張傳偉，李林陽，趙東剛

(西安科技大學(xué)機(jī)械工程學(xué)院，陜西西安，710054)

基于BP神經(jīng)網(wǎng)絡(luò)法估算動力電池SOC

張傳偉，李林陽，趙東剛

(西安科技大學(xué)機(jī)械工程學(xué)院，陜西西安，710054)

精確估計(jì)電動汽車用動力鋰離子電池荷電狀態(tài)(SOC)對于電動汽車的續(xù)航里程的估計(jì)和動力電池的安全保護(hù)具有重要的意義。針對鋰離子電池的非線性關(guān)系，采用BP神經(jīng)網(wǎng)絡(luò)法來估算SOC。以3.2 V/100 Ah的磷酸鋰鐵電池為研究對象，在恒溫條件下采用ArbinBT2000系列的充放電測試儀進(jìn)行充放電實(shí)驗(yàn)采集原始數(shù)據(jù)，并將數(shù)據(jù)導(dǎo)入到神經(jīng)網(wǎng)絡(luò)模型中去訓(xùn)練和驗(yàn)證。驗(yàn)證結(jié)果表明：用BP神經(jīng)網(wǎng)絡(luò)法估算SOC的誤差能控制在5%以內(nèi)，驗(yàn)證了模型的準(zhǔn)確性，為相似的SOC估計(jì)算法的改進(jìn)提供參考和依據(jù)。

BP神經(jīng)網(wǎng)絡(luò)；電動汽車；動力電池；充放電測試儀；SOC估計(jì)

Abstract:Accurately estimate the state of charge (SOC)of power lithium ion batteries for electric vehicles was of great significance to the estimation of the endurance mileage of electric vehicles and the safety protection of the power battery.In view of the nonlinear relation of the lithium ion battery,the BP neural network method was used to estimate the SOC.The research object was lithium iron phosphate battery(3.2 V/100 Ah).The charge and discharge experiments were done by the charge discharge tester ArbinBT2000 under the constant temperature,and the raw data was collected.Finally the data was imported into the neural network model to train and verify.The validation results show that the error of SOC can be controlled within 5%by the BP neural network method.The accuracy of the model was verified,which provided reference and basis for the improvement of similar SOC estimation algorithm.

Key words:BP nature network;electric vehicle;power battery;charge and discharge tester;estimation of SOC

電動汽車電池荷電狀態(tài)(SOC)的估計(jì)對于電動汽車的續(xù)航里程的預(yù)估和動力電池的安全保護(hù)具有十分重要的作用[1－2]。精確估計(jì)動力電池的SOC一方面可以有效地避免電池的過沖和過放；另一方面也可以給整車控制器提供參考，合理分配能量。

目前，國內(nèi)外學(xué)者做了很多關(guān)于估計(jì)動力電池SOC方法的研究。比較典型方法有開路電壓法、安時(shí)積分法、數(shù)學(xué)模型法、卡爾曼濾波法、擴(kuò)展卡爾曼濾波法和神經(jīng)網(wǎng)絡(luò)法[3－6]。開路電壓法測試簡單直接，但是只能在實(shí)驗(yàn)室條件下進(jìn)行；安時(shí)積分法雖然原理簡單，但是受初值影響，易產(chǎn)生累計(jì)誤差；卡爾曼濾波法雖然適應(yīng)性好，精度較高，但是受制于模型的本身。

基于目前SOC算法的特點(diǎn)以及電池模型本身非線性的特點(diǎn)[7]，本文采用BP神經(jīng)網(wǎng)絡(luò)法估算SOC。神經(jīng)網(wǎng)絡(luò)法測試精度高，實(shí)現(xiàn)效果好，具有逼近的多輸入輸出參數(shù)函數(shù)，適用于非線性的模型。選取磷酸鐵鋰電池作為研究對象，使用專門的充放電測試儀采集原始訓(xùn)練數(shù)據(jù)。對數(shù)據(jù)進(jìn)行處理和訓(xùn)練，最終在MATLAB中進(jìn)行仿真驗(yàn)證，確定算法的準(zhǔn)確性和可靠性。

