基于MIV的BP神經網絡磷酸鐵鋰電池壽命預測

張金國，　王小君，　朱　潔，　遲忠君(.北京交通大學電氣工程學院，北京00044；.北京電力公司北京電力科學研究院，北京00075)

基于MIV的BP神經網絡磷酸鐵鋰電池壽命預測

張金國1，王小君1，朱潔2，遲忠君2
(1.北京交通大學電氣工程學院，北京100044；2.北京電力公司北京電力科學研究院，北京100075)

針對鋰離子電池循環壽命衰減問題，為了能更加準確地對鋰離子電池的循環壽命進行預測，對磷酸鐵鋰電池全生命周期進行循環充放電測試，獲得其相關性能參數，提出基于BP神經網絡分析方法建立壽命預測模型。在預測模型基礎上，運用平均影響值(MIV)算法篩選模型的輸入參數。結果表明，所建立的電池循環壽命預測模型具有較高的精度，符合電池的實際運行特性，對解決電池壽命評估周期長和成本高等問題具有重要意義。

磷酸鐵鋰；循環壽命；神經網絡；MIV

動力電池在實際運行中將受到很多外界因素的影響，往往達不到我們所預期的壽命值。過早更換會造成經濟損失，不及時更換又會對系統穩定性造成極大的影響。因此，如果準確了解電池的壽命狀態，無疑能找到經濟性和可靠性的平衡點[1-3]。

目前，判斷電池循環壽命的常用方法是通過對電池進行充放電循環實驗，這種方法有一個比較大的缺點是測試時間比較長，有時甚至需要數月的時間，耗費巨大的人力物力，效率低下。如何在較短的時間內預測電池的壽命非常重要[4]。國外對電池循環壽命預測的方法主要分為兩類：基于經驗的方法和基于性能的方法[5]。文獻[6]通過對恒流循環、工況循環及儲存實驗等方法，分析探討磷酸鐵鋰動力電池在循環過程中的失效機理，但是并未在此基礎上建立循環壽命的評價方法。文獻[7]提出了一種通過擬合、回歸的分析方法來建立可預測鋰離子電池循環壽命的經驗模型，但是由于實驗數據缺少，仍存在一定的誤差。

本文通過對磷酸鐵鋰電池進行1 200次的循環壽命測試獲得性能參數，充分考慮了影響循環壽命的各個關鍵因素，以充電截止總電壓、放電截止總電壓、單體一致性(單體最大壓差)、電池內阻為輸入，基于BP神經網絡方法建立電池循環壽命預測模型。運用平均影響值(MIV)算法[8-10]對輸入參數進行篩選，提高預測精度。

1 基于BP神經網絡的電池循環壽命預測模型

BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態只影響下一層神經元狀態。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出[11-12]。BP神經網絡拓撲如圖1所示。

1.1網絡結構搭建

網絡輸入層選擇影響電池循環壽命的各個因素作為輸入參數，具體為：充電截止總電壓a1，放電截止總電壓a2，單體一致性a3，電池內阻a4。輸出參數為電池循環放電容量y。網絡隱含層輸出H根據輸入向量X，輸入層和隱含層連接權值ωij以及隱含層閾值a計算得出，計算公式為：

圖1　BP神經網絡拓撲結構

式中：f為隱含層激勵函數，計算公式為：

l為隱含層的節點數，根據式(3)計算，即：

n為輸入層節點數。網絡的輸出層輸出則由隱含層輸出H、連接權值和閾值b計算得出，計算公式為：

同時為消除原變量因量綱不同，數值差異太大帶來的影響，需對原變量作歸一化處理，即：

式中：xmin為數據序列中最小值；xmax為數據序列中最大值。

1.2訓練樣本獲取

本文研究對象為國內某廠家提供的同一批次磷酸鐵鋰的鋰離子電池，單體容量60 Ah，充電截止電壓為3.65 V，放電截止電壓2.0 V，標稱電壓為3.2 V，成組電池為24串，成組規格80 V/60 A。

