改進安時法結合神經網絡估算鋰離子電池SOC

吳海東，任曉明，那 偉，黃 超

(1. 上海電機學院電氣學院，上海 201306； 2. 上海航天電源技術有限責任公司，上海 201615)

改進安時法結合神經網絡估算鋰離子電池SOC

吳海東1，任曉明1，那 偉2，黃 超1

(1. 上海電機學院電氣學院，上海 201306； 2. 上海航天電源技術有限責任公司，上海 201615)

采用BP神經網絡對庫侖效率進行訓練并預測，將預測得到的庫侖效率代入改進安時(AH)算法，再基于MotoHawk進行設計，應用于地鐵應急牽引電池組管理系統。以952國產A車為試驗對象，結合實際運行情況對荷電狀態(SOC)進行估算和分析。試驗結果表明，所采用的方法比傳統AH法估算精度誤差提高4.9%。

荷電狀態(SOC)； 電池組管理系統； 改進安時(AH)算法； BP神經網絡

荷電狀態(SOC)是電池管理系統的重要部分，估算方法目前主要有開路電壓法、內阻法、安時(AH)計量法、神經網絡算法和卡爾曼濾波法等[1]。文獻[2]釆用無跡卡爾曼濾波法，結合改進的電動勢電池等效模型，提高估算算法的精度，估算誤差小于5%，具有較高的實用價值。文獻[3]通過分析電池SOC與充放電電流、溫度的關系，訓練后得到BP神經網絡的動力電池SOC估計模型，對得到的神經網絡模型進行測試，估計值和輸出值之間的誤差最大值約為4%。

傳統AH法估算電池的剩余電量時，基本上未考慮庫侖效率η，導致SOC估算精度降低。本文作者采用改進的AH法，結合BP神經網絡，對鋰離子電池進行SOC估算，再基于MotoHawk進行設計，并應用于地鐵應急牽引電池組管理系統，對SOC進行估算和分析。

1 BP神經網絡的庫侖效率預測

AH法中，電池剩余電量通過充放電電流在時間上的積分來計算[4-5]。庫侖效率[6]與充放電電流和電池溫度緊密相關。對單體容量8 Ah鋰離子電池(上海產)進行1C、2C和3C時，-5～60 ℃下放電容量的檢測，用CANalyzer軟件記錄得到數據，通過BP神經網絡算法對庫侖效率進行訓練并預測。將放電電流和溫度作為輸入層，庫侖效率為輸出層，中間隱含層節點數根據實際情況而定，試驗選取20節點。

神經網絡估算庫侖效率η的過程是：①通過試驗獲得經驗數據；②用獲得的經驗數據對神經網絡進行訓練；③將訓練好的神經網絡應用于SOC估算中，實時估算η。根據地鐵應急牽引鋰離子電池在1C、2C和3C時的庫侖效率試驗數據，對數據進行訓練。選取訓練步數為3 000，訓練精度為1.0×10-5。訓練結束，得出預測值，整理后的結果見圖1。

圖1 電流、溫度與放電庫侖效率的關系

從圖1可知，放電倍率越小、庫侖效率越高，且庫侖效率隨著溫度的增加逐漸增大。

圖2 BP估算庫侖效率的誤差Fig.2 BP estimated error of Coulombic efficiency

如圖2所示，通過誤差分析得出的訓練結果與試驗數據基本相符，得到最大、最小誤差分別為-1.2×10-3和-8.0×10-5。這說明：BP神經網絡對于樣本覆蓋范圍內放電庫侖效率的估算，具有較好的泛化性能。

2 基于MotoHawk的改進AH算法程序

基于MotoHawk設計的改進AH算法程序模型見圖3。

圖3 改進AH算法模型Fig.3 Improved AH computation model

實驗使用ECM-0S12-070-1001控制器(北京產)，所用磷酸鐵鋰(LiFePO4)正極IFP1780123PB型鋰離子電池(上海產)容量為24 Ah，單體電壓為2.56 V，單體容量為8 Ah，電流積分周期按100 ms計算，設置的電池容量為24 A×3 600 000 ms/100=864 000 Ams(3 600 Ams=1 mAh)。SOC模型主要分為以下幾個模塊：函數模塊、庫侖效率模塊、電流范圍校正、SOC范圍校正和SOC記錄校正。在函數模塊中、離散模式下計算SOC。SOC范圍校正通過最大最小值對比，確保SOC在0到100%之間。讀出模塊和記錄模塊能及時讀寫電池組的SOC，避免傳統AH法無法估計初始SOC的缺點，并確保數據的及時更新。