1 BP神經(jīng)網(wǎng)絡(luò)的簡介

BP神經(jīng)網(wǎng)絡(luò)是一種輸入信號向正方向傳遞，無反饋結(jié)構(gòu)，而誤差是向反向傳播的多層前向網(wǎng)絡(luò)模型[8]。其結(jié)構(gòu)一般是經(jīng)典的三層模型，包含輸入層、隱藏層和輸出層。最為特別的就是其隱藏層的存在，可以很好地處理非線性的問題。在前向傳遞的過程當(dāng)中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每層之間的神經(jīng)元狀態(tài)相互影響，如果在輸出層未得到期望輸出，就反向傳播，依據(jù)誤差調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，從而使整個(gè)網(wǎng)絡(luò)接近期望的輸出值。一般三層結(jié)構(gòu)模型如圖1所示。

從圖1中可以看到，Xm作為輸入變量，Yn是輸出變量，ωij是輸入層與隱藏層之間的連接權(quán)值，ωjk是隱藏層到輸入層之間的權(quán)值。對應(yīng)它們之間存在以下的關(guān)系。

圖1 BP神經(jīng)網(wǎng)絡(luò)三層模型

P和q分別為隱含層和輸出層的變換函數(shù)，其中p一般是單調(diào)可微的log-Sigmoid或者Tan-Sigmoid傳遞函數(shù)，利用最速下降法尋求最優(yōu)解，q一般是線性函數(shù)。θ作為閾值。

最速下降法的訓(xùn)練過程中計(jì)算誤差和修正權(quán)值的確定如下：

2 BP神經(jīng)網(wǎng)絡(luò)的建模

(1)輸入層建模

電池SOC的主要影響參數(shù)包含電池的電壓、充放電的電流、對應(yīng)電池的工況溫度和電池已放出來的電量來共同確定的[9]。因此，我們把輸入層確定為四個(gè)單元，即m=4。

(2)隱含層模型

隱含層的節(jié)點(diǎn)數(shù)可以根據(jù)BP神經(jīng)網(wǎng)絡(luò)的經(jīng)驗(yàn)公式來基本確定，其經(jīng)驗(yàn)公式[10]為：

或者是：

式中：m為輸入層結(jié)點(diǎn)個(gè)數(shù)。

(3)輸出層模型

因?yàn)樽詈蟠_定的是SOC的估計(jì)值，基本上確定輸出的神經(jīng)元節(jié)點(diǎn)只有一個(gè)。于是我們可以建立如下網(wǎng)絡(luò)模型，如圖2所示。

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

3 實(shí)驗(yàn)數(shù)據(jù)的采集

本文以磷酸鋰鐵電池為研究對象，標(biāo)稱電壓為3.2 V，額定容量為100 Ah，充電上限的電壓為3.65 V，下限電壓為2 V，最大放電電流為2C。采用的實(shí)驗(yàn)儀器是ArbinBT2000充放電測試儀，該測試儀支持最大200 A的充放電實(shí)驗(yàn)。

首先，將電池充至滿電狀態(tài)，恒溫靜置60min，然后以1/4C的電流放電至2 V，可以認(rèn)為電池從充滿電狀態(tài)放電到0荷電狀態(tài)。原始數(shù)據(jù)采用專用的電池充放電測試儀測試和采集，在這中間，測試儀每隔很短時(shí)間會記錄一次，步長設(shè)定為2 s。測試完畢以后，按時(shí)序隨機(jī)取出1500組作為訓(xùn)練樣本，150組作為測試樣本。部分采集數(shù)據(jù)，如表1所示。

4 仿真過程及結(jié)果

樣本采集和選取完畢后，就可以按照建好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和模擬。先對整個(gè)模型進(jìn)行初始化，其中權(quán)值的初始化選取不大于1的隨機(jī)小數(shù)，然后輸入對應(yīng)的訓(xùn)練樣本點(diǎn)，其包含的信息包括電壓、電流、溫度和已使用電量。然后求解出隱含層和輸出層的輸出。求解對應(yīng)的誤差，判斷是否滿足要求。如果滿足，就結(jié)束進(jìn)程；如果不滿足，就計(jì)算隱含層單元誤差，確定誤差的梯度，進(jìn)而修正權(quán)值，返回循環(huán)，直到誤差滿足要求為止。對應(yīng)流程圖如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