為獲得動力電池整個在運周期的運行特性，以保證測試樣本的完整性和預測精度，采用如下實驗方法：使用EVT 150 V/100 A動力電池測試設備對電池組進行1 200次循環的壽命測試。在(20±5)℃工作溫度下，以0.5C恒流進行充電，至成組總電壓3.6 nV(n=24)時轉恒壓充電，充電電流降至0.03C或單體電壓達到3.65 V時停止充電，靜置15 min，然后以1C進行放電，至成組總電壓為2.7 nV或單體電壓為2.0 V時停止，再靜置15 min，動力電池一個循環測試周期完成，然后進入下一個循環周期。測試設備實時記錄動力電池充放電曲線、充放電容量、充放電截止電壓、電池內阻等。

電池在生命周期初始階段各參數特性相對穩定，沒有實際的預測意義，而在循環1 000次后，容量往往快速衰減，性能很不穩定[13]。因此，本文選取400～1 100次的測試數據(表1為網絡輸入參數的部分數據)作為訓練對象，對1 100～1 200次的放電容量進行網絡預測。

???????????????????? ???? ????/Ah ???????/V ???????/V ?????/mV ???? 4 0 1 　6 0 .8 0 　8 5 .5 3 　6 4 .8 0 　3 1 9 .9 　24 . 3 6 0 4 0 2 　6 0 .8 2 　8 5 .6 4 　6 4 .8 0 　2 9 8 .8 　24 . 4 0 1 4 0 3 　6 0 .7 9 　8 5 .5 4 　6 4 .7 9 　3 0 5 .0 　24 . 4 4 2 4 0 4 　6 0 .8 5 　8 5 .6 1 　6 4 .7 4 　3 1 6 .6 　24 . 4 8 3 4 0 5 　6 0 .8 3 　8 5 .6 3 　6 4 .7 7 　3 1 6 .2 　24 . 5 2 4 4 0 6 　6 0 .7 4 　8 5 .5 7 　6 4 .7 7 　3 2 4 .6 　24 . 5 6 5 4 0 7 　6 0 .8 0 　8 5 .7 1 　6 4 .7 8 　3 1 8 .1 　24 . 6 0 6 4 0 8 　6 0 .6 9 　8 5 .6 2 　6 4 .7 9 　3 0 8 .2 　24 . 6 4 7 4 0 9 　6 0 .7 1 　8 5 .8 4 　6 4 .7 9 　3 0 6 .0 　24 . 6 8 8 4 1 0 　6 0 .6 4 　8 5 .5 9 　6 4 .7 5 　3 1 4 .4 　24 . 7 2 9 4 1 1 　6 0 .7 3 　8 5 .8 1 　6 4 .7 3 　3 1 5 .6 　24 . 7 7 0 4 1 2 　6 0 .7 3 　8 5 .7 8 　6 4 .7 7 　3 2 0 .5 　24 . 8 1 1 4 1 3 　6 0 .6 5 　8 5 . 80 　6 4 .7 7 　3 1 6 .2 　24 . 8 5 2 4 1 4 　6 0 .6 6 　8 5 .7 7 　6 4 .7 4 　2 9 9 .1 　24 . 8 9 3 4 1 5 　6 0 .6 8 　8 5 .8 4 　6 4 .7 8 　3 1 4 .7 　24 . 9 3 4

1.3BP神經網絡模型仿真結果

通過反復調試BP神經網絡參數，最終確定迭代次數epo=100，學習率lr=0.1，訓練目標goal=0.000 04，得到如圖2所示的實測數據和預測數據對比，以及如圖3所示的網絡預測誤差。

由圖2、圖3可知，采用BP神經網絡基本能夠達到預測電池循環放電容量的目的。但是，訓練之后的相對誤差較大，最大相對誤差達到11％左右，預測相對誤差大于5％的樣本數占測試樣本總數的30％左右，說明誤差較大并非突變，而是預測精度達不到要求。尤其在電池生命周期末端，相對誤差呈現遞增趨勢，而末端數據的準確性對本次預測有重要意義。

