曾迪　汪秋婷

摘 要：本文以磷酸鐵鋰電池作為研究對象，從單體電池模型的建立與優(yōu)化入手，分析高容量鋰電池模型的參數(shù)特征，利用Kalman濾波（KF）和BP神經(jīng)網(wǎng)絡迭代計算模型參數(shù)和單體電池SOH值，借助先進測試儀器得到可靠的實驗數(shù)據(jù)，結合仿真手段驗證新模型和新算法的可行性與有效性。

引言

鋰離子電池的SOH是指在一定條件下電池所能充入或放出電量與電池標稱容量的百分比，精確估計電池組SOH值，可以預測電池的剩余可用壽命（Remaining Useful Life， RUL）[1，2]。高容量鋰電池屬于功率型電池，表征健康狀況和容量衰減程度的常用指標包括電池可用容量，直流電阻和交流阻抗[3，4]。當前循環(huán)壽命估計方法的研究主要分成兩類：一方面，側重于實用性的估計方法，包括放電試驗法、內阻法、電化學阻抗分析等[5]；另一方面，側重于模型仿真的估計方法，包括耐久性開環(huán)電池的方法和基于模型的閉環(huán)方法，前者直接預測容量減弱和內阻的變化，后者是在研究電池老化機理的基礎上，建立容量衰減與電池內部參數(shù)、溫度、倍率、放電深度、自放電等參數(shù)的函數(shù)關系[6]。汪秋婷等提出將抗差無跡Kalman濾波法（R-UKF）應用于電池模型參數(shù)的估計過程中。該方法是一種最優(yōu)化自同歸數(shù)據(jù)處理算法[7]，通過對狀態(tài)變量進行實時最優(yōu)估計。本文以磷酸鐵鋰電池作為研究對象，從單體電池模型的建立與優(yōu)化入手，分析高容量鋰電池模型的參數(shù)特征，利用Kalman濾波和BP神經(jīng)網(wǎng)絡迭代計算模型參數(shù)和單體電池SOH值，借助先進測試儀器得到可靠的實驗數(shù)據(jù)，結合仿真手段驗證新模型和新算法的可行性與有效性。

1 基于KF的單體電池SOH估計

本文提出基于單體電池SOC值的電池組壽命預測方法，該方法將不同采樣時間點的端電壓值和當前SOC值進行函數(shù)聯(lián)系，并結合D-KF估計電池組模型參數(shù)和SOH值。根據(jù)等效模型和等效電路方程，電池組電壓變化值與SOC值之間的關系式為：

2 基于BP神經(jīng)網(wǎng)絡的單體電池SOH估計

本文設計基于BP網(wǎng)絡的Simulink仿真結構如圖1所示，鋰離子單體SOH估計算法步驟可歸納如下：

（1）初始化，選定一個結構合理的網(wǎng)絡，置所有可調參數(shù)（權和閾值）為均勻分布的較小數(shù)值；

（2）對每個輸入樣本作前向計算、反向計算和權值修正；

（3）輸入新的樣本，直到Ep達到預定要求，訓練時各周期樣本的輸入順序要重新隨機排序。

3 實驗結果

本文采用KF和BP神經(jīng)網(wǎng)絡兩種方法，對磷酸鐵鋰電池單體SOH值進行估計。其中，通過采集在室溫15℃ 下單體電池電流/溫度的600組數(shù)據(jù)。研究了輸出電流和工作溫度的變化曲線。在仿真實驗中BP的三個系數(shù)分別為kp=0.2，ki =1，kd =0.3。學習效率η 為0.5，慣性指數(shù)α 為0.2，通過對300組輸入/輸出數(shù)據(jù)進行訓練，用另外的300組數(shù)據(jù)進行檢驗。實驗結果表明，BP網(wǎng)絡控制系統(tǒng)能夠很好地通過電堆溫度輸出理想的電堆溫度，相比于KF算法具有更小的超調量和更好的動態(tài)響應。

4 結論

本文采用KF算法和BP神經(jīng)網(wǎng)絡算法，對單體電池SOH模型進行建立，并利用磷酸鐵鋰電池單體電流和溫度的數(shù)據(jù)進行SOH值的估計。結果顯示，BP網(wǎng)絡控制器的優(yōu)點是結構簡單，參數(shù)少，宜于實際的實驗操作，并且也能滿足實驗精度的要求，同時超調量比較小，到達穩(wěn)定狀態(tài)所需的時間也較短?？刂破鞒浞职l(fā)揮了可以將鋰電池單體的SOH估計結果很好的控制在理想的范圍內，滿足了系統(tǒng)的穩(wěn)態(tài)和動態(tài)性能要求。

參考文獻：

[1] Han X B， Ouyang M G， Lu L G， et al. A comparative study of commercial lithium-ion vehicle： Capacity loss estimation[J]， Journal of Power Sources， 2014， 268： 658-669.

[2] Dave Andre， Christian Appel， et. al. State of Health and Charge Measurements in Lithium-ion Batteries Using Mechanical Stress[J]， Journal of Power Sources， 2014， 269： 7-14.

[3] Zheng Chen，Chunting Chri Mi，Yuhong Fu，et al.Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications[J]， Journal of power sources， 2013， 240：184-192.

[4] Yang FF， Xing YJ， Wang D， Kwok-Leung Tsui. A comparative study of three model-based algorithms for estimating state-of-charge of lithium-ion batteries under a new combined dynamic loading profile[J]， Applied Energy 2016，164：387-399.

[5] Guangzhong Dong， Xu Zhang， et al. A Method for State of Energy Estimation of Lithium-ion Batteries Based on Neural Network Model[J]， Energy， 2015， 90（1）： 879-888.

[6] 劉大同， 周建寶， 郭力萌， 彭宇. 鋰離子電池健康評估和壽命預測綜述[J]， 儀器儀表學報， 2015， 36（1）： 58-61.

[7] 商高高， 朱晨陽. 基于雙重卡爾曼濾波器電池荷電狀態(tài)的估計[J]， 重慶理工大學學報（自然科學）， 2014， 28（6）： 1-7.

作者簡介：

曾迪，男，1996-- 出生， 本科生，浙江大學城市學院，主要研究方向為鋰電池應用

基金項目：浙江省自然科學基金（LQ16F010004）