基于BP算法的氫鎳電池充電均衡策略

丁愛佳，鄒　黎，亓建英，張　威(山東理工大學電氣與電子工程學院，山東淄博255049)

基于BP算法的氫鎳電池充電均衡策略

丁愛佳，鄒黎，亓建英，張威
(山東理工大學電氣與電子工程學院，山東淄博255049)

為了提高電動車的使用壽命，改善電池組的工作性能，在對典型的電壓均衡控制和荷電狀態均衡控制進行理論分析的基礎上，提出了基于變步長的反向傳播誤差(back propagation，BP)神經網絡及200 Ah氫鎳電池小電流均衡控制策略。該均衡方法采用大電流充電和小電流均衡，考慮了充電過程中的析氣與復合。對電池組進行的模擬仿真結果表明，電壓檢測精度得到提高，具有良好的均衡效果和均衡速度。

電動車電池；充電均衡策略；小電流均衡；BP算法

隨著化石能源的日趨減少和環境污染的加劇，電動汽車在各國得到廣泛的推廣和應用。氫鎳電池具有高容量、大功率、無污染等優點，然而單體電池的自放電特性和使用過程中的差異性使得電池組中各個單體電壓不一致，電壓最低的單體電池決定電池組可用容量，從而影響電池組的使用效率，長此以往將損害電池組壽命。因此，對電池組中的單體采取適當的均衡措施是電池管理系統(battery management system，BMS)的重要任務之一[1]。

目前，電壓均衡法是均衡措施中應用最為廣泛的。傳統電壓均衡電路在充電時對各單體電壓進行監視，同時將監測值與設定的電壓閥值進行比較，如果超過閥值，則啟動對應單體的均衡電路，通過電阻將多余的能量釋放掉。該均衡電路價格低廉、可靠性高，但是效率低下，且存在熱管理和能量浪費等問題[2]。單體電池的荷電狀態(state of charge，SOC)是表征電池狀態的另一重要參數，SOC均衡的重點是對電池組中的單體電池進行SOC估算。傳統估算方法主要有安培時間積分法(即安時法)、開路電壓測量法、內阻測量法及神經網絡法。利用安

本文試圖避開電壓均衡電路效率低、SOC均衡中荷電狀態難以精確預測等問題，應用改進后的反向傳播誤差(back propagation，BP)算法，并將該算法應用到小電流均衡充電，改善電壓均衡的效果。

1 電壓均衡控制

通過對充電中各單體電池電壓的檢測來判斷是否過充，如果過充，通過微機和顯示設備的配合，完成電壓均衡工作。在高功率電池中，適宜采用非耗能型電壓均衡電路。圖1所示是一種分布式拓撲結構Buck/Boost變換電路，圖中：VT1～VT4為場效應管MOSFET，VD1～VD4為續流二極管，L1～L2為均衡電感。其基本原理為：通過控制開關，將超過電壓閥值的電池多余能量存儲到對應電感中，同時電感通過續流二極管將自身能量傳遞到相鄰電池中去。因此，電感起到了能量傳遞作用，從而提高了能量利用率。

圖1　Buck/Boost變換電路

單體電池電壓均衡分為兩步：(1)高電壓單體電池對電感充電；(2)電感對相鄰單體電池放電[7]。為了詳細說明該變換電路的詳細工作原理，以圖2中電池B1、B2為例。假設檢測到B1過充，則微機控制VT1導通，將B1的部分電量轉移到L1中，同時L1經續流二極管VD2向B2充電，如果B2過充，則控制VT3導通，B2向電感L2充電，最終實現單體電池B1、B2的電壓均衡。

圖2　電感充放電原理

控制VT1導通、VT2關斷，此時單體電池B1經過VT1向電感L1充電，并且充電電流由零不斷增加。由于實際電感存在線圈內阻，因此充電等效電路如圖2(a)所示，圖中R10為電感線圈內阻，L10為電感實際電感量，i為電感L10的充電電流，E為電池電勢。電感L初始能量為零，即i0-=0，則對應充電表達式為：

式中：t為時間常數，其計算公式為：

可以近似認為經過時間3t以后電感充電完全，選擇合適電感使t控制在較小的數值以內，從而實現快速均衡目的。

單體電池B1在對電感L1充電的同時，電感L1經過續流二極管VD2向單體電池B2充電，等效電路如圖2(b)所示。電感L的放電初始電流為I'，二極管VD2的正向導通壓降為Vd，則此時的充電表達式為：

采用分布式電壓均衡控制，以采集到的各單體電池電壓數據為判斷依據。然而，單體電池的電壓與溫度的變化總是滯后于內壓的變化，且控制電路過于復雜。

2 SOC均衡控制

SOC是指單體電池的剩余容量與實際總容量的比值，表達式為：

式中：Qr為單體電池剩余容量；Qa為單體電池對應條件下的額定總容量。

影響SOC的因素有很多，包括電流、電壓、溫度、內阻及內壓等。SOC均衡的關鍵是構建一個數學模型對荷電狀態進行快速準確預測。

人工神經網絡(artificial neural network,ANN)通過一定時間的學習和訓練，能夠解決復雜、不確定、非線性系統的建模和處理問題。人工神經網絡分很多種，包括單神經元網絡、遞歸神經網絡及模糊神經網絡等，目前用得較多的是BP神經網絡。