圖2　BP網絡預測輸出

圖3　BP網絡預測輸出誤差

2 MIV算法篩選網絡變量

經分析，訓練樣本數量的多少及質量的好壞對BP神經網絡預測的精度有較大的影響。一般情況下，神經網絡所包含的的輸入數據是研究人員根據專業知識或者經驗預先選擇好的，但是在實際應用中，由于神經網絡所包含的自變量即輸入特征難以預先確定，很容易將一些不重要的自變量也引入神經網絡，會降低模型的精度[14]。因此，選擇有意義的自變量數據作為網絡的輸入數據，是應用神經網絡分析預測問題中很關鍵的一步。

2.1MIV評價計算

MIV算法目前被認為是在神經網絡中評價變量相關性最好的指標之一[15]。其符號代表相關的方向，絕對值大小代表影響的重要性。因此，可用MIV算法來測定神經網絡輸入單元對輸出單元的影響權重，具體實現過程為：

(1)在完成BP神經網絡訓練后，將訓練樣本中的每個變量分別加減10％，構成兩個新的訓練樣本；

(2)將它們分別作為仿真樣本，利用已建成的網絡對其進行模擬仿真，可得到兩個仿真結果；

(3)對這兩個仿真結果進行差值計算，所得值即為該自變量變動對輸出參數產生的影響變化值；

(4)由現有的樣本數求取影響變化值得平均數，即可得到該自變量對應的MIV值；

(5)重復上述步驟，依次計算各自變量的MIV值；

(6)對計算出的各個變量的MIV值進行排序，得到各個輸入參數對預測結果的影響權重。

依據上述方法，分別對網絡輸入參數的各個變量進行MIV值計算，結果如表2所示。

? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? MI V_ a1 /V ? ? ? ? ? ?M IV _a2/V? ? ? ?? MIV_ a3/ mV ? ? ? ? MI V_ a4 /? ? 0 . 0 5 7 8 　? 0 . 0 6 8 2 　? 2 .2 4 7 9 　? 1 . 8 8 5 3

由表2可知各個輸入參數對輸出結果的影響權重不一致。單體一致性對放電容量的影響最大，其權重值超過2.2，且單體一致性與放電容量呈負相關；電池內阻對放電容量的影響也較大，其權重值接近2，同樣呈負相關；而充電截止總電壓和放電截止總電壓的權重值相對于單體一致性和電池內阻的權重值而言顯得非常小，幾乎可以忽略不計。篩選結果證明單體一致性和電池內阻是影響電池循環壽命的關鍵性因素。因此，網絡在輸入參數設置時選擇單體一致性和電池內阻，以此簡化網絡結構，同時提高網絡的預測精度。

2.2變量篩選后的模型仿真結果

經過變量篩選之后，利用單體一致性和電池內阻來預測電池循環放電容量，得到的實測數據和預測數據對比以及網絡預測誤差見圖4、圖5。

由圖4和圖5可知，通過MIV算法對輸入參數進行篩選以后，網絡預測的最大相對誤差控制在5％以內，相較于之前的11％(圖3)有很大改進。對前后兩次預測結果分別求取均方根誤差和平均相對誤差，由表3可知通過MIV方法篩選以后，網絡的預測精度得到了很大的提高，驗證了MIV算法的有效性。

圖4　　變量篩選后BP網絡預測輸出

圖5　　變量篩選后BP網絡預測相對誤差

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ??? 　?? ? 　? ? ?? ? ? ? ? ? 　0 . 0 7 6 　0 . 0 0 8 ? ? ? ? ? 　0 . 0 7 3 　0 . 0 2 6

3 結論

本文針對磷酸鐵鋰電池循環壽命預測問題，建立了基于BP神經網絡的電池放電容量預測模型，并采用MIV算法對輸入參數進行了優選。通過實驗得出以下結論：

(1)在影響電池循環壽命的眾多因素中，單體一致性和電池內阻起主導作用，若將一些不重要的輸入參數引入神經網絡，會降低模型的精度；

(2)采用MIV算法優化后的BP神經網絡預測模型在很大程度上提高了模型的精度，可用于電池放電容量的預測，有利于解決電池評估周期長和成本高等問題。

[1]YU H J,ZHANG T Z,YUAN J,et al.Trial study on EV battery recycling standardization development[J].Advanced Material Research,2012,610/613:2170-2173.