SOC記錄校正模塊如圖4所示。

圖4 SOC記錄校正模塊Fig.4 SOC recorded correction module

計算出來的SOC，經過if模塊，當SOC≥100%，且為充電狀態時，執行對應模塊并將SOC=100%記錄到數據記錄模塊，防止SOC超過理論范圍導致錯誤故障，同時輸出1到Merge模塊；當SOC≤1%且為放電狀態時，執行對應模塊并將SOC=1%記錄到數據記錄模塊，同時輸出1到Merge模塊；其他情況下，直接將SOC輸出1到Merge模塊，記錄到數據記錄模塊。此模塊的主要作用是判別充放電狀態、對SOC臨界狀態及時校正，并更新到記錄模塊。解決AH計量法在使用時無法估計初始SOC的問題。

由BP神經網絡對鋰離子電池放電庫侖效率進行訓練，需要對放電庫侖效率進行預測。應急牽引電池規定以2C倍率放電，結合本地季節溫度情況，設定最低、最高溫度分別為-5 ℃和100 ℃，根據電流傳感器采樣精度，確定溫度間隔為0.1 ℃，得到如圖5所示的預測放電庫侖效率。

圖5 預測放電庫侖效率Fig.5 Predict discharge coulombic efficiency

庫侖效率模塊如圖6所示。

圖6 庫侖效率模塊Fig.6 Coulombic efficiency module

當電池處于放電狀態時，根據溫度對應的放電預測庫侖效率關系，將數據導入預測庫侖效率模塊，通過實時溫度采集，由該模塊查取，代入SOC函數模塊，計算放電SOC；當電池處于充電狀態時，由于是以1C充電，電池為平穩狀態，溫度變化不劇烈，判定庫侖效率為1，代入SOC函數，計算充電SOC。

3 試驗結果分析

以952國產A車為試驗對象，在應急牽引下模擬額定狀態進行試驗，地鐵以20 km/h的速度運行；軌道設計為2°上坡400 m，再下坡400 m，然后平直道1 000 m。

試驗過程中，通過CANalyzer軟件記錄數據，并將數據直接導入MATLAB，通過MATLAB進行數據分析，得到圖7所示的放電電流曲線。

圖7 電池的放電電流曲線Fig.7 Discharge current curve of the battery

分析圖7可知，在100～300 s左右為地鐵應急牽引爬坡階段，電池為脈沖式放電，最大值為238 A。在300～620 s左右地鐵為下坡階段，且處于關閉自牽引狀態，慢速滑行下坡，在平直道進行制動測試的制動過程中，出現很高的放電電流。電池組工作狀態SOC計算曲線見圖8。

從圖8可知：改進AH法的SOC從100%到57.0%階段，地鐵為爬坡階段消耗，剩余電量為43.0%，SOC成平滑斜線下降，電流為脈沖式放電，最大放電電流為238 A，在平直道為制動過程，由于制動不是連續過程，使得SOC不再是平滑斜線，SOC從57.0%下降到40.9%，電流也呈現脈沖趨勢，最大電流為230 A。傳統AH法所得SOC為42.9%。試驗后，在穩定狀態下以1C電流將電池組剩余電量放完，檢測真實剩余電量為9.72 Ah(對應SOC為40.5%)。由此可知，改進AH法的預測結果更接近真實值。電池組工作狀態平均溫度曲線見圖9。

