基于BP神經網絡法估算動力電池SOC

張傳偉，李林陽，趙東剛

(西安科技大學機械工程學院，陜西西安，710054)

基于BP神經網絡法估算動力電池SOC

張傳偉，李林陽，趙東剛

(西安科技大學機械工程學院，陜西西安，710054)

精確估計電動汽車用動力鋰離子電池荷電狀態(SOC)對于電動汽車的續航里程的估計和動力電池的安全保護具有重要的意義。針對鋰離子電池的非線性關系，采用BP神經網絡法來估算SOC。以3.2 V/100 Ah的磷酸鋰鐵電池為研究對象，在恒溫條件下采用ArbinBT2000系列的充放電測試儀進行充放電實驗采集原始數據，并將數據導入到神經網絡模型中去訓練和驗證。驗證結果表明：用BP神經網絡法估算SOC的誤差能控制在5%以內，驗證了模型的準確性，為相似的SOC估計算法的改進提供參考和依據。

BP神經網絡；電動汽車；動力電池；充放電測試儀；SOC估計

Abstract:Accurately estimate the state of charge (SOC)of power lithium ion batteries for electric vehicles was of great significance to the estimation of the endurance mileage of electric vehicles and the safety protection of the power battery.In view of the nonlinear relation of the lithium ion battery,the BP neural network method was used to estimate the SOC.The research object was lithium iron phosphate battery(3.2 V/100 Ah).The charge and discharge experiments were done by the charge discharge tester ArbinBT2000 under the constant temperature,and the raw data was collected.Finally the data was imported into the neural network model to train and verify.The validation results show that the error of SOC can be controlled within 5%by the BP neural network method.The accuracy of the model was verified,which provided reference and basis for the improvement of similar SOC estimation algorithm.

Key words:BP nature network;electric vehicle;power battery;charge and discharge tester;estimation of SOC

電動汽車電池荷電狀態(SOC)的估計對于電動汽車的續航里程的預估和動力電池的安全保護具有十分重要的作用[1－2]。精確估計動力電池的SOC一方面可以有效地避免電池的過沖和過放；另一方面也可以給整車控制器提供參考，合理分配能量。

目前，國內外學者做了很多關于估計動力電池SOC方法的研究。比較典型方法有開路電壓法、安時積分法、數學模型法、卡爾曼濾波法、擴展卡爾曼濾波法和神經網絡法[3－6]。開路電壓法測試簡單直接，但是只能在實驗室條件下進行；安時積分法雖然原理簡單，但是受初值影響，易產生累計誤差；卡爾曼濾波法雖然適應性好，精度較高，但是受制于模型的本身。

基于目前SOC算法的特點以及電池模型本身非線性的特點[7]，本文采用BP神經網絡法估算SOC。神經網絡法測試精度高，實現效果好，具有逼近的多輸入輸出參數函數，適用于非線性的模型。選取磷酸鐵鋰電池作為研究對象，使用專門的充放電測試儀采集原始訓練數據。對數據進行處理和訓練，最終在MATLAB中進行仿真驗證，確定算法的準確性和可靠性。

1 BP神經網絡的簡介

BP神經網絡是一種輸入信號向正方向傳遞，無反饋結構，而誤差是向反向傳播的多層前向網絡模型[8]。其結構一般是經典的三層模型，包含輸入層、隱藏層和輸出層。最為特別的就是其隱藏層的存在，可以很好地處理非線性的問題。在前向傳遞的過程當中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每層之間的神經元狀態相互影響，如果在輸出層未得到期望輸出，就反向傳播，依據誤差調整網絡的權值和閾值，從而使整個網絡接近期望的輸出值。一般三層結構模型如圖1所示。

從圖1中可以看到，Xm作為輸入變量，Yn是輸出變量，ωij是輸入層與隱藏層之間的連接權值，ωjk是隱藏層到輸入層之間的權值。對應它們之間存在以下的關系。

圖1 BP神經網絡三層模型

P和q分別為隱含層和輸出層的變換函數，其中p一般是單調可微的log-Sigmoid或者Tan-Sigmoid傳遞函數，利用最速下降法尋求最優解，q一般是線性函數。θ作為閾值。

最速下降法的訓練過程中計算誤差和修正權值的確定如下：

2 BP神經網絡的建模

(1)輸入層建模

電池SOC的主要影響參數包含電池的電壓、充放電的電流、對應電池的工況溫度和電池已放出來的電量來共同確定的[9]。因此，我們把輸入層確定為四個單元，即m=4。

(2)隱含層模型

隱含層的節點數可以根據BP神經網絡的經驗公式來基本確定，其經驗公式[10]為：

或者是：

式中：m為輸入層結點個數。

(3)輸出層模型

因為最后確定的是SOC的估計值，基本上確定輸出的神經元節點只有一個。于是我們可以建立如下網絡模型，如圖2所示。

圖2 BP神經網絡結構圖

3 實驗數據的采集

本文以磷酸鋰鐵電池為研究對象，標稱電壓為3.2 V，額定容量為100 Ah，充電上限的電壓為3.65 V，下限電壓為2 V，最大放電電流為2C。采用的實驗儀器是ArbinBT2000充放電測試儀，該測試儀支持最大200 A的充放電實驗。

