基于深度學習的新能源汽車動力電池SOC預測模型優化設計

摘要：提出了一種基于改進BP算法的CNN-GRU深度學習模型，旨在精確預測新能源汽車動力電池的荷電狀態（SOC）。針對電池在不同工況下，尤其是考慮到南北方不同季節溫度差異和電池壽命衰退導致的內阻增大問題，該模型通過兩個階段以實現更精準的SOC估算。在第一階段，利用BP算法對電池的電壓、電流和溫度數據進行處理，識別電池衰退過程中的等效內阻，反映電池壽命的內部衰減。隨后，在第二階段將溫度、等效內阻以及前一時刻的SOC等因素作為輸入，優化訓練CNN-GRU網絡，提高模型的智能化學習能力和預測精度。研究表明，該模型在不同溫度環境下能保持良好的SOC預測表現，與傳統的拓展卡爾曼濾波算法（EKF）相比，其誤差顯著降低，具有更高的魯棒性和泛化能力。

關鍵詞：深度學習；新能源汽車；動力電池；SOC預測模型

中圖分類號：U469.7" 收稿日期：2024-12-15

DOI：1019999/jcnki1004-0226202503011

1 前言

本文重點圍繞汽車動力電池在多樣化工況下的SOC預測問題，特別是在面臨南北方顯著季節溫差、電池壽命衰減導致電池內阻增大、電池個體之間充放電不一致等復雜挑戰時，通過BP算法改進的CNN-GRU模型（以下簡稱BP-CNN-GRU）來更為精確地預測動力電池的SOC。

2 模型介紹：基于BP算法改進的CNN-GRU模型預測動力電池SOC

21 模型具體原理

第一階段通過BP算法，利用電池采集到的電壓、電流、溫度信息，有效地辨識出電池在壽命衰退過程中的等效內阻值，該等效內阻能更為直觀地反映電池壽命的內部衰減情況；第二階段通過加入溫度、等效內阻、上一時刻SOC等影響因子，優化訓練CNN-GRU神經網絡的自學習算法。由于電池的SOC具有連續性，可選取初始SOC值、電池溫度、電池電壓、電池電流作為CNN網絡輸入層的輸入參數，經過模擬訓練內部中間層的參數和層數，估算出符合復雜工況、復雜使用場景下的動力電池SOC，且該模型具有較強的魯棒性和可移植性[1]。模型的機理如圖1所示。

22 模型特點

該模型算法除了受到訓練數據的精度、網絡層的中間參數的取值影響外，還依賴于模型輸入端數據的超參數選擇[2]。該模型通過BP神經網絡，將電池的歐姆內阻參數辨識出來，進一步提取出了代表電池內部阻抗特性的影響因子R0。

23 GRU與LSTM對動力電池SOC模型預測特性對比

LSTM能夠解決循環神經網絡因長期依賴帶來的梯度消失和梯度爆炸問題，但是LSTM有三個不同的門，參數較多，增加了訓練的復雜性。GRU只含有兩個門控結構，且在超參數全部調優的情況下，GRU結構更為簡單，訓練時間周期更短，對時間尺度的訓練更加精確[3]。

與現有技術對比，汽車動力電池的充放電性能受到工作溫度及衰減程度（即內部等效電阻）的影響。當前技術在對汽車動力電池的SOC進行預測時，不能有效結合電池溫度和電池衰減壽命等條件。當動力電池使用一定時間后，針對動力電池的SOC估算精度會大幅降低，無法對電池的SOC做出更為準確的預測，必須返廠或在維修店對電池的SOC進行重新估算和調整，這對駕駛員及電池的維護保養來講都是不利的，駕駛員無法更準確地掌握電池可用行駛里程，電池廠商無法利用更準確的電池SOC對電池進行一致性維護和保養，因而會增加電池失穩的風險，危害人身安全［4］。

3 通過BP算法參數辨識電池歐姆內阻

本文選取較為精確的電池二階等效電路模型，作為BP神經網絡算法的等效電路模型，能夠更好地模擬電池電壓的滯回特性，更準確地描述鋰離子動力電池的內部化學反應。具體的二階等效電路模型如圖2所示。

利用圖2，所描述的二階等效電路模型為：

[it=C1dU1dt+U1R1=C2dU2dt+U2R2]" " " " " " " （1）

[Uocv=Ut+it+U1+U2]" " " " " " " " " " " "（2）

式中，[R0]為電池的歐姆內阻；[R1]為電池的電化學極化內阻；[R2]為電池的濃差極化內阻；[C1]為電池的電化學極化電容；[C2]為電池的濃差極化電容；[Uocv]為電池開路電壓；[U1]為通過[R1]電化學極化內阻的電壓；[U2]為通過[R2]濃差極化內阻的電壓；[it]為電路電流。