對于串聯電池組而言，所有電池充電電流是相同的，而各單體電池充電過程中的電壓變化量、內阻及溫度是不同的。因此，BP神經網絡輸入層源節點 x1、x2、x3及 x4分別為：

應用于電池組的BP神經網絡模型如圖3所示，網絡總共四層，w為層與層之間的連接權，輸出層有激活函數以限制輸出。通過輸入訓練樣本得到期望輸出，在網絡末端將期望輸出與實際輸出作比較得到誤差信號e，根據誤差對網絡中的連接權值進行修正，使誤差趨向最小。利用訓練后的網絡根據測得的電池各物理參數可以實現對SOC較為精確的預測。

圖3　應用于電池組的BP神經網絡模型

采用BP神經網絡算法能夠實現對單體電池SOC的實時預測，但是Eoi是無法即時測量的，且BP學習算法存在收斂速度慢和存在局部極值的缺點，因此必須對BP算法進行改進。

3 基于BP神經網絡的小電流均衡法

在BP算法中，學習率參數η不易選擇，選擇太小，收斂太慢，選擇太大，容易引起振蕩甚至發散。為解決這個問題，提出如下的變步長方法，表達式為：

其中：

式中：sgn為符號函數，ε(n)為網絡訓練的代價函數，當連續兩個時刻代價函數減小時，l值為1，學習率參數增大一倍；否則，l值為0，步長維持上一時刻步長不變。對不同的連接權采用不同的學習率參數，代價函數的誤差曲面在不同的方向上按照各自較合理的步長向極小點趨近[8]。

由于單體電池的開路電壓Eoi無法在線進行檢測，本文改用單體電池內壓替換內阻作為SOC預測的參數之一。將BP神經網絡算法應用到均衡系統控制中，均衡效果極佳，并且能夠大大縮短均衡所需的時間。

本文使用的是200 Ah/1.2 V氫鎳單體電池，采用如圖4所示的充電均衡系統結構，系統由氫鎳動力系統、車載檢測系統、充電控制模塊和充電均衡系統組成。車載檢測系統包括單體電池數據采集系統、總線通訊模塊、ECU電池采集系統和CAN通信系統，其中單體數據電池采集系統由電壓信號采集模塊、電流信號采集模塊、溫度信號采集模塊和壓力信號采集模塊組成。充電均衡系統與車載管理系統相互通信，直接借助車載檢測系統實現對充電均衡系統的智能化控制，即根據車載檢測系統采集的電池各個單體的數據，通過充電階段的參數設定來控制大功率充電機和鋸齒波小電流充電均衡的運行狀態，繼而根據電池的狀態通過BP控制系統實現對電池組的充電均衡。

圖4　　充電均衡系統結構框圖

正常充電均衡具體工作過程如下。首先采用大功率充電機對串聯電池組進行大電流恒流快速充電，此時電池內部反應為：

當BP神經網絡檢測到有90％的單體電池容量超過額定容量的80％時，停止大功率充電機的恒流充電，同時啟動鋸齒波小電流串聯均衡充電。當系統轉化為鋸齒波均衡充電的狀態時，未達到充電要求的單體電池將繼續充電，單體電池電壓已達到充電要求的，電池電壓值將不再上升而是在電池內部發生復合反應。此時過充電池正負極電化學反應如下：

由于正極的Ni(OH)2都被氧化成NiOOH，因此過充時正極發生反應(11)產生O2；負極儲氫合金吸氫飽和，發生反應(12)形成H2，在儲氫合金的催化作用下與正極滲透過來的O2復合成水：

大電流充電時電解水的速度大于復合速度，來不及復合的H2和O2使內壓升高。因此在充電后期采用小電流均衡，鋸齒波小電流均衡充電電壓波形如圖5所示，圖中Ud為充電電壓峰值，Ue為氫鎳電池組串聯總電壓，鋸齒波電壓對電池組間歇性充電，顯然充電時間較短。充電時，電壓低的單體電池電壓上升；不充電時，過充電的單體電池有充足的時間進行復合反應和散熱，最終實現電池組整體均衡。

圖5　　鋸齒波充電均衡電壓波形

4 模擬結果

電池組不均衡狀況的特性一般借鑒“基于電池能量狀態的串聯組不均衡度”思想來表征電池組的不一致程度[9]，本設計中采用電池電壓來衡量電池能量，采用公式(15)來表征串聯電池組不均衡程度：