首先，將電池充至滿電狀態，恒溫靜置60min，然后以1/4C的電流放電至2 V，可以認為電池從充滿電狀態放電到0荷電狀態。原始數據采用專用的電池充放電測試儀測試和采集，在這中間，測試儀每隔很短時間會記錄一次，步長設定為2 s。測試完畢以后，按時序隨機取出1500組作為訓練樣本，150組作為測試樣本。部分采集數據，如表1所示。

4 仿真過程及結果

樣本采集和選取完畢后，就可以按照建好的網絡模型進行訓練和模擬。先對整個模型進行初始化，其中權值的初始化選取不大于1的隨機小數，然后輸入對應的訓練樣本點，其包含的信息包括電壓、電流、溫度和已使用電量。然后求解出隱含層和輸出層的輸出。求解對應的誤差，判斷是否滿足要求。如果滿足，就結束進程；如果不滿足，就計算隱含層單元誤差，確定誤差的梯度，進而修正權值，返回循環，直到誤差滿足要求為止。對應流程圖如圖3所示。

圖3 神經網絡訓練流程圖

經過反復調試BP神經網絡的參數，最終確定迭代次數100次，學習率0.05，訓練目標誤差控制在0.001，經過60步的訓練，網絡誤差可以達到設計的要求。

因此，利用訓練好的神經網絡模型，輸入要測試的實驗樣本，和實際測試的曲線進行比對，對比檢測對應神經網絡的有效性和收斂性。仿真實驗結果如圖4和圖5所示。

由圖4可見，訓練以后的BP神經網絡實現了準確預測電池SOC，體現出良好的跟隨性。圖5誤差對比曲線，進一步驗證了這一算法的準確性，曲線表示預測誤差均在5%以內，很好地滿足了SOC估計和控制的要求。

圖4 跟蹤曲線

圖5 SOC誤差曲線

5 結論

本文針對動力電池SOC預測問題，建立了基于BP神經網絡的SOC估計模型，以電動汽車專用電池進行充放電試驗，采集到的電池數據對神經網絡進行訓練。實驗結果證明：BP神經網絡控制算法能較好地實現動力電池SOC估算的目標，誤差控制在5%以內，具有一定的推廣價值。另外神經網絡算法本身克服了傳統算法因過度依賴電池模型而造成的局限和偏差，也為動力電池SOC估計提供了一條新的思路和方法。

[1]熊瑞，何洪文，丁銀.HEV用鋰離子電池動態模型參數辨識方法研究[J].電力電子技術，2011，45(4)：100-104.

[2]XIONG R，HE H W，WANG Y，et al.Study on ultra-capacitor battery hybrid power system for PHEV applications[J].High Technology Letters，2010，16(1)：23-28.

[3]李哲，盧蘭光，歐陽明高.提高安時積分法估算電池SOC精度的方法比較[J].清華大學學報：自然科學版，2010，25(8)：1293-1296.

[4]李志鵬，趙楊.純電動汽車電池管理系統及SOC精確估計[J].電源技術，2016，140(5)：1090-1093.

[5]XIONG R，HE H，SUN F，et al.Evaluation on state of charge estimation of batteries with adaptive extended Kal-man filter by experiment approach[J].IEEE Transactions on Vehicular Technology，2013，62(1)：108-117.

[6]潘衛華，劉曉丹.基于改進卡爾曼濾波的鋰電池SOC估算研究[J].計算機仿真，2014，31(3)：148-150.

[7]項宇，劉春光，蘇建強，等.基于BP神經網絡的動力電池SOC預測模型與優化[J].電源技術，2013，137(6)：963-965.

[8]史峰，王小川，郁磊，等.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2011：1-2.

[9]周美蘭，王吉昌，李艷萍.優化的BP神經網絡在預測電動汽車SOC上的應用[J].黑龍江大學自然科學學報，2015，32(1)：129-134.

[10]封進.BP神經網絡預估鋰離子電池SOC訓練數據選擇[J].電源技術，2016，140(2)：283-286.

Estimation and simulation of power battery SOC based on BP neural network

ZHANG Chuan-wei,LI Lin-yang,ZHAO Dong-gang
(College of Mechanical Engineering,Xi'an University of Science and Technology,Xi'an Shanxi 710054,China)

TM 912.9

A

1002-087X(2017)09-1356-02

2017-02-14

陜西省教育廳科學研究項目(11JK0869）

張傳偉(1974—），男，安徽省人，教授，主要研究方向為現代電動汽車控制技術和機電系統智能控制。