在進行GA-BP神經網絡參數辨識之前，首先要得到二階等效電路模型的傳遞函數，通過對式（1）和式（2）采取拉氏變換變形后，結果如下：

[its=C1sU1s+1R1U1s=C2sU2s+1R2U2s]" "（3）

[Uocvs=Uts+itsR0+U1s+U2s]" " " " " （4）

將式（3）變形后代入到式（4）中得：

[Uocvs-Uts=itsR0+1C1s+1R1+1C2s+1R2]" "（5）

傳遞函數需要從S域變換到Z域中，利用[S=2T1-z-11+z-1]對式（5）采用雙線性變換后，最終二階等效電路模型的離散傳遞函數如下：

[Gz-1=m3+m4z-1+m5z-21-m1z-1-m2z-2]" " " " " " " " " "（6）

利用參數在時域傳遞函數和頻域傳遞函數相對應的關系，把二階等效電路中對應的參數分別寫成如下形式：

[R0=-m3+m4-m51+m1-m2]" " " " " " " " " " " " " （7）

[R0+R1+R2=m3+m4+m5m1+m2-1]" " " " " " " " " "（8）

[R1C1R2C2=-T2m22+14（m1+m2-1）]" " " " " " " " "（9）

[R1C1+R2C2=-Tm1-m2+14（m1+m2-1）]" " " " " " " " （10）

[R0R1C1+R0R2C2+R1R2C1+R1R2C2=Tm3-m5m1+m2-1]" " （11）

根據上面所得到的結論，得到模型的離散傳遞函數的參數后，可以計算出二階等效電路模型的相關參數，采用參數辨識方法對二階等效電路模型辨識的過程轉化成對離散傳遞函數的參數辨識過程。

對式（6）進一步變形成以下的形式：

[Utk=Uocvk+m1Utk-1-Uocvk-1+]

[m2Utk-2-Uocvk-2+m3itk+m4itk-1+]

[m5itk-2]" " " " " " " " " " " " " "（12）

因為采樣時間很短，所以在電池的工作狀態中，采樣時間相鄰的兩各時間點對應的開路電壓的變化量很小，可以忽略不計，即得到下式：

[ΔUocvk=Uocvk-Uocvk-1=]

[Uocvk-1-Uocvk-2≈0]" " " " " " "（13）

則式（12）化簡為：

[Utk=m0+m1Utk-1+m2Utk-2]

[m3itk+m4itk-1+m5itk-2]" " " " " "（14）

其中，[m0=1-m1-m2Uocvk]。

利用上述式子進一步推導，令：[τ=1-m1-m2]，[τ1=1-R1C1]，[τ2=1-R2C2]，[a=R0]，[b=τ1τ2]，[c=τ1+τ2]，[d=R0+R1+R2]，[e=R0τ1+R0τ2+R1τ2+R2τ1]。由b、c可得到方程[τ2-cτ+b=0]的解：

[τ1=c+c2-4b2τ2=c+c2-4b2]" " " " " " " " " "（15）

由此可以解出[R0、R1、R2、C1、C2]的值為：

[R0=aR1=R0τ1+e-cR0-dτ1τ1-τ2R2=d-R0-R1C1=τ1R1C2=τ2R2]" " " " " " " " " （16）

根據以上的公式，可以將二階等效電路模型所對應的離散型傳遞函數的參數值求得，最終得到二階等效電路模型的相關參數［5］。利用式（14）所包含的參數，構建出如圖1所示的BP神經網絡參數辨識結構。

4 構建動力電池參數辨識BP神經網絡結構

BP神經網絡結構由以下4個部分組成，分別是：

a.BP神經網絡結構的輸入層[x=Utk-1，Utk-2，itk，itk-1，itk-2T]。

b.BP神經網絡結構的中間層權重值[w=m1，m2，m3，m4，m5]。

c.BP神經網絡結構的閾值[b=m0]。

d.BP神經網絡結構的輸出層[Ut=wx+b]。

根據上述中構建的BP神經網絡模型，利用常溫下鋰離子動力電池UDDS工況第一次循環的數據實施辨識，辨識出的電池參數R0、R1、R2、C1、C2。

需要對UDDS工況下的數據進行深入分析，以便對電池參數進行辨識。在整個電池的放電過程中，電池的歐姆內阻R0數值在40 mΩ左右，當電池的SOC值處于02～09區間時，電池的歐姆內阻比較小，在SOC值最高和最低時間段，歐姆內阻會逐漸變高，結果與實際電池表現相一致。此外，電池的電化學極化內阻R1在整個放電過程中保持在13 mΩ左右，而濃差極化內阻R2則更小，大致保持在10 mΩ以下，同樣也符合當SOC值在02～09時間段時，對應的電阻值相對較小，在SOC值最高和最低時間段，電阻值會逐漸變高。

5 搭建GRU結構參數

GRU網絡結構如圖4所示。

a.GRU只有兩個門。

GRU將LSTM中的輸入門和遺忘門合二為一，稱為更新門，即圖4中的[zt]，控制先前記憶信息能夠繼續保留到當前時刻的數據量，或者說決定有多少前一時間步的信息和當前時間步的信息要被繼續傳遞到未來；GRU的另一個門稱為重置門，即圖4中的r（t），控制需要遺忘的過往信息量。[zt]表達式如下：

