陳德海 丁博文 潘韋馳

摘? 要： 針對(duì)礦用電動(dòng)汽車(chē)鋰電池SOC預(yù)測(cè)易受到工況環(huán)境影響、建模復(fù)雜、預(yù)測(cè)誤差大等問(wèn)題，該文將電池端電壓、放電電流、環(huán)境溫度、濕度作為SOC的表征因子，構(gòu)成樣本集以訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN），再引入具有Levy飛行特征的雙子群果蠅優(yōu)化算法（LFOA）優(yōu)化GRNN的平滑因子σ。LFOA結(jié)合了Levy飛行搜索和果蠅優(yōu)化算法的優(yōu)點(diǎn)，全局搜索能力更強(qiáng)，收斂速度更快。仿真結(jié)果表明，經(jīng)LFOA優(yōu)化的GRNN能更快地搜索到合適的σ，并有效預(yù)測(cè)電池任一充放電狀態(tài)下的SOC，與FOA?GRNN模型比較，LFOA?GRNN模型預(yù)測(cè)精度更高、時(shí)間更短，最大絕對(duì)誤差不超過(guò)0.03，具有較好的工程應(yīng)用價(jià)值。

關(guān)鍵詞： 礦用鋰電池; SOC預(yù)測(cè); GRNN; LFOA; 模型建立; 仿真分析

中圖分類(lèi)號(hào)： TN86?34; TM912.9? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）06?0115?04

Mining lithium battery SOC prediction based on LFOA?GRNN model

CHEN Dehai， DING Bowen， PAN Weichi

（Jiangxi University of Science and Technology， Ganzhou 341000， China）

Abstract： In allusion to the problem that the state of charge （SOC） prediction of the lithium battery of the mine electric vehicles， which is susceptible to the environmental impact of the working conditions， has complex modeling， large prediction error， etc.， in this paper， the battery terminal voltage， discharge current， ambient temperature and humidity are taken as the characterization factors of SOC to form a sample set to train the generalized regression neural network （GRNN）. The double subgroup drosophila optimization algorithm （LFOA） with Levy flight characteristics is introduced to optimize the smoothing factor σ of GRNN. In combination with the advantages of Levy flight search and drosophila optimization algorithm， LFOA has stronger global search ability and faster convergence speed. The simulation results show that the LFOA?optimized GRNN can search for the appropriate σ more quickly and predict the SOC of the battery under any states of charging?discharging effectively. In comparison with the FOA?GRNN model， the LFOA?GRNN model has higher prediction accuracy and shorter prediction time， and its maximum absolute error is less than 0.03. It has a certain engineering application value.

Keywords： mining lithium battery; SOC prediction; GRNN; LFOA; modelling; simulation analysis

0? 引? 言

隨著國(guó)家對(duì)金屬地下礦山綠色生產(chǎn)、環(huán)境保護(hù)越來(lái)越重視，傳統(tǒng)的礦用汽車(chē)使用柴油設(shè)備污染礦山空氣、耗能大、噪聲大，因而逐步被電動(dòng)汽車(chē)代替。鋰電池具有放電電壓穩(wěn)定、自放電率低、使用壽命長(zhǎng)、質(zhì)量輕、環(huán)境污染小的優(yōu)點(diǎn)，將逐步取代傳統(tǒng)鉛酸蓄電池成為礦用電機(jī)車(chē)主要?jiǎng)恿υ?。礦用電動(dòng)汽車(chē)的荷電狀態(tài)（State of Charge， SOC）估計(jì)是目前電動(dòng)礦用設(shè)備的關(guān)鍵技術(shù)，SOC的估計(jì)對(duì)于電動(dòng)汽車(chē)的續(xù)航里程的預(yù)估和動(dòng)力電池的安全保護(hù)起著十分重要的作用[1]。精確估計(jì)動(dòng)力電池的SOC既可以有效地避免電池的過(guò)沖和過(guò)放，又可以給電池均衡系統(tǒng)提供重要參數(shù)，進(jìn)而提高電池使用性能，延長(zhǎng)電池使用壽命。由于鋰電池內(nèi)部電化學(xué)特性復(fù)雜，導(dǎo)致在電動(dòng)汽車(chē)行駛過(guò)程中電池SOC值與電壓、電流、內(nèi)阻、溫度、健康狀態(tài)等影響因素之間表現(xiàn)出高度非線(xiàn)性耦合關(guān)系，這使得建立鋰電池SOC預(yù)測(cè)模型變得困難，因此精準(zhǔn)在線(xiàn)預(yù)測(cè)SOC一直是電池管理的重點(diǎn)和難點(diǎn)。

