鋰電池在電壓平臺期荷電狀態估算研究

張康康 鄭曉彥 高金輝

摘 要： 電池的荷電狀態（SOC）是指電池剩余電量占總容量的比例。對荷電狀態的測量是通過對電池電壓和電流等數據的間接分析，這一過程不可避免地會出現噪聲的干擾，進而對估計結果造成嚴重影響。在此采用人工神經網絡的電池模型來估計電池SOC，再利用無跡卡爾曼濾波算法來減少神經網絡估計電池SOC的誤差。通過仿真結果與真實值之間的比較證明了該模型具有準確預測電池荷電狀態的性能。

關鍵詞： 荷電狀態（SOC）； 神經網絡； 無跡卡爾曼濾波； 電壓平臺期； 噪聲干擾； 電池剩余電量

中圖分類號： TN36?34； TM912 文獻標識碼： A 文章編號： 1004?373X（2018）20?0150?03

Abstract： The state of charge （SOC） of the battery is the ratio of the remaining battery capacity to the total capacity. The SOC measurement is conducted by means of indirect analysis for voltage and current data of the battery， but noise interference is inevitable in this process， which has a serious impact on estimation results. The battery model based on artificial neural network is adopted to estimate the SOC of the battery. The unscented Kalman filter （UKF） algorithm is used to reduce battery SOC estimation errors of neural network. The comparison of the simulation results and real values proves that the model can accurately predict the SOC of the battery.

Keywords： SOC； neural network； unscented Kalman filter； voltage plateau； noise interference； remaining battery capacity

能源危機以及環境惡化對傳統的汽車發展的影響越來越大，因此電動汽車得到了大家的廣泛關注。動力電池組作為電動汽車的重要組成部分，需要對電池進行嚴格的管理和控制。

估算電池荷電狀態（SOC）是電池管理系統最基本也是最重要的功能之一，系統中的許多其他功能都依賴于電池荷電狀態評估的結果。

1 電壓平臺期

如圖1所示是磷酸鐵鋰的開路電壓?荷電狀態（OCV?SOC）曲線。對于磷酸鐵鋰電池，開路電壓曲線在一些區域（3.2 V左右之前）十分平緩，這就是電壓平臺期。圖中中間部分的曲線幾乎達到了完全的水平。在這區域附近，隨著電池的充放電，電池可以維持相對穩定的開路電壓，進行SOC估算會有很大的誤差[1]。

2 神經網絡模型

神經網絡是智能的計算工具，對于系統模型，它有著廣泛的應用。神經網絡可以擬合非線性函數并使它們適合于復雜系統模型。神經網絡可以學習和更新內部結構從而適應變化的環境。神經網絡由輸入層、隱含層和輸出層組成，如圖2所示。輸入層表示輸入變量；一個或多個隱含層用以連接系統輸入和輸出之間的非線性；輸出層表示系統的輸出變量[2]。

圖2用于SOC估計的前饋神經網絡結構。神經網絡的輸入變量分別為電流（I）、電壓（V）和溫度（T），并且輸出是電池的SOC。相鄰兩層之間的節點是相互連接的，輸出層通過權值傳遞給輸入值。隱含層和輸出層是在每個節點上具有激活函數的處理層[3]。在隱含層中雙極S型函數經常被用作激活函數，定義為：

式中：[xi]是前一層i節點的輸出；[wij]是相互關聯的權值，從前一層的第i個節點到本層的第j個節點；[bj]是偏差。權值[wij]和偏差[bj]需要在訓練的基礎上確定數據。本文使用反向傳播（BP）算法來確定這些參數。反向傳播意味著網絡訓練過程中的錯誤可以從輸出層傳播到隱藏層，然后傳播到輸入層，以估計每個節點的最佳的權值[4]。調整權值可以改變網絡的輸入誤差。神經網絡的學習過程是通過對樣本的學習，不斷修改各層的權值，進而減小輸出誤差的過程。

在研究中，神經網絡的輸入是電壓和電流的測量值。因為電池中的電容電阻，前一個樣品的電流和電壓會影響當前電池狀態[5]。因此，以前樣本的測量值也被輸入到神經網絡模型中。另外，為了避免神經網絡過度訓練，每4個樣本中選取1個樣本進行神經網絡的訓練。

3 UKF算法

濾波技術已應用于噪聲數據的狀態估計。無跡卡爾曼濾波（UKF）是一種典型的基于無跡變換（UT）的估計濾波方法，不需要對系統方程進行線性化[6]。UT變換通過確定性采樣，采用多個粒子點逼近函數的概率密度分布，進而獲得更高階次的均值和方差，能夠對系統進行更準確的估計[7]。

下面討論UKF的應用步驟[8]。

4 仿真試驗和結果分析

神經網絡訓練可以通過適當的數據歸一化來提高效率和魯棒性。因此，訓練之前通過下式將輸入數據歸一化到區間[0，1]之間：

磷酸鐵鋰電池通常用于電動汽車。本文使用的測試電池為IFR26650磷酸鐵鋰電池（LiFePO4），額定容量是2.3 A·h，電壓為3.2 V。電池放在溫度箱里，并且測量電池的溫度，使電池處于25 ℃的溫度下構建訓練數據。如圖3所示是在室溫25 ℃測試中經過神經網絡估算之后SOC從20%～100%之間的預測值和真實值之間的比較。神經網絡計算過程實際上包含了正向和反向傳播兩個階段。正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。如果輸出層不能得到期望輸入則轉入反向傳播，將誤差信號沿原來的連接通道返回，修改各層神經元的權值，使誤差信號最小。

