BP神經網絡在電動車充放電控制中的應用

榮盤祥++王子旭++高生宇

摘要：純電動車作為一種節能環保的交通工具已成為各國研發的熱點，純電動車的續航能力問題是電動車發展中的重要因素，針對電動車在使用過程中由于受電池有限電量的限制以及外界環境因素的影響，導致電動車的續航能力短的問題，依據電動車工作原理結合BP神經網絡技術，通過綜合分析電動車驅動策略和電動車工作模式，提出一種新的基于BP神經網絡充放電控制策略-使用LabVIEW結合駕駛仿真平臺建立了電動車仿真模型，并進行仿真實驗.通過仿真實驗驗證了基于BP神經網絡控制策略的合理性，達到了提高電動車的續航能力的目的.

關鍵詞：純電動車；充放電控制；BP神經網絡

DOI：10.15938/j.jhust.2015.05.016

中圖分類號：U469. 72

文獻標志碼：A

文章編號：1007-2683（2015）05-0080-05

0 引言

電動車動力電池組的性能直接關系到電動車的各種性能及電動車的使用壽命，因此必須對電動車電池組中存儲的電能進行有效利用以提高電動車性能降低電動車運行成本.由于電動車在運行過程中受到多方面不確定的因素的影響，因為神經網絡可以學習和儲存大量的輸入和輸出設置的映射關系，它不需要揭示的映射關系的數學表達.因此本文提jl的基于BP神經網絡的純電動車電池充放電控制策略可以更好的應對電動車在運行過程中遇到的各種不確定因素.

1 充放電控制策略分析

電動車充放電控制策略實際上是根據電池當前SOC狀態和駕駛員的操作行為以及車輛的當前狀態對電池進行充放電控制，從而達到對電動車車速的控制.由于電動車的運行受到電池狀態的影響與限制，因此駕駛員操作電動車以一定的狀態運行時，充放電控制系統會根據電池當前的狀態確定能不能滿足駕駛員的操作.如果在電池允許的工作范圍內則滿足駕駛員對車輛的操作，否則充放電管理系統會按照自己的判斷給出對車輛的控制信號.

1.1 充放電控制系統結構與控制策略

純電動車充放電控制系統結構圖如圖1所示，其中電池組狀態監測模塊用于監測并顯示電池組的狀態參數，充放電控制模塊是算法處理與發送控制指令的機構，該模塊通過串行總線接收電池檢測模塊的實時電池狀態信息和駕駛員操作信息，并按照指定的方法進行推理和計算，能夠給出滿足電動車動力性能和平穩性能的最佳控制命令，

純電動車充放電控制系統的主要任務就是結合駕駛員的操作指令以及電池當前的狀態信息，在實現整車動力性能的前提下達到節能的目的.其具體日標是：低耗能、響應快、實時性好、限制電池SOC的范圍等，本文提出的控制策略的輸入主要有加速踏板行程K_acc，制動踏板行程K_bre以及SOC.輸出為電池輸出功率Pout.電池輸出功率首先取決于駕駛員的操作命令同時受到到電池當前狀態的影響，電池SOC直接影響電池的最大輸出功率.電動車在正常行駛過程中電池soc和電池輸出功率以及電機輸出功率要滿足以下約束條件，儲能系統SOC約束：為了延長電池的壽命，車輛在行駛過程中電池SOC盡量要保持在一定的范圍之內，即：

在制動過程中，如果SOC太高，為了防止電池過充就不能對電能進行回收.同樣如果SOC太低，再繼續放電則會造成電池過放，從而影響電池壽命和電動車的動力性能.因此電池的SOC -般應保持在[0.2，0.9].

功率約束：為了滿足駕駛員對車輛的動力性能要求，一般情況下電動車的輸出功率P_out都會等于駕駛員的請求功率P_req，如果電池當前能輸出的最大功率P_soc不能滿足駕駛員的請求功率則輸出功率應等于電池當前支持最大輸出功率，即：

綜合以上分析本文給出的純電動車的充放電控制流程圖如圖2所示.因為電池的輸出功率功率與電池當前SOC值以及電池效率有關，考慮到計算的復雜和參數難以估計，所以會導致時效性較差，而且難以應用到實際的控制系統中去.為此本文通過離線仿真的方法將充放電控制策略的控制規律提取出來，這些控制規律的集合可以作為一組多輸入單輸出的非線性映射.因為神經網絡能夠以最小的精確度切近任何復雜的非線性映射集合，并且神經網絡的最大特點是有很強的學習能力和歸納總結能力.因此可以通過訓練相應的神經網絡來實現本文所提出的充放電控制策略.

1.2 基于神經網絡的充放電控制策略

1.2.1 神經網絡控制器結構

只要BP神經網絡中神經元的點數合理，那么該神經網絡就具有模擬任何復雜的非線性映射的功能，基于神經網絡的這種特點，本文所設計的神經網絡結構圖如圖3所示，該神經網絡是一個含有2個隱含層的4層BP神經網絡，其中SOC、Kbre、Kacc作為該神經網絡的輸入層，P_out作為該網絡的輸出層，在本文中隱含層的神經元的個數的確定采用試湊法確定，輸出層神經元可以表達為

式中：P_out是神經網絡控制器的輸出，代表電池的輸出功率；W_j表示隱含層的第j個神經元和輸出層的神經元之間的鏈接權值； 表示輸出神經元的閾值；n表示隱含層神經元的數目；.廠為采用的s型激活函數；在神經網絡隱含層中的第j個神經元的輸出值y_j，可表示為

式中：X_i（t）（i=1，2，3）表示SOC、K_bre、K_acc三個輸入信號；w_ij（i=1，2，3；j=1，…，n）表示輸入層到隱含層的鏈接權值；b_j為隱含層第j個神經元的閥值.

