改进安时法结合神经网络估算锂离子电池SOC

吴海东，任晓明，那 伟，黄 超

(1. 上海电机学院电气学院，上海 201306； 2. 上海航天电源技术有限责任公司，上海 201615)

改进安时法结合神经网络估算锂离子电池SOC

吴海东1，任晓明1，那 伟2，黄 超1

(1. 上海电机学院电气学院，上海 201306； 2. 上海航天电源技术有限责任公司，上海 201615)

采用BP神经网络对库仑效率进行训练并预测，将预测得到的库仑效率代入改进安时(AH)算法，再基于MotoHawk进行设计，应用于地铁应急牵引电池组管理系统。以952国产A车为试验对象，结合实际运行情况对荷电状态(SOC)进行估算和分析。试验结果表明，所采用的方法比传统AH法估算精度误差提高4.9%。

荷电状态(SOC)； 电池组管理系统； 改进安时(AH)算法； BP神经网络

荷电状态(SOC)是电池管理系统的重要部分，估算方法目前主要有开路电压法、内阻法、安时(AH)计量法、神经网络算法和卡尔曼滤波法等[1]。文献[2]釆用无迹卡尔曼滤波法，结合改进的电动势电池等效模型，提高估算算法的精度，估算误差小于5%，具有较高的实用价值。文献[3]通过分析电池SOC与充放电电流、温度的关系，训练后得到BP神经网络的动力电池SOC估计模型，对得到的神经网络模型进行测试，估计值和输出值之间的误差最大值约为4%。

传统AH法估算电池的剩余电量时，基本上未考虑库仑效率η，导致SOC估算精度降低。本文作者采用改进的AH法，结合BP神经网络，对锂离子电池进行SOC估算，再基于MotoHawk进行设计，并应用于地铁应急牵引电池组管理系统，对SOC进行估算和分析。

1 BP神经网络的库仑效率预测

AH法中，电池剩余电量通过充放电电流在时间上的积分来计算[4-5]。库仑效率[6]与充放电电流和电池温度紧密相关。对单体容量8 Ah锂离子电池(上海产)进行1C、2C和3C时，-5～60 ℃下放电容量的检测，用CANalyzer软件记录得到数据，通过BP神经网络算法对库仑效率进行训练并预测。将放电电流和温度作为输入层，库仑效率为输出层，中间隐含层节点数根据实际情况而定，试验选取20节点。

神经网络估算库仑效率η的过程是：①通过试验获得经验数据；②用获得的经验数据对神经网络进行训练；③将训练好的神经网络应用于SOC估算中，实时估算η。根据地铁应急牵引锂离子电池在1C、2C和3C时的库仑效率试验数据，对数据进行训练。选取训练步数为3 000，训练精度为1.0×10-5。训练结束，得出预测值，整理后的结果见图1。

图1 电流、温度与放电库仑效率的关系

从图1可知，放电倍率越小、库仑效率越高，且库仑效率随着温度的增加逐渐增大。

图2 BP估算库仑效率的误差Fig.2 BP estimated error of Coulombic efficiency

如图2所示，通过误差分析得出的训练结果与试验数据基本相符，得到最大、最小误差分别为-1.2×10-3和-8.0×10-5。这说明：BP神经网络对于样本覆盖范围内放电库仑效率的估算，具有较好的泛化性能。

2 基于MotoHawk的改进AH算法程序

基于MotoHawk设计的改进AH算法程序模型见图3。

图3 改进AH算法模型Fig.3 Improved AH computation model

实验使用ECM-0S12-070-1001控制器(北京产)，所用磷酸铁锂(LiFePO4)正极IFP1780123PB型锂离子电池(上海产)容量为24 Ah，单体电压为2.56 V，单体容量为8 Ah，电流积分周期按100 ms计算，设置的电池容量为24 A×3 600 000 ms/100=864 000 Ams(3 600 Ams=1 mAh)。SOC模型主要分为以下几个模块：函数模块、库仑效率模块、电流范围校正、SOC范围校正和SOC记录校正。在函数模块中、离散模式下计算SOC。SOC范围校正通过最大最小值对比，确保SOC在0到100%之间。读出模块和记录模块能及时读写电池组的SOC，避免传统AH法无法估计初始SOC的缺点，并确保数据的及时更新。

SOC记录校正模块如图4所示。

图4 SOC记录校正模块Fig.4 SOC recorded correction module

计算出来的SOC，经过if模块，当SOC≥100%，且为充电状态时，执行对应模块并将SOC=100%记录到数据记录模块，防止SOC超过理论范围导致错误故障，同时输出1到Merge模块；当SOC≤1%且为放电状态时，执行对应模块并将SOC=1%记录到数据记录模块，同时输出1到Merge模块；其他情况下，直接将SOC输出1到Merge模块，记录到数据记录模块。此模块的主要作用是判别充放电状态、对SOC临界状态及时校正，并更新到记录模块。解决AH计量法在使用时无法估计初始SOC的问题。

