基于Kalman濾波和BP神經(jīng)網(wǎng)絡(luò)的鋰電池單體健康狀況估計(jì)模型研究

曾迪　汪秋婷

摘 要：本文以磷酸鐵鋰電池作為研究對(duì)象，從單體電池模型的建立與優(yōu)化入手，分析高容量鋰電池模型的參數(shù)特征，利用Kalman濾波（KF）和BP神經(jīng)網(wǎng)絡(luò)迭代計(jì)算模型參數(shù)和單體電池SOH值，借助先進(jìn)測(cè)試儀器得到可靠的實(shí)驗(yàn)數(shù)據(jù)，結(jié)合仿真手段驗(yàn)證新模型和新算法的可行性與有效性。

引言

鋰離子電池的SOH是指在一定條件下電池所能充入或放出電量與電池標(biāo)稱容量的百分比，精確估計(jì)電池組SOH值，可以預(yù)測(cè)電池的剩余可用壽命（Remaining Useful Life， RUL）[1，2]。高容量鋰電池屬于功率型電池，表征健康狀況和容量衰減程度的常用指標(biāo)包括電池可用容量，直流電阻和交流阻抗[3，4]。當(dāng)前循環(huán)壽命估計(jì)方法的研究主要分成兩類：一方面，側(cè)重于實(shí)用性的估計(jì)方法，包括放電試驗(yàn)法、內(nèi)阻法、電化學(xué)阻抗分析等[5]；另一方面，側(cè)重于模型仿真的估計(jì)方法，包括耐久性開環(huán)電池的方法和基于模型的閉環(huán)方法，前者直接預(yù)測(cè)容量減弱和內(nèi)阻的變化，后者是在研究電池老化機(jī)理的基礎(chǔ)上，建立容量衰減與電池內(nèi)部參數(shù)、溫度、倍率、放電深度、自放電等參數(shù)的函數(shù)關(guān)系[6]。汪秋婷等提出將抗差無跡Kalman濾波法（R-UKF）應(yīng)用于電池模型參數(shù)的估計(jì)過程中。該方法是一種最優(yōu)化自同歸數(shù)據(jù)處理算法[7]，通過對(duì)狀態(tài)變量進(jìn)行實(shí)時(shí)最優(yōu)估計(jì)。本文以磷酸鐵鋰電池作為研究對(duì)象，從單體電池模型的建立與優(yōu)化入手，分析高容量鋰電池模型的參數(shù)特征，利用Kalman濾波和BP神經(jīng)網(wǎng)絡(luò)迭代計(jì)算模型參數(shù)和單體電池SOH值，借助先進(jìn)測(cè)試儀器得到可靠的實(shí)驗(yàn)數(shù)據(jù)，結(jié)合仿真手段驗(yàn)證新模型和新算法的可行性與有效性。

1 基于KF的單體電池SOH估計(jì)

本文提出基于單體電池SOC值的電池組壽命預(yù)測(cè)方法，該方法將不同采樣時(shí)間點(diǎn)的端電壓值和當(dāng)前SOC值進(jìn)行函數(shù)聯(lián)系，并結(jié)合D-KF估計(jì)電池組模型參數(shù)和SOH值。根據(jù)等效模型和等效電路方程，電池組電壓變化值與SOC值之間的關(guān)系式為：

2 基于BP神經(jīng)網(wǎng)絡(luò)的單體電池SOH估計(jì)

本文設(shè)計(jì)基于BP網(wǎng)絡(luò)的Simulink仿真結(jié)構(gòu)如圖1所示，鋰離子單體SOH估計(jì)算法步驟可歸納如下：

（1）初始化，選定一個(gè)結(jié)構(gòu)合理的網(wǎng)絡(luò)，置所有可調(diào)參數(shù)（權(quán)和閾值）為均勻分布的較小數(shù)值；

