基于GA-BP神經(jīng)網(wǎng)絡(luò)的退役動力鋰電池健康狀態(tài)快速分選模型研究

摘" 要：針對退役車用動力鋰離子電池健康狀態(tài)評估問題，分析得到內(nèi)阻、溫度、充電和放電倍率4大影響因素；然后構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，并利用已有的實驗數(shù)據(jù)驗證其預(yù)測準(zhǔn)確率為89.48%，模型平均絕對百分比誤差MAPE為10.52%；進一步引入GA遺傳算法搭建GA-BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測準(zhǔn)確率提高到97.72%，模型平均絕對百分比誤差MAPE降低到2.28%，均優(yōu)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。結(jié)果表明，采用GA遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值可以改善模型精度，提高該模型的預(yù)測準(zhǔn)確率。

關(guān)鍵詞：退役動力鋰電池；梯次利用；GA-BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；鋰電池SOH

中圖分類號：O646.21" " " 文獻標(biāo)志碼：A" " " " " 文章編號：2095-2945（2025）03-0029-04

Abstract： Aiming at the health status assessment of retired vehicle power lithium-ion batteries， four major influencing factors were analyzed and obtained. Then， a BP neural network model was built， and the existing experimental data was used to verify that its prediction accuracy was 89.48%， and the average absolute percentage error of the model was 10.52%; The GA genetic algorithm was further introduced to build a GA-BP neural network model. The prediction accuracy was increased to 97.72%， and the model's mean absolute percentage error（MAPE） was reduced to 2.28%， both better than the standard BP neural network. The results show that using GA genetic algorithm to optimize the weights and thresholds of BP neural network can improve the accuracy of the model and improve the prediction accuracy of the model.

Keywords： retired power lithium battery; echelon utilization; GA-BP neural network; genetic algorithm; lithium battery SOH

受能源危機影響，我國自2015年開始大力發(fā)展新能源汽車產(chǎn)業(yè)，2023年我國新能源汽車產(chǎn)銷分別為958.7萬輛和949.5萬輛，同比增長35.8% 和37.9%，我國新能源汽車產(chǎn)銷連續(xù)9年位居全球第一。但是，車用電池包壽命一般為6～8年，有關(guān)研究表明，我國將在2026年左右進入動力電池退役高峰期。

1" 退役動力鋰電池健康狀態(tài)的影響因素

1.1" 動力電池SOH的定義

動力電池SOH（State of Health）是指電池健康壽命狀況，電量，能量，充放電功率等狀態(tài)的體現(xiàn)。采用電池容量定義SOH較為主流，其公式為

SOH=100% ， （1）

式中：Caged為動力電池剩余容量；Crated為動力電池初始額定容量。

除了容量定義外還有電量，內(nèi)阻和剩余次數(shù)定義法，容量和電量定義容易操作，內(nèi)阻和剩余次數(shù)定義法可操作性較差[1]。容量的檢測方法較為成熟，且容易操作，所以本文采用容量進行評估動力電池的SOH。

本文將電池包中單個電池SOH劃分為3個等級：SOH在0.7～0.8范圍內(nèi)為1級，應(yīng)用于發(fā)電廠作為蓄電池，起到削峰填谷的作用；SOH在0.6～0.7范圍內(nèi)為2級，應(yīng)用于小型電動自行車等；SOH小于等于0.6為3級，拆解并回收金屬材料等。

1.2 退役動力鋰電池健康狀態(tài)的影響因素

1.2.1 內(nèi)阻對SOH健康狀態(tài)的影響

鋰電池內(nèi)其與內(nèi)部活性物質(zhì)的成分、電解液濃度等因素有關(guān)，隨著鋰電池使用年限增加，其內(nèi)阻會逐步增大，容量隨之下降[2]。

1.2.2 溫度對SOH健康狀態(tài)的影響

鋰電池的工作原理是氧化還原反應(yīng)，當(dāng)溫度過高時，鋰電池內(nèi)部離子定向移動的阻力增大，宏觀表現(xiàn)為鋰電池內(nèi)阻增大，SOH降低，容量衰退[3]；當(dāng)溫度過低時，鋰電池內(nèi)部化學(xué)反應(yīng)速率減緩，鋰電池的性能衰退，SOH降低[3]。

1.2.3 充、放電倍率對SOH健康狀態(tài)的影響

武珊[4]選取第33號、第36號18650動力鋰電池作為對照組進行對比實驗，得出充、放電倍率越大，電池容量下降過程的波動越劇烈，當(dāng)電池達到終止循環(huán)時，剩余容量越少的結(jié)論。

2 基于BP神經(jīng)網(wǎng)絡(luò)的動力鋰電池健康狀態(tài)評估模型

2.1 BP神經(jīng)網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)與自適應(yīng)性，誤差逆?zhèn)鞑ニ惴ㄊ瞧浯硭惴?，簡稱BP神經(jīng)網(wǎng)絡(luò)算法。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，如果輸出層不能得到期望的目標(biāo)輸出值，則將網(wǎng)絡(luò)輸出與目標(biāo)輸出的誤差Δ逆向傳播，通過修改各層神經(jīng)元的權(quán)值，使得誤差值減小，再轉(zhuǎn)入正向傳播過程[2]。反復(fù)迭代直到誤差值小于給定值后建立最終學(xué)習(xí)型的網(wǎng)絡(luò)模型。

