基于遺傳神經網絡的電動汽車鋰電池SOC 預測*

黃耀波，唐海定，章 歡，翁國慶*

（1.浙江工業大學 健行學院，浙江 杭州 310023；2.浙江工業大學 信息工程學院，浙江 杭州 310023）

0 引 言

實現車載動力電池荷電狀態（State of Charge，SOC）的準確預測是保證電動汽車可靠運行的前提，也是電池組使用和維護的重要依據，對電動汽車的推廣和發展具有至關重要的意義。

目前，常用的SOC 的估測方法主要有：安時積分法、開路電壓法、卡爾曼濾波法、神經網絡法等。安時積分法通過計算電流對時間的積分得到電池組的消耗電量，進而求得剩余電量，但其本質上是一種開環預測，純積分環節的存在使得誤差隨時間的推移而增大[1]。開路電壓法通過檢測電池的開路電壓得到其剩余電量，要求電池在不對外供電的狀態下長時間靜置，不適合在線的實時測量[2]。卡爾曼濾波法需要建立電池的內部模型得到狀態方程，對電池模型的精度要求較高[3]，在實際應用中具有一定的局限性。神經網絡法根據建立的網絡模型利用大量的樣本數據進行訓練學習可以獲得較好的精度，但網絡對初始權值的選擇較為靈敏，一般收斂到初始值附近的局部最小值[4]，初始值的改變將影響網絡的收斂速度和精度。

針對神經網絡學習效率低、收斂速度慢以及容易陷入局部最優等不足，本研究提出一種基于遺傳神經網絡的電動汽車鋰電池SOC 預測方案。首先利用遺傳算法的全局搜索性能找到模型最優解所在的區域，然后再利用BP神經網絡找到其最優解。算例仿真表明，本研究所提算法不僅可以得到全局性的最優解，還可以提高神經網絡的學習速度和識別能力，可實現對電動汽車鋰電池SOC 的精確預測，具有很好的發展前景。

1 整體方案

1.1 鋰電池放電數據的采集

為了獲得車載鋰電池的放電過程特性及遺傳神經算法建模所需數據，本研究設計了基于高性能、低功耗的AT89C52單片機微控制器的鋰電池狀態監測系統，外圍模塊主要包括電流設定模塊、電壓檢測模塊、溫度采集模塊、放電保護模塊、鍵盤接口模塊、串行通信模塊、液晶顯示模塊。系統通過電流設定電路對鋰電池放電電流進行精確控制；通過A/D轉換器ADC0809對濾波后的電壓采樣；通過溫度傳感器DS18B20對溫度采樣；通過點陣式液晶LCD1602顯示電池的放電信息；通過串行通信模塊把單片機采集的數據上傳至PC機上。

電流設定電路是該系統的重要環節。該電路使用開關電容模擬負載電阻，其阻值與MOS管的開關頻率成反比，可通過單片機任意設定。此外，本研究引入電流負反饋機制，通過設定值與檢測值的偏差實時修正電阻阻值，從而實現恒流放電。

系統運行時，首先通過鍵盤接口模塊設定電池放電電流，然后采集實時電壓并通過串口傳送至PC機。在放電過程中，如果電池的溫度過高，放電保護模塊會發出報警提示。鋰電池放電數據采集系統工作流程如圖1所示。

圖1 系統工作流程

1.2 基于BP神經網絡預測當前剩余電量

BP神經網絡是一種以誤差反向傳播為基礎的前向網絡，具有非常強的非線性映射能力，可以很好地解決非線性問題，同時BP神經網絡還有自學習和自適應性，這對于預測電池SOC有重要意義[5]。

隱含層具有抽象的作用，本研究選用3層結構網絡：輸入層、隱含層和輸出層。輸入層為電池的電壓U和電流I，節點數為2個。輸出層為電池SOC預測值，節點數為1個。隱含層節點個數取決于系統精度的要求，如果節點數目過少，容錯性會比較差；如果節點數目過多，會增加網絡訓練時間，降低泛化能力[6]。兼顧上述兩種需求，本研究取15個隱含層節點。

