基于 BP 神經網絡的鋰電池 SoC 在線預測

苑 倩，劉金枝，楊 鵬

（ 河北工業大學 控制科學與工程學院，天津 300130）

基于 BP 神經網絡的鋰電池 SoC 在線預測

苑 倩，劉金枝，楊 鵬

（ 河北工業大學 控制科學與工程學院，天津 300130）

通過電路板搭建鋰電池電壓、電流、溫度實時檢測平臺，在上位機界面實時監測鋰電池參數的信息．根據檢測到的數據，利用 LM（Levenberg-Marquardt）算法，提出了基于 BP 神經網絡的鋰電池剩余電量（StateofCharge，SoC）計算模型，模型以鋰電池參數采集平臺采集到的電壓、電流數據為輸入，電池的 SoC 為輸出，利用實驗室實測到的數據進行模型實驗．結果表明：該模型具有較高的精度，并且泛化性能好，對于 SoC 的預測具有可行性．

監測；LM；BP神經網絡；剩余電量；泛化性

電動汽車的無 （低） 污染的優點使其成為當代汽車發展的主要方向[1-2]，而鋰電池的容量大、循環使用壽命長、安全性高、體積小、比容量高使其成為電動汽車的主要動力來源．目前，電池的安全性和使用成本問題已經成為影響電動汽車推廣的瓶頸．為了更好的發揮出電池的性能，提高電池的利用率并且減少用戶更換電池的成本，需要設計一套完整的電池管理系統對電池進行控制管理，為此，國內外均投入了大量的人力物力開展廣泛深入的研究．

本文設計電路實時采集電池的電壓、電流、溫度等參數，并將這些參數通過 labview 上位機軟件進行顯示，根據檢測到的電池信息，進行電池剩余電量的估算．為了提高SoC在線預測的精度，已經探究和開發了許多科學的預測方法．近年來，有學者提出利用擴展卡爾曼濾波算法進行 SoC 的預測[3]，但該方法不可避免的涉及到模型中各個參數的辨識與復雜方程的解析問題，增加了模型的復雜度．雖然安時積分法預測SoC的方法應用性較廣，但隨著時間的推移，系統誤差會越來越大[4]．常用的開路電壓法則只是用于駐車狀態，無法滿足在線預測的要求．內阻法則對測量精度有很高的要求，很少應用于實際車輛的行駛過程．而神經網絡具有良好的非線性映射能力、自適應能力與并行信息處理能力，對于鋰電池SoC 的在線預測是一種很好的解決辦法．因此，本文利用實驗室數據，運用BP 神經網絡對電池的 SoC 進行在線預測并通過matlab 仿真實驗驗證了此方法在 SoC 預測方面的優越性，達到了提高電池的使用效率、延長電池的使用壽命的目的[5-7]．

1 鋰電池參數采集系統結構

本文基于 PIC18F45K80 主控制器，實現對鋰電池的參數采集與管理．其中包括基于 LTC6802 的電池電壓采集單元、基于NTC熱敏電阻的溫度采集單元和基于ACS712 霍爾元件的電流采集單元并且采用電感均衡電路實現電壓的均衡．

利用串口協議，將采集到的鋰電池參數傳輸到labview上位機界面中，并通過上位機界面，實時監測電池電壓、電流、溫度以及電量等信息．在上位機中設置有報警提示，當出現過壓、欠壓或過溫等異常情況時，及時報警，并斷開電池連接，提高了系統的安全性．

該系統結構示意圖如圖1所示．

圖1 電池管理結構示意圖Fig.1 The schematic diagram of batterymanagementsystem

2 BP 神經網絡估算 SoC

人工神經網絡旨在模仿人的智能行為，通過并行結構與自身較強的的學習能力，能夠在外部激勵存在時給出相應的輸出響應，具有良好的非線性映射能力．其中，在眾多神經網絡模型中，1986 年由Rumelhart等提出的一種誤差反向傳播神經網絡——BP（Error Back Propagation） 網絡以較強的泛化能力以及較好的容錯性 發展最為迅速．在 1986 年被提出之后，陸續被應用于模式識別、圖像識別、系統辨識、函數擬合、優化計算、最優預測和自適應控制等領域，并且都有很大的發展．