圖8 SOC算法曲線Fig.8 SOC algorithm curves

圖9 電池組放電的平均溫度曲線Fig.9 Average temperature curve of battery during discharge

從圖9可知，在180 s之前，溫度在30 ℃以下。由圖5可知，在30 ℃左右，庫侖效率接近1，因此改進AH法誤差很小。電池組傳統AH法計算曲線見圖10。

圖10 傳統AH法的誤差曲線Fig.10 Error curve for traditional AH method

從圖10可知，傳統AH法隨著溫度的上升導致誤差上升，隨著工作時間的積累，誤差不斷增加，到運行結束時，相對于改進AH法的誤差達到4.9%。

4 小結

本文作者采用BP神經網絡對庫侖效率進行訓練并預測，將預測的庫侖效率代入改進AH算法，再基于MotoHawk進行設計，應用于地鐵應急牽引電池組管理系統。以952國產A車為試驗對象，在應急牽引下，以20 km/h時速，在2°上坡400 m，再下坡400 m+平直道1 000 m上以額定狀態運行。試驗結果表明：隨著工作時間積累，傳統AH法誤差不斷積累，到運行結束，誤差達到4.9%；改進的AH法對相對于傳統AH法，SOC估算精確度有很大的提高，更接近真實值。

[1] WAN Yong-kai(萬永凱). 混合動力電動汽車鋰離子電池SOC估算方法研究[D]. Wuhan(武漢)：Wuhan University of Technology(武漢理工大學)，2013.

[2] WU Tie-zhou(吳鐵洲)，HU Li-ping(胡麗平). 基于UKF的動力電池SOC估算算法研究[J]. Power Electronics(電力電子技術)，2014，48(4)：23-26.[3] CAI Xin(蔡信)，LI Bo(李波)，WANG Hong-hua(汪宏華)，etal. 基于神經網絡模型的動力電池SOC估計研究[J]. Mechanical and Electrical Engineering(機電工程)，2015，32(1)：128-132.

[4] YU Hai-fang(于海芳)，LU Ren-gui(逯仁貴)，ZHU Chun-bo(朱春波)，etal. 基于安時法的鎳氫電池SOC估計誤差校正[J]. Transactions of China Electrotechnical Society(電工技術學報)，2012，27(6)：12-18.

[5] XI An-jing(席安靜)，TIAN Guang-yu(田光宇)，BAI Peng(白鵬). 磷酸鐵鋰鋰離子電池EIS參數隨SOC變化的規律[J]. Battery Bimonthly(電池)，2012，42(2)：77-80.

[6] WU G L,LU R G,ZHU C B,etal. An improved Ampere-hour method for battery state of charge estimation based on temperature,coulomb efficiency model and capacity loss model[A]. Procee-dings of Vehicle Power and Propulsion Conference (VPPC)[C]. Lille, 2010.

Estimating SOC of Li-ion battery by improved AH combined with neural network

WU Hai-dong1，REN Xiao-ming1，NA Wei2，HUANG Chao1

(1.ElectricCollege，ShanghaiDianjiUniversity，Shanghai201306，China；2.ShanghaiAerospacePowerTechnologyCo.，Ltd.，Shanghai201615，China)

The Coulombic efficiency was taken into the improved Ah computation，then the improved AH computation was designed which was based on MotoHawk and used in the subway of emergency traction battery management system. The 952 domestic A subway was taken as experimental target，state-of-charge(SOC)could be analyzed and estimated combined with the actual operating conditions. The test results showed that the estimation accuracy had been increased 4.9% due to the method used.

state-of-charge(SOC)； battery management system； improved AH computation； BP neural network

吳海東(1989-)，男，江蘇人，上海電機學院電氣學院碩士生，研究方向：電力電子技術，本文聯系人；

上海市自然科學基金(12ZR1411700)，上海市教委優青項目(ZZSDJ12003)，上海電機學院研究生創新項目(A1-0225-15-005-04)

TM912.9

A

1001-1579(2016)01-0016-04

2015-09-05

任曉明(1977-)，男，浙江人，上海電機學院電氣學院副教授，研究方向：防雷技術及電磁兼容；

那 偉(1982-)，男，黑龍江人，上海航天電源技術有限責任公司工程師，技術中心副經理，研究方向：電池組管理；

黃 超(1989-)，男，福建人，上海電機學院電氣學院碩士生，研究方向：電力電子技術。