（1）隱含層的輸入M、輸出N及其變換關系：

式中：Xi—電壓、電流樣本輸入；t—迭代次數；ωij—連接權值。

（2）輸出層輸入P、輸出Q及其變換關系：

式中：t—迭代次數，ωjk—連接權值。

（3）設期望輸出為Y，則第t次迭代誤差能量為：

（4）BP網絡的學習采用LM算法，根據下式修正權值：

式中：J—誤差性能函數對權值向量一階微分的雅克比矩陣，e—網絡的誤差向量，μ—可調非負數。當μ=0時，LM算法退化成牛頓法，當μ值較大時，相當于步長較小的梯度下降法[7]。

1.3 基于遺傳算法的網絡權重與閾值優化

遺傳算法是一種模仿生物界自然選擇和遺傳機制的隨機搜索算法[8]，其不依賴于梯度信息，而是從任意初始種群出發，通過隨機選擇、交叉和變異操作，產生一群更適應環境的個體，使種群進化到越來越合適的區域，最終得到問題的最優解。

遺傳算法在搜索的過程中不易陷入局部最優，即使在有噪聲的情況下，也能以很大的概率找到全局最優解。鑒于該優點，本研究利用遺傳算法進行神經網絡權值與閾值的優化。基于遺傳算法求解神經網絡最優權值與閾值的步驟如下：

（1）給定網絡輸入電壓、電流和輸出SOC樣本，確定適應度函數，隨機產生權值、閾值并編碼；

（2）通過網絡對輸入樣本進行運算，產生相應染色體的網絡輸出；

（3）根據適應度函數計算染色體的適應度；

（4）進行選擇、交叉、變異產生新一代種群；

（5）返回步驟（3），直到滿足性能要求為止，獲取最優權值和閾值。

遺傳神經網絡求電池SOC最優解時，先是由遺傳算法搜索連接權值至全局最優解附近，然后用神經網絡局部求解，最終求得全局最優的連接權值，從而得到對電池SOC的最優估計。

2 鋰電池的放電特性實驗

電動汽車鋰離子電池具有比能量大、比功率高、循環特性好等特點[9-10]，是一種新型高性能車載動力電池。從經濟性及可行性出發，本研究采用標稱電壓12.8 V、容量7.2 AH的磷酸鐵鋰電池組替代真實車載動力電池組進行實驗測試。通過磷酸鐵鋰電池組的放電實驗，得到了放電過程中的樣本數據，確定了遺傳神經網絡的訓練參數，為算法的實現做好了數據準備。

測試實驗可按如下步驟進行：

（1）將磷酸鐵鋰電池組充電直至其電壓上升到穩定值，約為14 V。靜置5 h后以0.5C的放電倍率恒流放電。

（2）使用基于AT89C52單片機的鋰電池狀態監測系統記錄鋰電池放電過程的電壓值、電流值及放電電量。

（3）采用不同放電倍率（0.38C，0.75C），重復以上過程。

以0.38C、0.5C和0.75C放電倍率放電的部分數據如表1～3所示。由于該實驗采用恒流放電，放電容量和放電時間呈正比關系，根據放電時間可以計算出放電電量，電池的總容量就是最終的放電電量。

表1 0.38C測試實驗數據

表2 0.5C測試實驗數據

表3 0.75C測試實驗數據

不同的放電倍率下磷酸鐵鋰電池放電電壓與放電時間的關系如圖2所示。由圖2可以看出鋰電池放電過程中的放電電壓和放電倍率密切相關：不超過額定電流放電時，電壓下降比較平緩，能在長時間內維持額定電壓不變；當以比較大的電流放電時，電壓下降較為明顯，僅能維持短時間內額定電壓不變。

圖2 不同放電倍率下電池電壓與放電時間的關系

3 算法流程及系統仿真

3.1 算法流程

本研究闡述的用遺傳算法優化神經網絡預測SOC是通過Matlab軟件編程實現的，總體流程如圖3所示。虛框Ⅰ表示遺傳算法優化權值與閾值的流程，虛框Ⅱ表示BP神經網絡對遺傳算法得到的權值與閾值進行調整的流程。