（2）對(duì)每個(gè)輸入樣本作前向計(jì)算、反向計(jì)算和權(quán)值修正；

（3）輸入新的樣本，直到Ep達(dá)到預(yù)定要求，訓(xùn)練時(shí)各周期樣本的輸入順序要重新隨機(jī)排序。

3 實(shí)驗(yàn)結(jié)果

本文采用KF和BP神經(jīng)網(wǎng)絡(luò)兩種方法，對(duì)磷酸鐵鋰電池單體SOH值進(jìn)行估計(jì)。其中，通過采集在室溫15℃ 下單體電池電流/溫度的600組數(shù)據(jù)。研究了輸出電流和工作溫度的變化曲線。在仿真實(shí)驗(yàn)中BP的三個(gè)系數(shù)分別為kp=0.2，ki =1，kd =0.3。學(xué)習(xí)效率η 為0.5，慣性指數(shù)α 為0.2，通過對(duì)300組輸入/輸出數(shù)據(jù)進(jìn)行訓(xùn)練，用另外的300組數(shù)據(jù)進(jìn)行檢驗(yàn)。實(shí)驗(yàn)結(jié)果表明，BP網(wǎng)絡(luò)控制系統(tǒng)能夠很好地通過電堆溫度輸出理想的電堆溫度，相比于KF算法具有更小的超調(diào)量和更好的動(dòng)態(tài)響應(yīng)。

4 結(jié)論

本文采用KF算法和BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)單體電池SOH模型進(jìn)行建立，并利用磷酸鐵鋰電池單體電流和溫度的數(shù)據(jù)進(jìn)行SOH值的估計(jì)。結(jié)果顯示，BP網(wǎng)絡(luò)控制器的優(yōu)點(diǎn)是結(jié)構(gòu)簡(jiǎn)單，參數(shù)少，宜于實(shí)際的實(shí)驗(yàn)操作，并且也能滿足實(shí)驗(yàn)精度的要求，同時(shí)超調(diào)量比較小，到達(dá)穩(wěn)定狀態(tài)所需的時(shí)間也較短?？刂破鞒浞职l(fā)揮了可以將鋰電池單體的SOH估計(jì)結(jié)果很好的控制在理想的范圍內(nèi)，滿足了系統(tǒng)的穩(wěn)態(tài)和動(dòng)態(tài)性能要求。

參考文獻(xiàn)：

[1] Han X B， Ouyang M G， Lu L G， et al. A comparative study of commercial lithium-ion vehicle： Capacity loss estimation[J]， Journal of Power Sources， 2014， 268： 658-669.

[2] Dave Andre， Christian Appel， et. al. State of Health and Charge Measurements in Lithium-ion Batteries Using Mechanical Stress[J]， Journal of Power Sources， 2014， 269： 7-14.

[3] Zheng Chen，Chunting Chri Mi，Yuhong Fu，et al.Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications[J]， Journal of power sources， 2013， 240：184-192.

[4] Yang FF， Xing YJ， Wang D， Kwok-Leung Tsui. A comparative study of three model-based algorithms for estimating state-of-charge of lithium-ion batteries under a new combined dynamic loading profile[J]， Applied Energy 2016，164：387-399.

[5] Guangzhong Dong， Xu Zhang， et al. A Method for State of Energy Estimation of Lithium-ion Batteries Based on Neural Network Model[J]， Energy， 2015， 90（1）： 879-888.

[6] 劉大同， 周建寶， 郭力萌， 彭宇. 鋰離子電池健康評(píng)估和壽命預(yù)測(cè)綜述[J]， 儀器儀表學(xué)報(bào)， 2015， 36（1）： 58-61.

[7] 商高高， 朱晨陽. 基于雙重卡爾曼濾波器電池荷電狀態(tài)的估計(jì)[J]， 重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)）， 2014， 28（6）： 1-7.

作者簡(jiǎn)介：

曾迪，男，1996-- 出生， 本科生，浙江大學(xué)城市學(xué)院，主要研究方向?yàn)殇囯姵貞?yīng)用

基金項(xiàng)目：浙江省自然科學(xué)基金（LQ16F010004）