基于神經網絡控制的快速充電方法探究

高金輝， 楊艷茜， 鄭曉彥

(1.河南師范大學物理與電子工程學院，河南新鄉453007；2.河南廣播電視大學，河南鄭州450008)

基于神經網絡控制的快速充電方法探究

高金輝1， 楊艷茜1， 鄭曉彥2

(1.河南師范大學物理與電子工程學院，河南新鄉453007；2.河南廣播電視大學，河南鄭州450008)

隨著蓄電池的廣泛應用，對其充電方法的研究也不斷深入，并取得了較多的科研成果，但是快速充電技術仍受到多方面的制約。提出了以神經網絡算法和傳統控制器相結合的智能充電技術，以BP網絡算法訓練神經網絡。由于神經網絡的自適應性，控制過程不依賴于模型，因此能對復雜的非線性、不確知的充電過程進行實時修正，并將此種方法應用于階段充電法，通過仿真對比，證明了智能充電的有效性。

快速充電；神經網絡；PID控制；BP算法；階段充電法

近段時間以來環境污染越來越嚴重，全國各地PM2.5和PM10不斷爆表，空氣質量不斷下降。隨著車輛的日漸增多，汽車尾氣排放成為一大污染源，為了我們生活的環境，使用環保節約的電動汽車是我們迫切需要的方式。而在中小城市中，電動自行車也已基本取代了自行車成為人們出行的主要代步工具，這兩種新的代步工具的動力基本來源于蓄電池。現在采用的常規蓄電池充電方法在充電時間上普遍較長，不但延長了檢測時間，而且限制了人們的使用，車主便對充電的快捷性和方便性提出了越來越高的要求。因此，在國內蓄電池技術的研發與應用中，隨時充電和快速充電方法的研究占據重要的地位。本文論述了現有的充電方法，提出了一種結合神經網絡的快速智能充電思路。

1 電池快速充電

對蓄電池而言，要實現快速、高效、無損的充電過程，一要提高充電速度，這是快速充電的先決條件；二要保證充電質量，只有合理的充電過程才不致折損電池的使用壽命。

1.1 理論依據

美國科學家馬斯在大量的實驗與研究的基礎上提出了電池的“最佳充電曲線”，即著名的馬斯三定律。它指出在蓄電池的整個充電過程中，若實際充電電流無限接近最佳充電曲線上的可接受充電電流，充電速度將明顯加快，析氣率也將控制在相對較低的范圍內，這就是電池快速充電技術的理論依據。因此，快速充電過程要盡量滿足馬斯三定律，也就是充電電流的大小要能動態跟蹤可接受充電電流的變化規律。

研究表明，蓄電池可接受的充電電流可以用圖1所示的指數曲線表示，其函數表達式為：

圖1 最佳充電電流曲線

1.2 快速充電方法比較

為了有效加快蓄電池的充電速度，縮短充電時間，并減輕極化現象，從而全面提升能量的使用效率，國內外一直不斷加強對蓄電池快速充電方法的研究與實踐。目前，國內蓄電池快速充電方法主要有以下幾種[1]：

(1)常規充電方法：主要包括恒流充電法、恒壓充電法和階段充電法。其中，恒流充電法和恒壓充電法由于其本身的缺點很少采用，階段充電法比前兩種常規充電法速度快，且析氣量小，但是不易控制，前后兩端包含恒流充電和恒壓充電的缺點。

(2)脈沖充電方式：首先用脈沖電流對電池充電，然后停充一段時間，如此循環。這種充電法能夠打破蓄電池充電曲線的限制，提高充電接受率，從而大大縮短充電時間，但是能量轉換效率低，易造成極板活性物質脫落。

(3)間歇充電方法是建立在恒流充電和脈沖充電的基礎上的一種快速充電方法。這種方法析氣量少，能量效率高，速度快，但是控制硬件復雜，難以精確控制。

(4)智能充電法將一些智能技術和充電技術結合起來，以達到安全、可靠、省時、節能的充電過程，但是實現起來比較困難。隨著近年來人工神經網絡的發展，利用神經網絡的自適應性，實現智能化充電成為一種新的方法和趨勢。

2 神經網絡及其應用

人工神經網絡是由大量處理單元經廣泛互連而組成的人工網絡，是一個自組織、自適應的非線性動力系統，具有大規模并行協同處理能力，較強的容錯能力、學習能力和聯想能力，可以充分逼近任意連續有界非線性函數。

2.1 神經網絡的應用

蓄電池具有非線性和分散性，而且每個電池的類型、容量、使用狀態和保養均有差異，充電過程也不盡相同，因此很難以一種確定的充電方式或者一種精確的模型適用于所有蓄電池的充電，而具有自學習功能的神經網絡通過訓練學習可以實現對充電過程中蓄電池的電流、電壓及溫度變化的動態跟蹤和實時校正。基于這種情況，本文提出一種新的以神經網絡算法控制的快速充電方法，對充電過程進行實時修正，動態跟蹤最佳可接受充電電流曲線，以保證安全、快速、高效的充電。

2.2 神經網絡PID控制器設計

PID控制結構簡單、實現容易且能對很多工業現象進行有效控制，因此成為工業控制過程中的一種常用控制方法。但當被控對象具有復雜的非線性特性時，常規PID控制難以建立精確的數學模型，不能達到滿意的控制效果。針對上述常規PID控制的局限性，結合神經網絡自身的優點提出一種控制策略——神經PID控制[2]。