BP神經網絡由輸入層、隱含層、輸出層3部分構成，根據最小二乘法，通過梯度搜索技術，使網絡的實際輸出值更接近于期望輸出．神經網絡不需要精確的數學模型，可以根據系統的輸入、輸出樣本數據獲取系統的輸入、輸出關系，避免考慮電池內部復雜的化學變化以及高等數學的解析問題，使計算簡便易行．理論證明只要有足夠多的隱層和隱層節點，就可以逼近任意的非線性映射關系，并且系統的輸入、輸出之間的信息分布存儲在網絡的連接權值中，個別神經元的損壞對系統的輸入、輸出影響較小，對研究鋰電池剩余電量的估算問題有很大的推進作用．

2.1 BP 神經網絡結構

BP神經網絡由于具有不用建立復雜數學模型的優點，在系統辨識、優化計算和最優預測等領域有著較廣泛的應用．

通過理論分析已經表明：BP網絡結構的隱層數最多2層即可．只有在學習不連續的函數時，才需要2層隱層，其基本結構如圖2 所示．其中，i為輸入層神經元，k 為輸出層神經元，j為隱層神經元．

BP算法的學習過程主要由兩部分構成：輸入信息的正向傳播與誤差遞減的反向傳播．在正向傳播過程中，信號經由輸入層、隱層到達輸出層．若輸出層不能得到期望的輸出，則轉入誤差的逆向傳播階段，由LM算法調整各層神經元的權值，使誤差信號減?。?/p>

2.1.1 前向傳播

其中：wij為輸入層與輸出層之間的權值；ai為閾值；隱層神經元的輸出x'j采用 Sigmoid函數激發 xj, 得

輸出層神經元的輸出

圖2 3層BP神經網絡結構Fig.2 The schematic diagram of three-layer neuralnetwork

前向傳輸過程如圖3 所示．圖中：T 1 、T 2 …TR 為輸入數據，f1、 f2分別為輸入層、輸出層的激活函數，a1、a2、a3為各層的閾值，w1、w2、w33為各層的權值，b1、b2、b33為取函數后的輸出．

2.1.2 反向傳播

采用LM算法調整各層的權值．LM算法其實是梯度下降法與牛頓法的結合，設 w k 為第 k次迭代的網絡權值向量，新的權值向量可根據下面的方程求得

圖3 3層BP網絡信號傳播圖Fig.3 Thesignalpropagationdiagram of three-layerneuralnetwork

設誤差指標函數為

式中：yi為期望輸出；oi為實際輸出；N 為向量的維數；設 e x= e1,e2, ,eNT，則

對于牛頓法有

當尋找到一個合適的值時，Sx 接近于零，牛頓法轉變成高斯-牛頓法

LM算法是上式算法的改進，表達式如

2.2 三元聚合物鋰電池 SoC 預測模型的建立

三元聚合物鋰電池因為放電電流不同與放電過程的進行，電池的端電壓也時刻在變化，都是一個下降的趨勢，只是下降的速率不同，這是由于在放電過程中電池內部產生極化了內阻，并且放電倍率越大，電池極化現象越嚴重，導致內阻越大，電池端電壓也就下降越快，放電曲線圖如圖4 所示[8-10]．

放電電壓與剩余電量的關系圖如圖5所示．

由圖4、圖5可知，三元聚合物鋰電池的容量與電池的電壓、電流、溫度、使用時間和放電次數等密切相關，并且他們之間是一種非線性關系．綜合上述，選擇電池的電壓（U）、電流（I）作為網絡的輸入，要估算的 SoC 作為網絡的輸出[11-14]．理論證明具有單隱層的神經網絡能映射一切連續的函數，所以我們選擇 3層的BP神經網絡進行三元聚合物鋰電池SoC的預測，如圖6 所示．