圖3 程序流程

本研究通過Matlab軟件編程對算法進行仿真。仿真結果表明，算法可以根據鋰電池放電特性試驗所采集的電壓、電流及SOC數據獲取最優權值和閾值，并訓練神經網絡直至滿足設定的精度要求。訓練好的神經網絡可以根據實時采集的鋰電池放電電壓、電流數據預測當前的SOC值，進而判斷電池的運行狀態。

3.2 系統仿真

為了驗證算法的準確性，本研究再次對鋰電池組進行放電試驗，放電倍率分別取0.2C、0.4C、0.6C、0.8C，記錄電壓、電流與SOC數據。通過訓練好的神經網絡對采集的電壓、電流樣本進行識別驗證，預測電池SOC。仿真結果如圖4所示。

圖4 SOC預測值與實測值對比

鋰電池SOC預測值與實測值的最大相對誤差為5.09%，最小相對誤差為0.03%，仿真效果較好。經遺傳算法優化的BP神經網絡，通過252次學習就達到了10-4的訓練指標。程序運行時間不超過2 s，收斂速度較快。

從仿真結果來看，運用遺傳算法優化的神經網絡算法可以根據電壓和電流對電池SOC作出準確估計，具有良好的性能與滿意的效果。

在該算法的基礎上，本研究將所有試驗數據用于訓練網絡模型，并進行適當的數據擬合，可以探究不同放電倍率、電壓的情況下，電池SOC的三維變化趨勢如圖5所示。

圖5 放電倍率、電壓與SOC三維關系

4 結束語

電池SOC的預測是電動汽車使用中的核心環節，準確的SOC預測可以有效提高電池的利用效率、延長電池的使用壽命，同時也便于電動汽車的實施能量最優控制[11]。

本研究使用遺傳神經網絡預測電池SOC值，結合了遺傳算法群體搜索全局最優和神經網絡非線性處理局部最優的特點。該算法具有并行分布式處理和自學習能力，可以根據給定數據快速求得最優解，這對電動汽車鋰電池SOC的在線預測有十分重要的意義。

（References）:

[1]林成濤，王軍平，陳全世.電動汽車SOC 估計方法原理與應用[J].電池，2004，34（10）:376-378.

[2]時 瑋，姜久春，李索宇，等.磷酸鐵鋰電池SOC 估算方法研究[J].電子測量與儀器學報，2010，24（8）:769-774.

[3]劉 浩，謝 樺，姜久舂，等.純電動汽車用鋰離子電池SOC估算方案的研究[J].電氣應用，2010，29（12）:54-58.

[4]徐春暉，徐向東.前饋型神經網絡新學習算法的研究[J].清華大學學報：自然科學版，1999，39（3）:1-3.

[5]王軍平，陳全世，林成濤.鎳氫電池組的荷電狀態估計方法研究[J].機械工程學報，2005，41（12）：62-65.

[6]游 雙.鎳氫電池組SOC 神經網絡估算策略研究[D].天津大學電氣與自動化工程學院，2007.

[7]YUH，WILAMOWSKIBM.Levenberg-marquardt training[J].The IndustrialElectronicsHandbook，2011，21（6）：930-937.

[8]羅燦，周洪亮，張宏建等.基于遺傳算法的智能儀表設計專家系統[J].機電工程，2006，23（8）：5-7.

[9]黃學杰.鋰離子電池及相關材料進展[J].中國材料進展，2010，29（8）:46-52.

[10]張 俊，文和平.純電動汽車絕緣監測系統[J].輕工機械，2013，31（1）：52-54.

[11]WANGC.Prediction ofBattery-SOCofPure Electric Vehicle[C]//Computer Science&Education（ICCSE），2012 7th Interna?tional Con ferenceon IEEE.Melbourne:[s.n.]，2012:466-469.