基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池SOC估算

趙 鋼，孫豪賽，羅淑貞

(1.天津理工大學(xué)天津市復(fù)雜控制理論與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津300384；2.河北工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津300401)

基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池SOC估算

趙 鋼1，孫豪賽1，羅淑貞2

(1.天津理工大學(xué)天津市復(fù)雜控制理論與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津300384；2.河北工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與軟件學(xué)院，天津300401)

電池荷電狀態(tài)(SOC)的預(yù)測(cè)是影響電動(dòng)汽車發(fā)展的關(guān)鍵技術(shù)之一，采用經(jīng)典BP神經(jīng)網(wǎng)絡(luò)控制算法完成了動(dòng)力電池的SOC估算研究。通過設(shè)計(jì)工況實(shí)驗(yàn)，在Matlab中對(duì)該算法進(jìn)行了仿真驗(yàn)證，結(jié)果表明該算法能夠很好地?cái)M合動(dòng)力電池充放電特性，誤差可以減小到5%以內(nèi)。

動(dòng)力電池；BP神經(jīng)網(wǎng)絡(luò)；荷電狀態(tài)；Matlab

電池荷電狀態(tài)(SOC)用來表征動(dòng)力電池中剩余電量的多少，決定了電動(dòng)汽車的可續(xù)駛里程，為駕駛者做出正確的駕駛決策提供了直觀參考。目前，常用的電池SOC估算方法[1-2]有：開路電壓法、安時(shí)計(jì)量法、內(nèi)阻法、卡爾曼濾波法等。這些方法不但對(duì)電池模型要求高，而且可靠性低。

神經(jīng)網(wǎng)絡(luò)法是一種新型智能控制算法，采用并行處理結(jié)構(gòu)，不需要建立精確的數(shù)學(xué)模型[3]，通過模擬人腦學(xué)習(xí)機(jī)能，從數(shù)據(jù)中分析輸入量與輸出量間的對(duì)應(yīng)關(guān)系，對(duì)于解決非線性問題有著獨(dú)特的優(yōu)勢(shì)。本文采用經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行SOC估算，并在Matlab中仿真驗(yàn)證該方法，結(jié)果表明該方法估算精度保持在5%以內(nèi)。

1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種“信號(hào)前向傳遞、誤差反向傳播”[4]的網(wǎng)絡(luò)模型，一般采用3層結(jié)構(gòu)，即輸入層、隱含層和輸出層。每一層均由若干非線性處理單元組成，相鄰層之間通過突觸權(quán)陣連接起來[5]。前一層的輸出作為下一層的輸入，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)的訓(xùn)練需要一套輸入輸出樣本集，以誤差為標(biāo)準(zhǔn)，訓(xùn)練過程中不斷調(diào)整權(quán)值重復(fù)計(jì)算，直到滿足誤差要求。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型

式中：ρ為隱含層單元的變換函數(shù)，一般為單調(diào)可微的Sigmoid函數(shù)或Tan函數(shù)，目的是方便求導(dǎo)，尋找誤差導(dǎo)函數(shù)梯度最小解；σ為輸出層變換函數(shù)，一般為線性函數(shù)；θ為闕值。

訓(xùn)練網(wǎng)絡(luò)權(quán)值的修正采用梯度下降法，訓(xùn)練過程如下：

(1)計(jì)算誤差

(2)修正權(quán)值

2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

由于神經(jīng)網(wǎng)絡(luò)的特殊結(jié)構(gòu)，可以允許有多個(gè)變量作為預(yù)測(cè)條件。本文采用“四輸入一輸出”結(jié)構(gòu)，將影響電池放電特性的主要因素放電電壓、放電電流、電池表面溫度以及當(dāng)前放電總量作為輸入量，SOC為輸出，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3 工況實(shí)驗(yàn)設(shè)計(jì)

本文采用的動(dòng)力電池額定容量為11.5 Ah，在電池充滿電后擱置1 h，放在室溫25℃條件下以1/3放電至2 V，認(rèn)為此過程電池電量從100%完全放電至0。其中，每兩秒記錄一次數(shù)據(jù)，隨機(jī)取2 000組作為訓(xùn)練樣本，170組作為測(cè)試樣本。

4 網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè)

樣本選取后對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練流程如圖3所示。

圖3 網(wǎng)絡(luò)訓(xùn)練流程圖

對(duì)權(quán)值的初始化選擇不大于1的隨機(jī)小數(shù)，設(shè)定最大訓(xùn)練步數(shù)為200，目標(biāo)值為0.001，訓(xùn)練過程如圖4所示，經(jīng)過55步的訓(xùn)練，網(wǎng)絡(luò)誤差達(dá)到0.001 509 4，達(dá)到設(shè)計(jì)精度要求。

圖4 訓(xùn)練誤差曲線

以此網(wǎng)絡(luò)為基礎(chǔ)，輸入測(cè)試樣本，測(cè)試網(wǎng)絡(luò)有效性和收斂性，結(jié)果如圖5、圖6所示。

圖5 SOC跟蹤曲線

圖6 SOC誤差曲線

由圖5可知，經(jīng)過訓(xùn)練的網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)電池SOC的準(zhǔn)確預(yù)測(cè)，體現(xiàn)出良好的跟隨性。圖6驗(yàn)證了這一算法的準(zhǔn)確性，預(yù)測(cè)誤差均在5%以內(nèi)，很好地滿足了控制要求。

5 結(jié)語

通過理論分析和仿真驗(yàn)證得知，BP神經(jīng)網(wǎng)絡(luò)控制算法能夠?qū)崿F(xiàn)對(duì)動(dòng)力電池SOC估算的目標(biāo)，并具有較高的準(zhǔn)確性和有效性，算法本身克服了傳統(tǒng)算法因過度依賴電池?cái)?shù)學(xué)模型造成的局限性和不可靠性，為實(shí)現(xiàn)動(dòng)力電池SOC的準(zhǔn)確預(yù)測(cè)提供了一種新途徑。

[1]時(shí)瑋，姜久春，李索宇，等.磷酸鐵鋰電池SOC估算方法研究[J].電子測(cè)量與儀器學(xué)報(bào)，2010，24(8)：769-774.

[2]林成濤，王平軍，陳全世.電動(dòng)汽車SOC估計(jì)方法原理與應(yīng)用[J].電池，2004，34(10)：376-378.

[3]趙瑞.基于神經(jīng)網(wǎng)絡(luò)的HEV動(dòng)力鋰電池組能量管理策略[D].河南：河南科技大學(xué)，2012.

[4]項(xiàng)宇，劉春光，蘇建強(qiáng)，等.基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池SOC預(yù)測(cè)模型與優(yōu)化[J].電源技術(shù)，2013，37(6)：963-986.

[5]韋巍.智能控制技術(shù)[M].北京：機(jī)械工業(yè)出版社，2013.

Estimation of power battery SOC based on BP neural network

The estimation of power battery state of charge(SOC)is one of the key technologies for electric vehicles' development.The research of battery SOC estimation was completed based on classic BP neural network control algorithm.It was tested and simulated in Matlab though designing working conditions.The results show that this algorithm could perfectly fit the charging and discharging characteristics of power battery.

power battery;BP neural network;state of charge(SOC);Matlab

TM 912

A

1002-087 X(2016)04-0818-02

2015-09-05

國家高技術(shù)研究發(fā)展計(jì)劃(2011AA11A279)

趙鋼(1962—)，男，天津市人，教授，主要研究方向?yàn)殡娏﹄娮討?yīng)用及計(jì)算機(jī)控制。