圖4 鋰電池放電曲線圖Fig.4 Voltage discharge curveof Lithium battery

圖5 鋰電池電壓與容量的關系Fig.5 The relationship between voltageand SoC

圖6 中，i為輸入層，j為隱含層，k為輸出層．輸入層有 2 個節點，輸出層有 1 個節點，通過用同一個樣本集對具有不同隱節點數的網絡進行訓練，依次記錄、比較各次誤差結果，從中選取測試誤差最小的網絡中隱層節點數作為最佳隱層節點數．經過多次實驗，得到隱層神經元數量為7．這里輸入層和隱含層之間用單極性 Sigmoid 激活函數，隱含層用 Tansig激活函數，輸出層用Purelin線性激活函數．訓練函數選取LM算法，訓練誤差定為 0.000 15．

首先，根據上述參數設定網絡結構，輸入相同的訓練樣本，最大 訓練次 數設 定為 5 000，訓練 目標為104，分 別用帶 動量 因子的梯度下降法與LM算法進行系統仿真．

選取訓練樣本集，其中，電壓在 23 ～ 29.4V之間變化，電流在0 ～ 15A之間變化，SoC 的變化范圍為 0 ～ 1．為了讓樣本各分量在網絡訓練時對網絡的影響具有相同的權重，處于同等重要的地位，將輸入向量進行歸一化，選取的訓練樣本數據見表1．

用MATLAB進行BP網絡模式識別，編寫網絡訓練程序．分別用附帶動量因子的梯度下降法（traingdm）與 LM 算法進行系統仿真．對表1中的數據進行訓練，并且保存網絡以進行測試樣本的預測，其訓練結果如圖7和圖8所示．

圖6 預測模型Fig.6 The structureof training

用基于兩種不同算法訓練好的網絡分別對測試樣本進行預測，其測試結果分別如表2、表3．

其誤差效果圖如圖9、圖10 所示．

3 結論

由帶動量因子的梯度下降法的訓練結果可知，此方法在 5 000 步左右時訓練誤差才收斂到 103，并且測試誤差在 10%左右，訓練時間較長、收斂較慢．相比之下，LM算法不僅在訓練的第 7 步的時候就達到訓練目標，而且測試樣本的測試誤差控制在 5%以內．所以，LM比附帶動量因子的梯度下降法在訓練誤差、訓練時間和迭代次數等方面的性能都有所提高，并且克服了傳統 BP網絡學習算法訓練網絡時可能遇到的因隱層節點數不足而導致網絡性能下降或者不收斂的現象，網絡訓練的時間大大縮短，提高了算法的效率，準確率較高，并且泛化性能良好，對于非訓練樣本值也能夠正確進行預測．

表1 訓練樣本Tab.1 Training samples

表2 基于帶動量因子的梯度下降法的測試樣本及結果Tab.2 The testsamplesand resultsbased on the algorithm of traingdm

圖7 基于帶動量因子梯度下降法的樣本訓練過程Fig.7 The training processof samplesbased on thealgorithm of traingdm

圖8 基于LM算法的樣本訓練過程Fig.8 The training processof samplesbased on LM

所以，經實驗證明，以與電池SoC關系較為密切的電池端電壓和負載電流作為輸入量，電池的SoC 作為輸出量建立的基于 LM 算法的 BP 神經網絡鋰電池SoC 的預測模型，預測出的 SoC 值與期望值最大誤差不超過 5%，具有較高的準確性．實驗結果表明，該模型較為精確，能夠合理的反映出電池SoC 與其影響因子之間復雜的非線性關系，而且模型泛化性好，可推廣使用．與其它SoC 計算模型相比，該模型的優點在于直接以實驗測得的數據作為輸入，簡化了模型結構與計算過程．由此可見利用 BP神經網絡結構進行電池的預測是可行的，并為鋰電池SoC預測方面提供了新的思路與方法．

表3 基于LM算法的測試樣本及結果Tab.3 The testsamplesand resultsbased on the algorithm of LM

[1] 胡驊，宋慧孫．電動汽車 [M]．第 3 版．北京：人民交通出版社，2012．

[2] 譚曉軍．電動汽車動力電池管理系統設計 [M]．廣州：中山大學出版社，2011．

[3]Chaturvedi，NalinA． AlogrithmsofAdvancedBattery-ManagementSystem[J]．ControlSystems，IEEE，2010，30（3）：49-68．