2.2 仿真及分析

2.2.1 數(shù)據(jù)集來源

仿真驗證使用的數(shù)據(jù)集[5]來源于北京理工大學(xué)發(fā)表Nature Communications使用的論文數(shù)據(jù)集，該電池為PANASONIC NCR18650BD（3.03 Ah標(biāo)稱容量，3個電池cell）。3個電池的初始SOH良好，SOH≈0.82，每個電池經(jīng)過900余次的充放電實驗后，SOH≈0.5。每次實驗可視為一個獨立個體電池，從2 700余條實驗數(shù)據(jù)中隨機選取800條數(shù)據(jù)作為輸入待測樣本。其中600（75%）條數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，剩下的200（25%）條數(shù)據(jù)作為測試集數(shù)據(jù)。

2.2.2 確定輸入層，隱含層，輸出層參數(shù)

內(nèi)阻，工作溫度，充、放電倍率影響鋰電池的健康狀態(tài)，因此輸入層的節(jié)點數(shù)為4；用Yi=（1），Yi=（2），Yi=（3）分別表示良好（1級）、一般（2級）、較差（3級），根據(jù)Yi輸出的值確定鋰電池健康狀態(tài)的等級，即輸出層節(jié)點數(shù)為1。該BP神經(jīng)網(wǎng)絡(luò)模型搭建過程的流程如圖1所示。

2.2.3" 仿真結(jié)果與分析

BP神經(jīng)網(wǎng)絡(luò)搭建訓(xùn)練完成后，可得到標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)測試集預(yù)測值-實際值-誤差對比圖2，由測試結(jié)果分析可知，該BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率為89.48%，預(yù)測值和實際值的誤差值在（-0.5，0.5），模型平均絕對百分比誤差MAPE為10.52%；說明采用鋰電池工作溫度，內(nèi)阻、充放電倍率作為輸入的標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)可以較為準(zhǔn)確地預(yù)測出退役動力鋰電池的健康狀態(tài)等級。

3" 基于GA遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)評估模型

3.1" GA-BP神經(jīng)網(wǎng)絡(luò)模型搭建

遺傳算法（GA）是一種利用模仿生物進化生存規(guī)律的自然選擇理論[6]， 其核心是搜索最優(yōu)：首先進行初始化參數(shù)，包括種群的數(shù)量、編碼方式、長度和最大迭代次數(shù)等；編碼完成后，根據(jù)適應(yīng)度值進行選擇、交叉、變異，進化種群。每完成一輪學(xué)習(xí)若達到最大的迭代次數(shù)則結(jié)束并輸出結(jié)果，反之則繼續(xù)學(xué)習(xí)[7]。將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)融合，利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，從而提高 BP 神經(jīng)網(wǎng)絡(luò)精度。融合遺傳算法后優(yōu)化得到的GA-BP神經(jīng)網(wǎng)絡(luò)算法流程圖如圖3所示。

3.2" GA-BP算法對退役鋰離子電池健康評估模型的建立及結(jié)果分析

GA-BP神經(jīng)網(wǎng)絡(luò)搭建訓(xùn)練完成后，得到圖4所示的GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與真實值對比圖。

分析圖4可知，從整體來看，GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率為97.72%，模型平均絕對百分比誤差MAPE為2.28%，均優(yōu)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的89.48%和10.52%，即采用GA遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值可以改善模型精度，提高該模型的預(yù)測準(zhǔn)確率。

4" 結(jié)論

針對退役車用動力鋰離子電池健康狀態(tài)評估問題，首先構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，然后引入遺傳算法優(yōu)化模型提高準(zhǔn)確度，得到如下結(jié)論。

1）體現(xiàn)電池SOH的主要參數(shù)為內(nèi)阻大小、工作溫度和充、放電倍率。

2）BP神經(jīng)網(wǎng)絡(luò)模型可以用于快速評估退役電池SOH狀態(tài)，準(zhǔn)確率為89.48%，預(yù)測值和實際值的誤差值在（-0.5，0.5），模型平均絕對百分比誤差MAPE在11%以內(nèi)。

3）引入遺傳算法的GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率高達97.72%，優(yōu)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。

參考文獻：

[1] 李家晨.基于CNN-BiGRU神經(jīng)網(wǎng)絡(luò)的鋰電池SOH估計算法研究[D].淮南：安徽理工大學(xué)，2022.

[2] 胡秀園，陸貽名，莫飄.基于BP神經(jīng)網(wǎng)絡(luò)的電力通信用蓄電池健康狀態(tài)評價模型[J].廣西電力，2018，41（2）：44-47，58.

[3] 車禹劍.純電動汽車動力電池健康狀態(tài)預(yù)估研究[D].長春：吉林大學(xué)，2023.

[4] 武珊.基于電壓特性的動力電池健康狀態(tài)估計方法研究[D].西安：長安大學(xué)，2021.

[5] LU J， XIONG R， TIAN J， et al. “Battery Degradation Datasets（Two Types of Lithium-ion Batteries）”，Mendeley Data[EB/OL].https：//data.mendeley.com/datasets/v8k6bsr6tf/1.

[6] MIAO H， ZUO D W， WANG H J，et al. Optimization of Tap Parameters for Internal Thread Cold Extrusion of High Strength Steel Based on Genetic Algorithm[J].Key Engineering Materials，2010，898（431/432）：434-437.

[7] 張劍飛，王磊，劉明，等.基于改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的表面粗糙度誤差預(yù)測[J].高師理科學(xué)刊，2023，43（7）：33-40.