基于憶阻神經網絡的鋰電池SOC檢測技術研究

王建軍，馬樹才，張春梅

(1.張家口職業技術學院，河北張家口075000；2.河北北方學院信息科學與工程學院，河北張家口075000)

為了應對能源危機，世界各國紛紛研究綠色能源汽車，電動汽車就是其中的重點。電動汽車的能量全部或部分來自于蓄電池，而蓄電池的功率密度和儲電容量決定著電動汽車的行駛速度和行駛里程，成為電動汽車能否真正走向市場的關鍵因素。因此開發高性能、低成本、壽命長的動力電池是發展電動汽車事業所必須解決的問題。

目前，應用于電動汽車的電池種類很多，主要有鉛酸電池、鎘鎳電池、氫鎳電池和鋰電池，其中鋰離子電池由于其高體積比、高質量比、無記憶效應、壽命長、綠色環保等優點成為研究的熱點。據研究，未來將有2/3的電動汽車將使用鋰電池。

本文首先從鋰離子電池的電池性能參數入手，分析了各種參數對鋰離子電池狀態的影響，并選取SOC作為研究的重點，以憶阻神經網絡模型為基礎，構建了相應的SOC估值體系。

1 鋰離子性能指標分析

鋰電池的工作性能受諸多因素的影響，如電壓、溫度、老化程度等，因此，對電池進行有效的管理是電動汽車可靠運行的前提。電動汽車的電池管理是對電池組的電壓、電流、溫度和繼電器狀態進行實時檢測，實現對電池有效的充放電控制、均衡監測、故障診斷、熱管理等功能，保障電池能夠工作在合理的參數范圍內，同時通過電池組的荷電狀態(SOC)和健康狀態(SOH)進行評估。最終達到提高電池組使用效率、增加續駛能力、延長使用壽命、降低運行成本，提高電池可靠性的目的。

為了實現電池的有效管理，電池管理的主要技術有SOC估算、SOH估算和熱管理。其中SOC是電動汽車運行過程中非常重要的參數，SOC參數可以為駕駛者提供電池能量供給狀況，進行充放電管理，防止電池的過充與過放，從而保證車輛的可靠行駛、延長電池的使用壽命。因此，準確地檢測SOC值是提高電動汽車利用效率的必要手段。但是由于電動汽車在使用過程中具有高度的非線性，而目前所使用的開路電壓法、內阻法、放電實驗法、Ah計量法、線性模型法、卡爾曼濾波法等[1]。均或多或少存在著缺陷。因此，研發精確度高、實時性強的SOC估算辦法至關重要。

鋰離子電池的電化學特性受到電壓、電流、溫度的影響很大，加之電動汽車的應用環境復雜，所以SOC值的估算是一個非線性數據計算過程，涉及到的參數很多，主要有電池的電壓特性、內阻特性、效率特性、循環特性。

鋰離子電池的電壓特性主要是指開路電壓(OCV)，由于鋰離子電池的開路電壓與SOC存在著一定的非線性關系，因此，利用這種特定的關系而形成的SOC估算方法是應用較為廣泛的方法之一，但是，由于開路電壓只有在電池靜置一段時間后才可得到準確的數值，所以，這種方法并不適用于電池SOC值的實時估算。

鋰離子電池的內阻分為直流內阻和交流內阻，而電池的直流內阻與SOC的關系在一定范圍內呈線性，而且這種線性關系不隨著溫度的變化而變化，所以可依靠內阻法進行SOC值的測算，但是，由于電池內阻隨著電池老化程度和循環次數的不同而有較明顯的差別，所以參數狀態復雜，已很少應用在SOC值的估算中。

鋰離子的效率特性在SOC的估算中主要是指充放電效率，主要包括安時效率和瓦時效率兩種，而較為常用的是安時效率。所謂的安時效率是指在規定的條件下，蓄電池放電期間給出的電量與恢復至初始充電狀態所需電量的比值。這個定義在本質上與SOC的定義具有相同性，因此，利用安時效率來估算SOC也是常用的方法之一。在檢測過程中需要取得SOC的初值并利用開環控制進行結果的調整。這種方法的缺陷是SOC的初值不易準確掌握且開環控制易積累出較多的誤差。