式中：εi為電池組的不均衡度；Ui為單體電池電壓；N為電池的數目；E(U)為單體電池電壓的數學期望。

取8塊電動公交車用200 Ah氫鎳單體電池串聯組成一個模塊進行充電均衡實驗，均衡前電池組的最高溫度為24℃，最低單體電池電壓為1.243 V，最高單體電池電壓為1.254 V，最大電壓差為0.011 V。然后采用恒流充電的方式對電池組進行正常充電，檢測得到電池組充電時的電壓折線圖如圖6所示。

圖6　　無均衡下正常充電折線圖

從圖6中可以看出氫鎳電池組的單體電壓在充電后期不均衡度較大，最低單體電壓為1.382 V，最高為1.503 V，最大電壓差增至0.121 V。由此可見，正常情況下串聯電池組充電時電池間的不均衡度被放大，部分單體電池出現過充電現象，而另一部分電池則未充滿。充電后由公式(14)計算得出恒流充電方式下氫鎳電池組不均衡度高達2.65％。

在相同的狀況下，采用本文設計的基于BP神經網絡的鋸齒波小電流充電均衡方案對電動公交車進行充電均衡試驗，首先采用1C電流充電，并啟動BP算法控制，達到預設門檻時，采用0.25C電流均衡。充電均衡時電池組各個單體電池電壓折線圖如圖7所示。充電均衡中后期，電池組的單體間不均衡性較大，但是隨著充電均衡過程的進行，單體電池電壓差異逐漸縮小，本次充電均衡結束時，最低單體電池電壓為1.421 V，最高為1.423 V，最大電壓差為0.002 V。氫鎳電池組的不均衡度為0.052 3％，驗證了本方案達到極好的均衡效果。

5 結論

圖7　啟動小電流均衡后電壓折線圖

實驗結果表明，基于BP算法的200 Ah氫鎳電池小電流均衡策略是一種可行的方法，可以達到較高的精度。與傳統電壓均衡相比，提高了電能利用效率，簡化了系統結構；與SOC均衡相比，避開了SOC不能精確測量的缺點，以單體電壓為基準，可以實現即時測量、及時均衡，達到了良好的均衡效果。

[1]徐順剛，鐘其水，朱仁江.動力電池均衡充電控制策略研究[J].電機與控制學報,2012,16(2):62-65.

[2]STUART T A,ZHU W.Fast equalization for large lithium ion batteries[J].Aerospace and Electronic Systems Magazine(IEEE), 2000,24(7):27-31.

[3]林成濤，陳全世，王軍平，等.用改進的安時計量法估計電動汽車動力電池SOC[J].清華大學學報:自然科學版,2006,46(2): 247-251.

[4]高明裕，張紅巖.蓄電池剩余電量在線測量[J].電測與儀表，2000，37(9):28-31.

[5]POP V,BERGVELD H J,NOTTEN P H L.State-of-charge indication in portable applications[J].IEEE,2005(3):1007-1012.

[6]TSUTOMU Y,KAZUAKI S,KEN-ICHIRO M.Estimation of the residual capacity of sealed lead-acid batteries by neural network[C]// Proceedings of the 20th International Telecommunications Energy Conference.San Francisco,CA:Telecommunications Energy Conference,1998:210-214.

[7]戴海峰，魏學哲，孫澤昌，等.電動汽車用鋰離子電池電感主動均衡系統[J].同濟大學學報,2013,41(10):1547-1552.

[8] 張澤旭.神經網絡控制與MATLAB仿真[M].哈爾濱:哈爾濱工業大學出版社,2011:56-72.

Equalization strategy for MH-Ni battery charging based on BP algorithm

DING Ai-jia,ZOU Li,QI Jian-ying,ZHANG Wei
(School of Electrical and Electronic Engineering,Shandong University of Technology,Zibo Shandong 255049,China)

In order to extend the electrical vehicle(EV)life span and to improve battery pack working performance,BP neural network based on variable step size and equalization control method for trickle charge 200Ah MH-Ni battery was proposed.Then theoretical analysis of typical voltage equalization control and SOC equalization control was particularly described.Bulk charge and small current equalization were both applied to this equalization system. Gassing and recombination were both taken into consideration.Simulations of battery pack were conducted. Conclusions show that voltage detection accuracy is improved.Both equalization efficiency and speed were fine.

electrical vehicle battery;charging equalization strategy;small current equalization;BP algorithm

TM 912

A

1002-087 X(2016)01-0100-03

2015-06-15

國家高技術研究發展計劃(“863”計劃)(2012AA-110300)

丁愛佳(1990—)，男，江蘇省人，碩士研究生，主要研究方向為新能源發電技術。

鄒黎時法對負載電流積分估計SOC，但只適合于SOC起始狀態固定且負載穩定的場合；內阻法是根據電池內阻特性，通過實驗建立直流內阻或交流內阻與SOC的關系；開路電壓法結構簡單，但不能滿足實時在線檢測的要求，且電壓平臺現象會導致SOC估算誤差很大；神經網絡法是在建好網絡模型的基礎上，依靠大量樣本進行數據訓練得到較好的精度，但收斂速度慢且存在局部極值[3-6]。