神經PID控制的結構如圖2所示，包含兩個神經網絡：一個系統在線辯識器——NNI；一個自適應PID控制器——NNC。在這個系統中，由NNI進行在線辨識，通過對NNC的權系實時調整，使系統具有自適應性，從而實現對蓄電池的有效控制。

2.3 學習算法的選取

BP網絡和RBF網絡是應用最為廣泛的神經網絡模型，他們均可近似任何連續的非線性函數，且RBF網絡的逼近性能高于傳統的BP網絡，但是通過對比研究發現，在相同的樣本和精度要求下，RBF神經網絡的復雜度要高于BP網絡，為了快速充電的目的，NNI選用三層BP網絡實現，如圖3所示，非線性作用函數選用S型函數。

圖2 神經PID控制框圖

圖3 BP網絡結構模型

BP網絡具有一層隱含節點，由于同層節點無任何耦合，所以從輸入到輸出是建立在梯度下降法基礎上的非線性映射。

神經PID控制采用PID控制算法，若控制系統輸入、輸出采樣序列為，系統誤差為，則線性神經元NNC的輸入為：

控制器輸出為：

本控制器不需要被控對象精確的數學模型，并且可根據控制中的結果進行自學習，不斷提高自身的適應性：先以馬斯三定律進行網絡訓練，使控制器對論域內的任意輸入都能以聯想記憶的方法得到相對應的控制輸出，魯棒性強，能很好地滿足系統的要求。

2.4 充電主電路分析

主電路采用AC-DC-DC變換電路，AC-DC部分通過變壓器進行降壓后整流得到直流電壓U1。圖4為AC-DC降壓整流電路。

經過對幾種方案的比較[4]，DC-DC部分采用Buck/Boost雙向功率傳輸電路，如圖5所示。當對蓄電池充電時，全控器件Q2關斷，直流電壓U1經過Q1、D2和L組成的Buck電路，并通過控制Q1的通斷來控制輸出電壓的大小，從而控制蓄電池的充電電流和電壓。當蓄電池需要去極化放電時，Q1關斷，通過控制由Q1、L和D1組成的Boost電路對電容C1充電。當蓄電池去極化結束轉入充電時，由于C1儲存有去極化放電時的能量，電容兩端電壓很高，因此，C1又通過Buck電路將所儲存的能量釋放給蓄電池，當C1的電壓低于設定值時，整流電路工作，由充電裝置向蓄電池充電[5]。

圖4 AC-DC降壓整流電路

圖5 DC-DC可逆電路

2.5 仿真結果及分析

在綜合考慮現有充電方法和實驗室條件的基礎上，選用階段充電法對蓄電池充電；以電流、電壓和溫度作為控制系統的三個輸入；以12 V/3 A的蓄電池為實驗對象；以1C的起始電流充電；由于電池充電器工作的最佳溫度為25℃，而在0℃以下和45℃以上充電狀況不佳甚至會影響電池的使用壽命，我們以此設置系統的限制溫度。運用Matlab軟件按照上述設計進行建模和仿真，可以得到一般定時器控制的充電電流曲線圖和基于神經PID控制的充電電流曲線圖[3]，如圖6、7所示。

由上面兩個仿真結果可以得出：定時器控制的階段充電法雖然較易實現，但是無法動態跟蹤電池的實際充電情況，導致充電過程中電流電壓同步性較差。而神經智能控制下的階段充電法電流分段數增加，梯度下降幅度減小，實際充電電流曲線更加接近最佳充電電流曲線。

圖6 階段充電電流曲線

圖7 神經PID控制的階段充電電流曲線

3 結論

采用本文所設計的神經網絡控制策略，電池的實際充電電流曲線更加接近于最佳充電電流，實現了蓄電池的智能化快速充電，加之以溫度控制的保護策略，保證了充電過程的安全性，延長了電池的使用壽命。

[1]王源.電動汽車用動力鉛酸電池快速充電技術研究[D].哈爾濱：哈爾濱工業大學，2006.

[2]徐麗娜.神經網絡控制[M].哈爾濱：哈爾濱工業大學出版社，1999.

[3]劉華棟，艾德峰，孟德榮.基于模糊神經網絡的鉛酸蓄電池快速充電系統設計[J].電源技術應用，2010,9(13):24-27.

[4]李敬兆.采用神經網絡預測和變結構模糊控制的鉛酸蓄電池最優充電技術研究[D].合肥：合肥工業大學，2003.

[5]HSIEH G C,CHEN L R,HUANG G S.Fuzzy-controlled Li-ion battery charge system with active state-of-charge controller[J].IEEE Transactions on Industrial Electronics,2001,48(3):585-589.

Research of fast-charging method based on neural network control

With the extensive use of storage battery,more and more deeply research of its charging methods were acquired up.Many scientific research achievements were achieved.But fast charging technology was still restricted by many aspects.An intelligent charging technology by combine Neural Network Algorithm with the traditional controller was put forward.Because NNC didn't depends on the mathematical models,it could do the real-time correction in the complicated,nonlinear uncertain charging process,so this new method was put into section of charging.Via compare the simulation results,the efficient,rapid and non-loss battery charging were realized.

fast charging；neural network；PID control；BP algorithm；section of charging method

TM 912

A

1002-087 X(2016)03-0597-03

2015-08-12

河南省重點科技攻關項目(132102210043)

高金輝(1962—)，男，河南省人，教授，碩士生導師，主要研究方向為新能源系統控制及電路系統設計。