動力源的電動貨車為試驗車輛，采用ZHCH558蓄電池在線監(jiān)測系統(tǒng)獲取其在城市工況下的電池性能參數(shù)。整車起步加速性能和動力性能優(yōu)越，整車最高車速可達100 km/h，滿足城市工況行駛條件。

2.2 數(shù)據(jù)初始化

本次研究采用電池的充放電電流和電壓作為神經(jīng)網(wǎng)絡的輸入，電池的SOC作為神經(jīng)網(wǎng)絡的輸出。在對神經(jīng)網(wǎng)絡進行訓練前為了避免各個因子間的量級差異，對訓練數(shù)據(jù)進行歸一化操作，這樣加快了BP神經(jīng)網(wǎng)絡訓練的收斂，又減少計算難度。具體操作如式(5)：

2.3 BP網(wǎng)絡模型

圖3給出了BP神經(jīng)網(wǎng)絡模型算法流程，在MATLAB中利用神經(jīng)網(wǎng)絡工具箱對神經(jīng)網(wǎng)絡進行初始化并訓練數(shù)據(jù)，用訓練好的模型進行數(shù)據(jù)測試。通常情況下BP神經(jīng)網(wǎng)絡由輸入層，隱含層，輸出層三部分組成，其中隱含層又分為單隱含層和多隱含層，經(jīng)過反復進行神經(jīng)網(wǎng)絡訓練及預測發(fā)現(xiàn)，對于此次的電池SOC預測，由于只有兩個輸入一個輸出，單隱含層與雙隱含層的收斂效果基本相同，且單隱層訓練所需時間更少，因此本文采用單隱層BP神經(jīng)網(wǎng)絡模型。

圖3 BP神經(jīng)網(wǎng)絡算法流程

圖4給出了BP神經(jīng)網(wǎng)絡模型圖，確定隱含層的數(shù)目后，接下來選取隱層節(jié)點數(shù)，如果隱層節(jié)點過少，神經(jīng)網(wǎng)絡學習能力會減弱同時處理信息的能力也會下降。如果隱層節(jié)點太多不僅使網(wǎng)絡結構的復雜性增加，在訓練學習過程中也易陷入部分極小值情況，同時網(wǎng)絡的學習時間也增長。在建立BP網(wǎng)絡時，輸入層的輸入矢量選取了電池的放電電流、電池組電壓，輸出矢量為電池的剩余電量SOC。網(wǎng)絡包含3層：具有2個節(jié)點的輸入層、具有5個節(jié)點的隱含層和具有1個節(jié)點的輸出層。隱含層的節(jié)點個數(shù)通過Kolmogorov定理確定并在MATLAB仿真情況下從3到10依次修改節(jié)點數(shù)，最終得出隱層節(jié)點為5時的收斂效果預測精度最佳。

圖4 BP神經(jīng)網(wǎng)絡模型

該神經(jīng)網(wǎng)絡的試驗數(shù)據(jù)分為三種情況：加速工況，勻速工況，城市工況。并將各工況下的電流和電壓量作為輸入變量，來訓練BP神經(jīng)網(wǎng)絡，如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡預測結果對比

圖5(a)的輸入為加速工況下提取數(shù)據(jù)，選取0～40 km/h加速時的放電電流與電壓，此時模型的實際輸出值誤差百分比基本都在0.2%以內；圖5(b)的輸入為城市工況，其中包含實際道路中的加速、勻速、減速等一系列工況，其預測誤差為同在0.2%以內，但相對加速工況較大；圖5(c)為勻速時的電流電壓為輸入，預測誤差百分比分布在0.1%以內。使用BP神經(jīng)網(wǎng)絡能夠較為準確地估計電池的SOC，勻速工況下預測精度最高。

3 結論

提出一種利用電動汽車實際行駛工況，考慮瞬時大電流對放電容量的影響的蓄電池SOC的預估方法，無需蓄電池內部機理模型，可適用于任何類型的蓄電池系統(tǒng),具有較好的工程實踐與應用價值。參考在傳統(tǒng)的城市循環(huán)工況車用動力電池組BP神經(jīng)網(wǎng)絡估計方法的基礎上，按照電池組在不同工況下的充放電電流及電壓不同，將訓練數(shù)據(jù)分為勻速和加速兩種狀態(tài)，經(jīng)過神經(jīng)網(wǎng)絡的訓練和測試發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡在加速時的預測精度更高，從而為動力電池的SOC估計提供了新的依據(jù)，為將來雙能量源能量管理系統(tǒng)提供理論依據(jù)。

[1]HUSAIN L.Electric and hybrid vehicles:design fundamentals，second edition[M].林程，譯.北京：機械工業(yè)出版社，2012.

[2]鄧超，史鵬飛.基于神經(jīng)網(wǎng)絡的MH/Ni電池剩余容量預測[J].哈爾濱工業(yè)大學學報，2003，35(11)：1405-1407.

[3]趙軒，康留，汪貴平，等.基于BP神經(jīng)網(wǎng)絡的SOC估計及鉛酸蓄電池特性[J].電源技術，2014，38(5)：874-877.

[4]CHARKHGARD M，F(xiàn)ARROKHI M.State-of-charge estimation for lithium-ion batteries using neural networks and EKF[J].Trans and Electron，2010，27：4178-4187.

[5]李玉芳，周麗麗，王龍，等基于工況特性的電動汽車蓄電池組SOC與SOH在線智能識別與評價方法研究[J].測控技術，2013 (4)：100-104.

[6]王佳元，孫澤昌，魏學哲，等.基于一致性估計的車用動力蓄電池組SOC修正法[J].同濟大學學報：自然科學版，2012(5)：711-716.

[7]余志生.汽車理論[M].5版.北京：機械工業(yè)出版社，2009：30.

[8]林成濤，仇斌，陳全世.電流輸入電動汽車電池等效電流模型的比較[J].機械工程學報，2005(12)：76-81.

Influence of different driving cycle on precision of SOC estimation

Because of complex city driving cycle,electric vehicle always faced with accelerating and breaking,which contributed a serious working condition for battery and caused its state of charge(SOC)changed great.Precise SOC estimation of the battery power could prevent the batteries from being over-charged and over-discharged,which may caused permanent damage to the internal structure of batteries.In order to predict the influence of different driving cycle on estimation for SOC, battery-line monitoring system ZHCH558 was used to obtain battery performance parameters,when electric vehicle working under urban driving cycle condition.Matlab programs based on BP neural network was wrote and its training and testing were done.Test results show that BP neural network can accurately estimate SOC value,especially in constant speed condition.

power battery;SOC;neural network;driving cycle

TM912

A

1002-087X(2016)12-2335-04

2016-05-06

北京市屬高等學校高層次人才引進與培養(yǎng)計劃項目(CIT&TCD20130328)；北京市教委科研基地建設項目(PXM2014_01-4224_000065)

馬?。?989—），女，山東省人，碩士生，主要研究方向為電動汽車電池技術；龔國慶（1969—），男，湖北省人，博士，副教授，主要研究方向為智能車輛。