由于磷酸鐵鋰電池放電特性的平穩性，這些誤差主要出現在中間的SOC范圍（30%～80%），即電壓平臺期。在此區域很大的SOC變動才對應極少的電壓變化，這對電壓的測量影響很大。電壓測量的不精確直接影響到神經網絡估計電池SOC的精確度[9]。這個問題不能通過更多的隱含層和訓練神經網絡來解決，以降低均方根誤差，因為存在過度擬合神經網絡的風險。如果神經網絡被訓練成一個太低的均方根誤差，它可能失去泛化能力。在電動汽車（EVs）的使用中，應當避免SOC估計值在實際值附近突然跳躍或下降，迷惑使用者[10]。為了能夠提供足夠精確的平滑估計，本文采用UKF處理神經網絡在電壓平臺期的輸出，并濾除誤差。如圖4所示是在室溫25 ℃神經網絡估算之后再經過無跡卡爾曼濾波之后SOC從20%～100%之間的預測值和真實值之間的比較。實體曲線被看作是較實際的SOC。從圖中明顯可以看到，經過UKF對神經網絡輸出進行濾波，明顯使得SOC估計值精確且平滑。

5 結果與討論

式中：yk是樣本k的真實值；tk是相應的預測值。從表中可以看到，SOC估計在25 ℃通過單獨神經網絡方法生成的均方根誤差為2.5%，最大誤差為14.4%。UKF降噪后，均方根誤差降到1.3%，并且最大誤差降到2%。因此，UKF是減少神經網絡SOC估計誤差的有效方法。

6 結 論

本文提出一種基于前饋神經網絡和無跡卡爾曼濾波（UKF）算法估計SOC的方法。為了估計電池SOC，神經網絡的輸入為電壓、電流和溫度，輸出為SOC。此時SOC估算誤差比較大，所以為了進一步提高估計精度，采用一種基于UKF的神經網絡誤差估算方法。經過UKF濾波后，均方根誤差和最大誤差均比較小，從而起到了精確估計電池SOC的目的。

注：本文通訊作者為高金輝。

參考文獻

[1] 高金輝，巴雁遠.OCV處于平臺期的汽車鋰電池SOC估算的研究[J].現代電子技術，2017，40（10）：175?177.

GAO Jinhui， BA Yanyuan. Study on lithium battery SOC estimation during plateau of OCV [J]. Modern electronics technique， 2017， 40（10）： 175?177.

[2] 尹安東，張萬興，趙韓，等.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.

YIN Andong， ZHANG Wanxing， ZHAO Han， et al. Research on estimation for SOC of LiFePO4 Li?ion battery based on neural network [J]. Journal of electronic measurement and instrumentation， 2011， 25（5）： 433?437.

[3] BASHEER I A， HAJMEER M. Artificial neural networks： fundamentals， computing， design， and application [J]. Journal of microbiological methods， 2000， 43（1）： 3?31.

[4] 毛華夫，萬國春，汪鐳，等.基于卡爾曼濾波修正算法的電池SOC估算[J].電源技術，2014，38（2）：298?302.

MAO Huafu， WAN Guochun， WANG Lei， et al. Estimation of battery SOC based on Kalman filter correction algorithm [J]. Chinese journal of power sources， 2014， 38（2）： 298?302.

[5] KANDEPU R， FOSS B， IMSLAND L. Applying the unscented Kalman filter for nonlinear state estimation [J]. Journal of process control， 2008， 18（7）： 753?768.

[6] PARTHIBAN T， RAVI R， KALAISELVI N. Exploration of artificial neural network （ANN） to predict the electrochemical characteristics of lithium?ion cells [J]. Electrochimica Acta， 2008， 53（4）： 1877?1882.

[7] 胡志坤，劉斌，林勇，等.電池SOC的自適應平方根無極卡爾曼濾波估計算法[J].電機與控制學報，2014，18（4）：111?116.

HU Zhikun， LIU Bin， LIN Yong， et al. Adaptive square root unscented Kalman filter for SOC estimation of battery [J]. Electric machines and control， 2014， 18（4）： 111?116.

[8] 高金輝，杜浩.電動汽車鋰電池組的新型雙向均衡法[J].河南師范大學學報（自然科學版），2016，44（6）：53?56.

GAO Jinhui， DU Hao. A new bi?directional equalization method for lithium?ion battery pack in electric vehicles [J]. Journal of Henan Normal University （Natural science edition）， 2016， 44（6）： 53?56.

[9] HU C， YOUN B D， CHUNG J. A multiscale framework with extended Kalman filter for lithium?ion battery SOC and capacity estimation [J]. Applied energy， 2012， 92（4）： 694?704.

[10] 高金輝，蘇明坤.基于神經網絡的自適應濾波研究[J].河南師范大學學報（自然科學版），2013，41（1）：47?49.

GAO Jinhui， SU Mingkun. Adaptive filter based on neural networks [J]. Journal of Henan Normal University （Natural science edition）， 2013， 41（1）： 47?49.