鑒于環(huán)境溫度、濕度變化會(huì)影響鋰電池最大可用容量[12]，本文提出將鋰電池端電壓、放電電流、環(huán)境溫度、濕度作為其SOC的表征因子（CI）。利用廣義回歸神經(jīng)網(wǎng)絡(luò)對(duì)鋰離子電池SOC進(jìn)行預(yù)測(cè)，不需要考慮鋰電池內(nèi)部復(fù)雜的電化學(xué)反應(yīng)和外部環(huán)境，只要在不同工況下對(duì)鋰電池進(jìn)行充放電實(shí)驗(yàn)，記錄下CI?SOC樣本集，輸入GRNN，再引入LFOA算法用以離線(xiàn)訓(xùn)練GRNN，達(dá)到預(yù)測(cè)精度要求后，GRNN就可以用來(lái)在線(xiàn)預(yù)測(cè)鋰電池SOC。其估算SOC的基本框架如圖3所示。

3? 實(shí)驗(yàn)仿真與分析

3.1? 搭建實(shí)驗(yàn)平臺(tái)

本文選取15并15串磷酸鐵鋰電池組，合計(jì)容量為60 A·h，額定電壓51 V，單體電池標(biāo)稱(chēng)電壓為4.2 V，額定容量2 500 A·h，溫度變化范圍為0～40 ℃，濕度范圍在40%～70%之間，放電倍率為1 C， 采樣間隔時(shí)間為5 s，放電時(shí)間為3 000 s，重復(fù)放電實(shí)驗(yàn)8次，記錄循環(huán)放電實(shí)驗(yàn)下的電池端電壓、放電電流、環(huán)境溫度、濕度、電池SOC。對(duì)采集數(shù)據(jù)進(jìn)行歸一化處理，選取400組數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)，70組數(shù)據(jù)用于模型驗(yàn)證。

3.2? LFOA?GRNN模型驗(yàn)證

利用Matlab自帶的廣義回歸神經(jīng)網(wǎng)絡(luò)工具箱，以LFOA動(dòng)態(tài)搜尋GRNN的參數(shù)σ，建立LFOA優(yōu)化GRNN預(yù)測(cè)模型，結(jié)合Simulink和ADVISOR進(jìn)行實(shí)驗(yàn)仿真。處理后的CI?SOC樣本數(shù)據(jù)集用于訓(xùn)練測(cè)試LFOA?GRNN模型、FOA?GRNN模型。設(shè)定LFOA算法最大迭代次數(shù)Gmax=100，種群規(guī)模Size=20，果蠅群體飛行方向和距離區(qū)間[13]為[-1，1]，Levy飛行參數(shù)β=1.5。迭代尋優(yōu)100次后， LFOA?GRNN模型得到的最優(yōu)σ值為0.110 8，F(xiàn)OA?GRNN模型得到的最優(yōu)σ值為0.165 9。圖4為σ尋優(yōu)過(guò)程中，GRNN預(yù)測(cè)均方誤差的收斂情況。由圖4可知，LFOA?GRNN模型較FOA?GRNN模型，收斂速度快，收斂效果好。圖5是實(shí)驗(yàn)電池的SOC真實(shí)值與LFOA?GRNN模型、FOA?GRNN模型預(yù)測(cè)結(jié)果比較圖。仿真結(jié)果表明，LFOA?GRNN模型SOC預(yù)測(cè)精度更高，速度更快，最大絕對(duì)誤差不超過(guò)0.03。