經(jīng)過反復(fù)調(diào)試BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，最終確定迭代次數(shù)100次，學(xué)習(xí)率0.05，訓(xùn)練目標(biāo)誤差控制在0.001，經(jīng)過60步的訓(xùn)練，網(wǎng)絡(luò)誤差可以達(dá)到設(shè)計(jì)的要求。

因此，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，輸入要測試的實(shí)驗(yàn)樣本，和實(shí)際測試的曲線進(jìn)行比對，對比檢測對應(yīng)神經(jīng)網(wǎng)絡(luò)的有效性和收斂性。仿真實(shí)驗(yàn)結(jié)果如圖4和圖5所示。

由圖4可見，訓(xùn)練以后的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了準(zhǔn)確預(yù)測電池SOC，體現(xiàn)出良好的跟隨性。圖5誤差對比曲線，進(jìn)一步驗(yàn)證了這一算法的準(zhǔn)確性，曲線表示預(yù)測誤差均在5%以內(nèi)，很好地滿足了SOC估計(jì)和控制的要求。

圖4 跟蹤曲線

圖5 SOC誤差曲線

5 結(jié)論

本文針對動力電池SOC預(yù)測問題，建立了基于BP神經(jīng)網(wǎng)絡(luò)的SOC估計(jì)模型，以電動汽車專用電池進(jìn)行充放電試驗(yàn)，采集到的電池?cái)?shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果證明：BP神經(jīng)網(wǎng)絡(luò)控制算法能較好地實(shí)現(xiàn)動力電池SOC估算的目標(biāo)，誤差控制在5%以內(nèi)，具有一定的推廣價(jià)值。另外神經(jīng)網(wǎng)絡(luò)算法本身克服了傳統(tǒng)算法因過度依賴電池模型而造成的局限和偏差，也為動力電池SOC估計(jì)提供了一條新的思路和方法。

[1]熊瑞，何洪文，丁銀.HEV用鋰離子電池動態(tài)模型參數(shù)辨識方法研究[J].電力電子技術(shù)，2011，45(4)：100-104.

[2]XIONG R，HE H W，WANG Y，et al.Study on ultra-capacitor battery hybrid power system for PHEV applications[J].High Technology Letters，2010，16(1)：23-28.

[3]李哲，盧蘭光，歐陽明高.提高安時(shí)積分法估算電池SOC精度的方法比較[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，25(8)：1293-1296.

[4]李志鵬，趙楊.純電動汽車電池管理系統(tǒng)及SOC精確估計(jì)[J].電源技術(shù)，2016，140(5)：1090-1093.

[5]XIONG R，HE H，SUN F，et al.Evaluation on state of charge estimation of batteries with adaptive extended Kal-man filter by experiment approach[J].IEEE Transactions on Vehicular Technology，2013，62(1)：108-117.

[6]潘衛(wèi)華，劉曉丹.基于改進(jìn)卡爾曼濾波的鋰電池SOC估算研究[J].計(jì)算機(jī)仿真，2014，31(3)：148-150.

[7]項(xiàng)宇，劉春光，蘇建強(qiáng)，等.基于BP神經(jīng)網(wǎng)絡(luò)的動力電池SOC預(yù)測模型與優(yōu)化[J].電源技術(shù)，2013，137(6)：963-965.

[8]史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011：1-2.

[9]周美蘭，王吉昌，李艷萍.優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測電動汽車SOC上的應(yīng)用[J].黑龍江大學(xué)自然科學(xué)學(xué)報(bào)，2015，32(1)：129-134.

[10]封進(jìn).BP神經(jīng)網(wǎng)絡(luò)預(yù)估鋰離子電池SOC訓(xùn)練數(shù)據(jù)選擇[J].電源技術(shù)，2016，140(2)：283-286.

Estimation and simulation of power battery SOC based on BP neural network

ZHANG Chuan-wei,LI Lin-yang,ZHAO Dong-gang
(College of Mechanical Engineering,Xi'an University of Science and Technology,Xi'an Shanxi 710054,China)

TM 912.9

A

1002-087X(2017)09-1356-02

2017-02-14

陜西省教育廳科學(xué)研究項(xiàng)目(11JK0869）

張傳偉(1974—），男，安徽省人，教授，主要研究方向?yàn)楝F(xiàn)代電動汽車控制技術(shù)和機(jī)電系統(tǒng)智能控制。