[zt=σWzht-1，xt]" " " " " " " " " " " " （17）

式中，[σ]為Sigmoid函數;Wz為結構中更新門對應的權重值。

b.取消進行線性自更新的記憶單元，轉而采用直接在隱藏單元內通過門控機制實現線性自更新的策略。

輸入門讀取當前的輸入xt和上個單元的輸出量ht-1，通過激活函數判斷來決定哪些信息要進行下一步更新，具體公式如下所示：

[rt=σWrht-1，xt]" " " " " " " " " " " " "（18）

[ht=tanhWrtht-1，xt]" " " " " " " " " " （19）

式中，[σ]為Sigmoid函數;[W]為輸入門的權重值;[ht]為更新之后的GRU結構單元的隱藏狀態信息。

c.利用重置門重置記憶信息。

GRU不再使用單獨的記憶細胞存儲記憶信息，而是直接利用隱藏單元記錄歷史狀態。利用重置門控制當前信息和記憶信息的數據量，并生成新的記憶信息繼續向前傳遞。

d.利用更新門計算當前時刻隱藏狀態的輸出。

輸出則是重新把當前GRU結構單元的狀態中的前一時刻和當前時刻的隱藏狀態利用更新門控制這兩個信息傳遞到未來的數據量，公式如下：

[ht=1-ztht-1+ztht]" " " " " " " " " " （20）

6 搭建基于BP算法改進的CNN-GRU模型結構

由BP神經網絡的辨識結果分析可知，電池的歐姆內阻R0會隨著電池循環壽命的衰減而不斷增大，是電池中反應電池使用壽命的重要參數；同時壽命對電池SOC的影響也至關重要，本文中將電池的內阻R0作為CNN-GRU結構的輸入量之一，同時電池的SOC受到電池的電壓V、電流I和工作溫度T的影響，將這些參數也作為網絡層的輸入。

綜上所述，構建的BP-CNN-GRU結構的電池SOC估算結構的輸入層參數有5個，分別是當前時刻的電壓V[t]、電流I[t]、工作溫度T[t]、上一時刻的SOC[t-1]和歐姆內阻R0[t]，即[V[t]，I[t]，T[t]，SOC[t-1]，R0[t]]。輸出層參數則由電池的SOC[t]構成數據對比。

為了評估本文提出的BP-CNN-GRU模型在估算電池SOC上的準確性，將其與傳統的基于拓展卡爾曼濾波算法（以下簡稱EKF算法）的電池SOC算法進行比較，測試其在不同溫度下的模型預測精度。測試選取0 ℃、10 ℃、25 ℃和40 ℃下的UDDS工況循環數據，對二者的估測效果進行驗證。在EKF算法的估測中，不同溫度下的電池SOC平均誤差和均方根誤差都在4%以下，具體數據如表1所示，可以看出EKF算法在不同溫度下的估算精度和魯棒性相比較差，缺乏良好的泛化性。尤其在溫度為0 ℃時，平均誤差和均方根誤差都達到了4%左右，主要原因是EKF算法在處理過程中對時間序列的問題缺乏記憶存儲功能，沒有GRU網絡中的記憶存儲單元，因此在對SOC的處理時可能會遺漏掉一些重要信息。

而BP-CNN-GRU模型在不同溫度下的SOC估算精度和魯棒性都比較好。在0 ℃時，平均誤差均在14%以內，均方根誤差均在2%以內。在25 ℃和40 ℃時，其誤差進一步減小，對比結果發現BP-CNN-GRU模型比EKF模型在電池的SOC預測上性能更優［6］。

7 結語

基于BP算法改進的CNN-GRU模型通過綜合考慮電池的內阻、溫度等關鍵因素，實現了對動力電池SOC的高精度預測。與傳統方法相比，BP-CNN-GRU模型在不同溫度條件下表現出較高的準確性和魯棒性，驗證了其優越性和實用性。未來的研究可以繼續優化模型結構，考慮更多實際工況因素，以進一步提高模型的預測性能。此外，該模型可為電池管理系統提供有力的數據支持，幫助提升新能源汽車的運行可靠性和安全性。

參考文獻：

[1]蔡雙澤基于粒子群算法和深度學習的電池SOC預測研究[D]天津：天津科技大學，2023

[2]朱和龍跟車場景下基于深度強化學習的混合動力汽車能量管理研究[D]重慶：重慶大學，2023

[3]朱博基于深度學習的鋰離子電池SOC預測研究[D]重慶：重慶理工大學，2023

[4]張君，林琳，郭芮，等基于改進深度強化學習的電網電力智能調度分析模型研究[J/OL]自動化技術與應用，1-6[2024-12-11]http：//knscnkinet/kcms/detail/231474TP202412031436050html

[5]閆俊基于人工智能技術的新能源發電系統智能化故障檢測研究[J]通訊世界，2024，31（9）：130-132

[6]袁振邦基于AI大模型技術的新能源發電功率預測優化方法及系統[J]中國高新科技，2024（16）：85-87

作者簡介：

安靖宇，男，1996年生，助教，研究方向為新能源汽車動力電池、智能網聯汽車傳感器融合。