4? 結(jié)? 論

本文針對(duì)鋰離子電池SOC在復(fù)雜的礦井工況下預(yù)測(cè)精度不高的問(wèn)題，以鋰電池端電壓、放電電流、環(huán)境溫度、濕度作為鋰電池SOC的表征因子（CI）輸入廣義回歸神經(jīng)網(wǎng)絡(luò)，再利用LFOA強(qiáng)大的全局搜索能力優(yōu)化GRNN網(wǎng)絡(luò)平滑因子σ。廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，人為參數(shù)少，訓(xùn)練速度快。雙子群果蠅優(yōu)化算法較之果蠅算法全局搜索能力更強(qiáng)，收斂速度更快，且比傳統(tǒng)遺傳算法簡(jiǎn)單易實(shí)現(xiàn)。GRNN網(wǎng)絡(luò)經(jīng)LFOA優(yōu)化調(diào)整σ后，預(yù)測(cè)能力進(jìn)一步提升。實(shí)驗(yàn)結(jié)果表明，LFOA?GRNN模型預(yù)測(cè)效果好，泛化能力強(qiáng)，響應(yīng)速度快，為礦用鋰電池SOC預(yù)測(cè)提供了良好的思路。

參考文獻(xiàn)

[1] XIONG R， HE H W， WANG Y， et al. Study on ultracapacitor battery hybrid power system for PHEV applications [J]. High technology letters， 2010， 16（1）： 23?28.

[2] 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.

[3] LI R， WU J F， WANG H Y， et al. Prediction of state of charge of Lithium?ion rechargeable battery with electrochemical impedance spectroscopy theory [C]// 2010 5th IEEE Conference on Industrial Electronics and Applications. [S.l.]： IEEE， 2010： 684?688.

[4] JANG J， YOO J. Equivalent circuit evaluation method of lithium polymer battery using Bode plot and numerical analysis [J]. IEEE transaction on energy convers， 2011， 1（26）： 290?298.

[5] CUI N， ZHANG C， KONG Q， et al. A combined method of battery SOC estimation for electric vehicles [J]. IEEE industry applications， 2010（12）： 1147?1151.

[6] EINHORN M， CONTE F V， KRAL C， et al. A method for online capacity estimation of lithium ion battery cells using the state of charge and the transferred charge [J]. IEEE transactions on industry applications， 2012（2）： 736?741.

[7] ROSCHER M A， BOHLEN O S， SAUER D U. Reliable state estimation of multicell lithium?ion battery systems [J]. IEEE transaction on energy convers， 2011， 26： 737?743.

[8] 張前圖，房立清，趙玉龍.具有Levy飛行特征的雙子群果蠅優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用，2015，35（5）：1348?1352.

[9] 潘海鴻，呂治強(qiáng)，付兵，等.采用極限學(xué)習(xí)機(jī)實(shí)現(xiàn)鋰離子電池健康狀態(tài)在線(xiàn)估算[J].汽車(chē)工程，2017，39（12）：1375?1381.

[10] 李哲，韓雪冰，盧蘭光，等.動(dòng)力型磷酸鐵鋰電池的溫度特性[J].機(jī)械工程學(xué)報(bào)，2011，47（18）：115?120.

[11] 張松，張會(huì)林，金焱飛，等.一種150V礦用鋰電池管理系統(tǒng)的SOC估算策略[J].電源技術(shù)，2017，41（1）：41?43.

[12] 馮飛，逯仁貴，朱春波.一種鋰離子電池低溫SOC估計(jì)算法[J].電工技術(shù)學(xué)報(bào)，2014，29（7）：53?58.

[13] 朱富占，鄒海，張馨.改進(jìn)果蠅算法優(yōu)化GRNN在彈痕深度預(yù)測(cè)中的應(yīng)用[J].微電子學(xué)與計(jì)算機(jī)，2019，36（2）：41?45.