SOC的其它估算方法，例如卡爾曼濾波法存在著硬件要求高的缺點；而線性模型法不適用于電流變化較大的場合，所以目前對SOC值估算方法的研究大多集中在人工智能的方向上，基于神經網絡的SOC估算方法就是其中之一。

2 基于BP神經網絡技術的SOC技術分析

人工神經網絡是人工智能的一個分支，神經網絡由許多相互連接的節點組成，每個節點有許多輸入量，對于每一個輸入量都對應一個相應的權重，將這些輸入量經加權求和后，再通過傳遞函數計算就會得到輸出值，再傳給下一層神經元。對于每一個節點存在著一個閾值b，用來對輸入變量進行有效值規范。同時，整個網絡還需要定義一個傳遞函數，該函數對輸入變量的和值進行相應的計算，并將計算值作為輸出值輸出。

BP神經網絡即誤差反向傳播網絡，是目前應用最廣的一種，具有簡單、易行、計算量小、并行性強等優點。BP神經網絡具有三層結構[2]，分別為輸入層、隱含層、輸出層組成(如圖1所示)，輸入層接受來自于實際情況中的采集數據，隱含層利用權值對輸入值進行求和后，利用傳遞函數進行再次計算，直至得出輸出值，將輸出值與實際測量值進行對比后，得出相應的誤差值，利用誤差對前向傳導過程進行分析，調整網絡權值，再繼續進行網絡學習過程訓練，直至誤差縮小在規定的范圍內。BP神經網絡的傳遞函數必須處處可導，一般都使用雙曲正切函數tagsig或對數雙曲線函數logsig來完成。結合實際SOC值估算具體的計算過程如圖2所示。

圖1 三層BP神經網絡結構

圖2 BP神經網絡SOC值計算流程

3 利用憶阻器對神經網絡SOC算法的改進及仿真

神經網絡的反復學習訓練過程而造成的時間延遲一直是利用神經網絡對SOC值進行估算的缺陷，所以加快神經網絡的訓練過程，利用特殊元件來減少權值的逐步靠近過程是解決問題的關鍵。而憶阻器就是具有這種功能的特殊元件。

憶阻器是一種具有記憶功能的非線性電阻，具有電不易失性、存儲精度無限的基本特點，同時由于憶阻器內部變量設置合理，對采集數據可兼容數字和模擬兩種模式。

基于神經網絡的SOC估值算法可采取三種方式來實現權值的存儲和調整，分別為模擬、數字和混合式。模擬方式采用電容來實現網絡權值的存儲，精度高，但是具有電容電易失性，需要增加刷新的設備；數字方式精度低，對于電動汽車的SOC值的估算很難達到要求；混合方式可克服模擬式與數字式的兩種弊端，但是需要進行多次的A/D與D/A的轉換，帶來了額外的設備支出及產生了時間的延遲[2]。所以結合憶阻器的基本特點，利用憶阻器來存儲權值可以使整個系統即具有高的精度，又可減少A/D與D/A轉換過程，從而節省了權值的調整和傳輸時間，可以有效地提高BP神經網絡的計算效率。

本例結合實際情況，選取1.5C倍率下的數據作為實驗數據，設定誤差指數為0.0001，輸入Matlab程序進行仿真計算，網絡訓練250步，用時5 s，結果如圖3所示，從圖3中可見基于憶阻神經網絡的SOC的預測值相比于傳統神經網絡的SOC的預測值與實驗值吻合更好，精度更高。

圖3 SOC的預測值與實驗值對比圖

4 總結

采用神經網絡的方式進行電動汽車的SOC值的估算是目前的研究熱點，而將憶阻器應用至神經網絡，可以進一步使人工神經網絡的硬件體系結構對網絡的計算過程提供有效地支持。本文將憶阻器引入神經網絡的神經元設計，可有效地改善傳統神經元的結構，具有速度更快、功耗更低、體積更小、功能更強的基本特點，從而可以極大地促進以人工神經網絡為基礎的電動汽車電池管理技術的發展。

[1]劉浩．KF的電動汽車用鋰離子電池SOC估算方法研究[D]．北京：北京交通大學，2010：11-12.

[2]康洪波，劉瑞梅．基于神經網絡光伏發電預測模型的研究[J]．電源技術，2013，37(3)：447-449.