1.2.2 訓練樣本獲取與網絡訓練

神經網絡性能的好壞與訓練該神經網絡所用的樣本有著密切的關系，因此訓練樣本一定要具有代表性，在選擇樣本時一定要照顧樣本的多樣性和均勻性.因為隨著網絡輸入神經元的個數的增加，所需要的訓練樣本數會迅速增加，如果在選擇樣本時不按照一定的規律而是隨意選擇，這樣很容易會出現樣本冗余，過量的冗余樣本不僅不會提高神經網絡的訓練速度，更重要的是因為樣本信息含量過多從而導致網絡出現過擬合現象，

因此，在本文中首先在多個行駛工況中均勻地設置不同的SOC值（例如SOC從0.2變化到0.8，間隔為0.1）和加速踏板行程（例如K_acc的值從0變化到10，間隔為1.0）以及有無制動動作.在本文中神經網絡的輸出Pou，可以選用瞬時優化能量管理策略求出最優的電池輸出功率Pprov作為控制規則，該規則的輸入與輸出與神經網絡的輸入與輸出相對應，將求出的所有控制規則作為該網絡的訓練樣本，因為該樣本的選取是基于均勻設置SOC值以及加速踏板行程，所有該樣本是一個多樣性較好的均勻的離散樣本，

為了加快神經網絡的收斂，同時避免神經網絡的各個輸入輸出數據的量綱差異，因此，需要對輸入和輸出數據進行標準化.本文對輸入與輸出的數據限定在[0，1]范圍內，在[0，1]范圍內的網絡輸入和輸出值的換算公式為：式中：x_i為網絡輸入或者輸出數據；x_min為所有訓練樣本的輸入、輸出最小值；x_max為該樣本輸入、輸出數據最大值.

用以上方法得到訓練樣本之后，可以借助MATLAB編寫程序建立本文設計的神經網絡進行訓練.收斂速度慢過慢和訓練時間過長等是標準BP網絡在訓練過程中常見的問題，為了在較短的時間內得到收斂速度，本文使用了Levenberg-Marquardt算法進行訓練.因為該算法一方面融合了高斯一牛頓法局部收斂性的優點，另一方面又融合梯度下降法的全局特性.

為了驗證文中所提出的神經網絡的收斂性，本文借助Matlab中的Simulink工具對該神經網絡進行仿真分析.對文中提到的算法構成的BP神經網絡進行仿真比較，在本文中假設需要逼近的非線性函數為：sm（x）+cos（x），我們使用文中提到的三層神經網絡對其進行逼近仿真，可以得到仿真圖和誤差曲線圖如圖4和圖5所示.

由圖4和圖5可知，該神經網絡經過1400次的訓練后仿真結果誤差為0.01.所以本文所選用的神經網絡逼近非線性函數的效果是比較理想的，由此可知該神經網絡完全可以滿足本文的需要.

2 實驗仿真與結果分析

為了驗證本文所提出的BP神經網絡在電動車充放電控制的有效性，本文以LabVIEW為核心開發的電池模擬測試系統結合模擬駕駛系統和智能充放電機系統建立的純電動汽車模型.將以上得到的神經網絡控制器應用到充放電控制系統中去，在搭建的純電動車仿真環境中針對不同的形式工況進行仿真研究，并在相同的工況下比較基于該神經網絡控制算法與傳統控制算法下電池組電荷狀態變化曲線以及電池輸出功率和期望輸出功率的對比圖如圖6和圖7所示.

由圖6可見，在相同的工況下基于BP神經網絡的充放電控制策略的SOC曲線的最終值為0.583，而基于傳統方式的控制策略下的SOC曲線的最終值為0.575，所以可以有效提高電動車的續航能力.同時從該仿真結果中可以看出，在相同的工況下，基于神經網絡的控制策略可以有效避免電池瞬間較大的放電電流，從而可以很好的保護電池提高電池的壽命，這是傳統的控制方法不能達到的效果.因此，可以驗證本文所提出的基于BP神經網絡的純電動車充放電控制策略的有效性以及相對于傳統控制策略的優越性.

由圖7可見，電池的實際輸出功率和期望輸出功率大致相同，但是還存在一定的誤差.綜合分析產生誤差的原因有以下可能因素：首先從圖中可以看出功率期望輸出相比于實際輸出有一定的滯后時間；其次誤差產生的可能原因是本文選取的樣本不夠理想或者樣本數量還不夠大；最后南于本文所設計的神經網絡中神經元的個數是通過試湊法得到的，所以該神經網絡還有待進一步優化和完善.

3 結語

針對純電動汽車續航能力短的問題提出一種基于BP神經網絡的動力電池充放電控制策略，在Matlab中實現該算法，并通過以LabVIEW為核心開發的純電動車模型進行仿真，仿真結果說明了本控制策略相比傳統的控制策略在提高電動車的續航能力上有了較大的提高，通過仿真實驗進一步驗證了該控制策略的有效性。

本文在實驗室中是在一種理想的環境下的實驗只考慮到了駕駛員的操作，但是外界環境因素也會對動力電池性能產生一定的影響.因此在實際應用中應該考慮電動車所處的濕度、溫度等環境因素，所以如何將該控制算法應用到實車控制將是本文下一步需要重點研究的內容.