圖9 基于帶動量因子梯度下降法的樣本測試誤差Fig.9 The testing error based on thealgorithm of traingdm

圖10 基于LM算法的測試樣本誤差Fig.10 The testing errorbased on LM

[4] 李哲，盧蘭光，歐陽明高．提高安時積分法估算電池 SOC 精度的方法比較 [J]．清華大學學報：自然科學版，2010，50（8）： 1294-1296．

[5] 孫駿，李寶輝，薛敏．電動汽車 SOC 估算方法 [J]．汽車工程師，2011（12）： 25-27．

[6] 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．

[7] 李練兵，梁浩，劉炳山．基于單片機的動力電池管理系統的硬件設計 [J]．電子技術應用，2010（02）：70-72

[8] 張華輝，齊鉑金，龐靜，等．動力鋰離子電池穩態特性參數 MAP圖建模與仿真 [J]．電源技術，2009，33（5）：390-394．[3]Chaturvedi，NalinA． Alogrithmsof Advanced Battery-ManagementSystem[J]．ControlSystems，IEEE，2010，30（3）：49-68．

[4] 李哲，盧蘭光，歐陽明高．提高安時積分法估算電池SOC 精度的方法比較 [J]．清華大學學報：自然科學版，2010，50（8）： 1294-1296．

[5] 孫駿，李寶輝，薛敏．電動汽車SOC 估算方法 [J]．汽車工程師，2011（12）： 25-27．

[6] 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．

[7] 李練兵，梁浩，劉炳山．基于單片機的動力電池管理系統的硬件設計 [J]．電子技術應用，2010（02）：70-72

[8] 張華輝，齊鉑金，龐靜，等．動力鋰離子電池穩態特性參數MAP圖建模與仿真 [J]．電源技術，2009，33（5）：390-394．

[9] 張賓，林成濤，陳全世．電動汽車用 LiFePO4/C鋰離子蓄電池性能 [J]．電源技術，2008，32（2）： 95-98．

[10] 安志生．電池管理系統中鋰離子電池SOC估算方法的研究 [D]．太原：太原科技大學，2013：45-46

[11] 胡任，韓贊東，王克爭．基于 BP 神經網絡預測靜置電池的剩余電量 [J]．電池，2006，36（1）：58-59．

[12] 尹安東，張萬興，趙韓，江昊．基于神經網絡的磷酸鐵鋰電池 SOC 預測研究 [J]．電子測量與儀器學報，2011，25（5）：433-437．

[13] 廖恩華． 基于神經網絡的磷酸鐵鋰電池SOC估算方法研 [D]．成都：電子科技大學，2011：48．

14] 朱良山，林嬋，王起峰． LM_BP神經網絡在總輻射日曝輻量計算中的應用研究 [J]．太陽能學報，2013，34（07）：1202-1205．

[責任編輯 代俊秋]

The prediction of SoC of lithium battery based on BP neural network

YUAN Qian，LIU Jin-zhi，YANG Peng
( School of Control Science and Engineering, Hebei University of Technology, Tianjin 300130, China )

By using the circuitboard to structure thebattery parametersdetection platform,such asvoltage,currentand temperature,and sending theparameters to computer.A modelofestimating thestateof chargeof lithium battery based on BPneuralnetworkwasput forward.The inputvectorneeded two factors---voltageand current,and theoutputvector was the SoC of lithium battery.A testwasdoneon themodelby using the datameasured in laboratory.The resultof the testshows thatthedata calculated by themodelisaccurateand themodelhasgood generalization ability,which is feasible for SoC prediction.

monitoring;levenberg-marquardt;BPneuralnetwork;state of charge;generalization

1007-2373(2014)05-0015-07

TM912.9

A

10.14081/j.cnki.hgdxb.2014.05.003

2014-09-26

國家自然科學基金（61305101）

苑倩 （1989-），女 （漢族），碩士生 ．通訊作者：楊鵬 （1960-），男 （漢族），教授．