基于神經網絡的動力電池SOC研究

楊孝敬， 鐘 寧，2

(1.北京工業大學國際WIC研究院，北京100124；2.前橋工業大學生命科學與信息工程系，前橋3710816)

基于神經網絡的動力電池SOC研究

楊孝敬1， 鐘 寧1，2

(1.北京工業大學國際WIC研究院，北京100124；2.前橋工業大學生命科學與信息工程系，前橋3710816)

利用神經網絡進行了動力電池荷電狀態 (SOC)預測研究。在分析磷酸鐵鋰電池充放電機理的基礎上，采用levenberg-marquardt(LM)算法建立了動力電池的BP(back propagation)神經網絡模型，并進行了電池SOC值的預測。結果表明，基于神經網絡的電池SOC預測方法具有較高的精度，可用來預測磷酸鐵鋰電池的SOC值。

動力電池；荷電狀態(SOC)；神經網絡

目前動力電池的性能和價格是產業化和應用推廣的主要“瓶頸”。磷酸鐵鋰(LiFePO4)電池安全性能好、使用壽命長、環境友好和成本低將是未來的理想動力源[1]。為了延長電池使用壽命和確保良好的電池性能，對其進行管理和控制至關重要，準確預測電池的荷電狀態(SOC)是電池管理系統中最重要和最基本的任務。目前常用的電池SOC的預測方法有[2]：卡爾曼濾波法、開路電壓法、內阻法、按時計量法等。這些方法通常是通過檢測電池壽命、充放電倍率、電池的電壓、溫度、電流等參數來推斷，但因為這些電池的參數與SOC之間的關系是非線性而復雜，用傳統數學方法很難建立模型，而且可靠性低。神經網絡具有魯棒性、容錯性、高度的非線性、逼近多輸入輸出參數函數等特點，根據外部激勵可以給出相應的輸出，可以用來預測電池SOC值。采用基于改進算法的BP神經網絡方法對核磁共振電池建模，預測不同電壓和不同放電電流下的LiFePO4電池SOC值，從而為核磁共振的電池管理系統設計與優化提供新的方法。

1 LiFePO4電池工作原理

動力電池一般包括：電池殼、PTC(正溫度控制端子)、負極、正極、電解質、正極引線、隔膜、負極引線、絕緣材料、中心端子、密封圈、安全閥等。LiFePO4電池的正極是LiFePO4材料。正極材料LiFePO4由電池正極和鋁箔連接，中間是聚合物的隔膜，將負極與正極隔開，鋰離子Li+能夠通過但電子e－不可以通過，負極是由碳(石墨)組成的，由電池的負極與銅箔連接。電池的上下端之間是電池的電解質，電池由金屬外殼密閉封裝[3]。

充電時，正極材料中的鋰離子Li+從[FePO4]－層出來，通過電解液負極材料時，Fe2+被氧化成為Fe3+，電子通過相互接觸的導電劑由外電路到達負極，而放電過程與之相反。可表示為：

2 神經網絡的SOC預測模型建立

2.1 BP神經網絡結構

應用最普遍的神經網絡是BP網絡[4]，它有三層前饋網絡組成，即輸入層，隱含層和輸出層，如圖1。

圖1 三層BP神經網絡結構

輸出層中的節點輸出函數為：

2.2 BP神經網絡的算法改進

BP神經網絡算法是基于梯度下降法的方法，因而有自身限制與不足，主要表現是訓練的時間過長，而且容易陷入局部極小值。基于數值優化的LM算法為BP網絡改進算法，使得網絡的收斂速度得到有效提高[5]。

LM算法原理是利用標準的數值優化技術的一種快速算法。由于BP神經網絡的性能函數為網絡的均方誤差，Hessian矩陣能夠由Jacobian矩陣近似獲得，即由式(3)進行估算[6]：

梯度函數計算公式為：

在LM算法中，網絡權值和閥值調整公式為：

2.3 動力電池SOC預測模型的建立

目前LiFePO4電池性能估計的數學模型都是基于電池內部所發生反應的物理化學規律建立的，在建模過程中應用了大量的假設條件和經驗參數，模型精度有限，且模型的表達式是多參數的偏微分方程組，求解過程十分繁瑣。而對于實際工作狀態下的電池，其內部反應十分復雜，顯然這種方法很難滿足實際需要。為了避開LiFePO4電池內部的復雜性，采用改進算法(LM算法)的BP神經網絡建立電池SOC預測模型。

根據Kolmogorov定理，一個三層的前向網絡具有對任意精度連續函數的逼近能力，故采用三層BP神經網絡進行LiFePO4電池SOC預測，如圖2所示。

圖2 基于BP神經網絡的SOC預測模型

3 基于BP神經網絡模型預測SOC

3.1 電池測試系統及數據選取

3.1.1 電池測試系統

以商業的LiFePO4電池(3.1 V，40 A)為測試對象，在AVL公司生產的動力電池性能測試裝置上進行測試。電池測試系統結構如圖3所示，電池測試系統軟件安裝在PC機上，軟件通過CAN線與電池循環系統進行信息交流，電池的正負極連接在電池循環系統上，數據采集裝置與電池直接連接，并通過高低壓轉換裝置把信號送到數據記錄器上，PC機通過以太網與數據記錄器連接。

圖3 LiFePO4電池測試系統

3.1.2 測試數據選取

在上述測試系統上進行不同恒流放電模式的電池測試，保持測試的環境溫度為20℃，電池放電在中等倍率下進行，使測試過程中LiFePO4電池的容量衰減很少。將電池分別按照0.5C、0.7C、0.95C、1.45C的放電倍率進行放電測試，在測試過程中設備可以自動記錄電池各個參數(電壓、電流、放電容量)的變化。為了減小數據差異而對網絡訓練產生不良影響，使網絡訓練更有效，將所得數據經歸一化處理。經處理后得到電池樣本數據如表1所示。

3.2 網絡訓練與測試驗證

3.2.1 網絡訓練

利用MATLAB神經網絡工具箱進行BP網絡搭建與訓練[7－8]。將標準化處理后的訓練樣本數據(如表1所列)輸入網絡。

采用LM算法訓練網絡，經過32個步長的訓練，網絡達到精度要求(≤0.001)，誤差收斂到期望值。訓練過程如圖4所示。

Research on estimation for SOC of dynamics battery based on neural network

The state of charge(SOC)of dynamics battery for electric vehicle was estimated by neural network.Based on the electrochemical mechanism of dynamics batteries during charge and discharge,a back propagation(BP) neural network model was built up using Levenberg-Marquardt(LM).The neural network model was used to estimate SOC of dynamics battery.The results show that the neural network method is a quite accurate algorithm and can be used in estimation of SOC of dynamics batteries.

dynamics battery;state of charge(SOC);neural network

TM912

A

1002-087X(2016)12-2415-02

2016-05-21

國家自然科學基金(61272345，61105118)；國家重點基礎研究發展計劃（2014CB744600）；國家國際科技合作專項（2013DFA32180）資助的課題

楊孝敬（1981—），男，河南省人，博士研究生，數據處理,計算機建模與仿真。