[2]王雪非.基于工況仿真的鋰動力電池壽命研究[D].哈爾濱：哈爾濱理工大學，2011.

[3]高飛，楊凱，惠東，等.儲能用磷酸鐵鋰電池循環壽命的能量分析[J].中國電機工程學報,2013,33(5):41-45.

[4]林成濤,李騰,田光宇,等.電動汽車用鋰離子動力電池的壽命試驗[J].電池,2010,40(1):23-26.

[5]羅偉林,張立強,呂超,等.鋰離子電池壽命預測國外研究現狀綜述[J].電源學報,2013(1):140-144.

[6]趙淑紅，吳鋒，王子冬．磷酸鐵鋰動力電池工況循環性能研究[J]．電子元件與材料，2009，28(11)：43-47．

[7]孟祥峰,孫逢春,林程,等.動力電池循環壽命預測方法研究[J].電源技術,2009,33(11):955-958,969.

[8]王紫微,葉奇旺.基于神經網絡MIV值分析的腫瘤基因信息提取[J].數學的實踐與認識，2011,41(14)：47-58.

[9]王嘉寅.基于MIV特征篩選和BP神經網絡的煤質特征分析[J].中國科技縱橫,2012(13):38.

[10]孫文彬,劉希亮,王洪斌,等.基于MIV的拋擲爆破影響因子權重分析[J].中國礦業大學學報,2012,41(6):993-998.

[11]鄧超,史鵬飛.基于神經網絡的MH/Ni電池剩余容量預測[J].哈爾濱工業大學學報,2003,35(11):1405-1408.

[12]項宇,劉春光,蘇建強,等.基于BP神經網絡的動力電池SOC預測模型與優化[J].電源技術,2013,37(6):963-965,986.

[13]吳赟,蔣新華,解晶瑩,等.鋰離子電池循環壽命快速衰減的原因[J].電池,2009,39(4):206-207.

[14]史峰,王小川,郁磊,等．Matlab神經網絡30個案例分析[M]．北京：北京航空航天大學出版社,2010：183.

[15]顧瑤媛,謝紅,吳旭波,等.基于MIV特征篩選和BP神經網絡的三維人體參數轉換[J].上海工程技術大學學報,2012,26(4):361-364.

Cycle life prediction of LiFePO4Li-ion battery based on MIV Algorithm and BP Neural Network

ZHANG Jin-guo1,WANG Xiao-jun1,ZHU Jie2,CHI Zhong-jun2
(1.School of Electrical Engineering,Beijing Jiaotong University,Beijing 100044,China;2.Beijing Electric Power Research Institute, Beijing Electric Power Company,Beijing 100075,China)

In order to deal with the declining of cycle life of lithium batteries and to predict their cycle life more accurately,a circulation test of charging and discharging during the whole lifecycle of lithium iron phosphate batteries was conducted and related performance parameter was got.Then a life prediction model was proposed based on the analytical method of BP network analysis.Based on the prediction model,the algorithm of mean influencing value (MIV)was applied to filter the input parameters of the model.The results indicate that the prediction model of cycle life of lithium batteries established possesses a higher precision,which is in accord with the actual running characteristic of the batteries and is of significance to solve the problems of long period and high cost of assessment of battery life.

LiFePO4;cycle-life;back-propagation(BP)neural network;mean impact value(MIV)

TM 912

A

1002-087 X(2016)01-0050-03

2015-06-05

國家電網公司科技項目(GWKJ201203)

張金國(1989—)，男，江蘇省人，碩士，主要研究方向為電動汽車電池建模與電動汽車充電實時仿真測試。