由BP神经网络对锂离子电池放电库仑效率进行训练，需要对放电库仑效率进行预测。应急牵引电池规定以2C倍率放电，结合本地季节温度情况，设定最低、最高温度分别为-5 ℃和100 ℃，根据电流传感器采样精度，确定温度间隔为0.1 ℃，得到如图5所示的预测放电库仑效率。

图5 预测放电库仑效率Fig.5 Predict discharge coulombic efficiency

库仑效率模块如图6所示。

图6 库仑效率模块Fig.6 Coulombic efficiency module

当电池处于放电状态时，根据温度对应的放电预测库仑效率关系，将数据导入预测库仑效率模块，通过实时温度采集，由该模块查取，代入SOC函数模块，计算放电SOC；当电池处于充电状态时，由于是以1C充电，电池为平稳状态，温度变化不剧烈，判定库仑效率为1，代入SOC函数，计算充电SOC。

3 试验结果分析

以952国产A车为试验对象，在应急牵引下模拟额定状态进行试验，地铁以20 km/h的速度运行；轨道设计为2°上坡400 m，再下坡400 m，然后平直道1 000 m。

试验过程中，通过CANalyzer软件记录数据，并将数据直接导入MATLAB，通过MATLAB进行数据分析，得到图7所示的放电电流曲线。

图7 电池的放电电流曲线Fig.7 Discharge current curve of the battery

分析图7可知，在100～300 s左右为地铁应急牵引爬坡阶段，电池为脉冲式放电，最大值为238 A。在300～620 s左右地铁为下坡阶段，且处于关闭自牵引状态，慢速滑行下坡，在平直道进行制动测试的制动过程中，出现很高的放电电流。电池组工作状态SOC计算曲线见图8。

从图8可知：改进AH法的SOC从100%到57.0%阶段，地铁为爬坡阶段消耗，剩余电量为43.0%，SOC成平滑斜线下降，电流为脉冲式放电，最大放电电流为238 A，在平直道为制动过程，由于制动不是连续过程，使得SOC不再是平滑斜线，SOC从57.0%下降到40.9%，电流也呈现脉冲趋势，最大电流为230 A。传统AH法所得SOC为42.9%。试验后，在稳定状态下以1C电流将电池组剩余电量放完，检测真实剩余电量为9.72 Ah(对应SOC为40.5%)。由此可知，改进AH法的预测结果更接近真实值。电池组工作状态平均温度曲线见图9。

图8 SOC算法曲线Fig.8 SOC algorithm curves

图9 电池组放电的平均温度曲线Fig.9 Average temperature curve of battery during discharge

从图9可知，在180 s之前，温度在30 ℃以下。由图5可知，在30 ℃左右，库仑效率接近1，因此改进AH法误差很小。电池组传统AH法计算曲线见图10。

图10 传统AH法的误差曲线Fig.10 Error curve for traditional AH method

从图10可知，传统AH法随着温度的上升导致误差上升，随着工作时间的积累，误差不断增加，到运行结束时，相对于改进AH法的误差达到4.9%。

4 小结

本文作者采用BP神经网络对库仑效率进行训练并预测，将预测的库仑效率代入改进AH算法，再基于MotoHawk进行设计，应用于地铁应急牵引电池组管理系统。以952国产A车为试验对象，在应急牵引下，以20 km/h时速，在2°上坡400 m，再下坡400 m+平直道1 000 m上以额定状态运行。试验结果表明：随着工作时间积累，传统AH法误差不断积累，到运行结束，误差达到4.9%；改进的AH法对相对于传统AH法，SOC估算精确度有很大的提高，更接近真实值。

[1] WAN Yong-kai(万永凯). 混合动力电动汽车锂离子电池SOC估算方法研究[D]. Wuhan(武汉)：Wuhan University of Technology(武汉理工大学)，2013.

[2] WU Tie-zhou(吴铁洲)，HU Li-ping(胡丽平). 基于UKF的动力电池SOC估算算法研究[J]. Power Electronics(电力电子技术)，2014，48(4)：23-26.[3] CAI Xin(蔡信)，LI Bo(李波)，WANG Hong-hua(汪宏华)，etal. 基于神经网络模型的动力电池SOC估计研究[J]. Mechanical and Electrical Engineering(机电工程)，2015，32(1)：128-132.

[4] YU Hai-fang(于海芳)，LU Ren-gui(逯仁贵)，ZHU Chun-bo(朱春波)，etal. 基于安时法的镍氢电池SOC估计误差校正[J]. Transactions of China Electrotechnical Society(电工技术学报)，2012，27(6)：12-18.

[5] XI An-jing(席安静)，TIAN Guang-yu(田光宇)，BAI Peng(白鹏). 磷酸铁锂锂离子电池EIS参数随SOC变化的规律[J]. Battery Bimonthly(电池)，2012，42(2)：77-80.

[6] WU G L,LU R G,ZHU C B,etal. An improved Ampere-hour method for battery state of charge estimation based on temperature,coulomb efficiency model and capacity loss model[A]. Procee-dings of Vehicle Power and Propulsion Conference (VPPC)[C]. Lille, 2010.

Estimating SOC of Li-ion battery by improved AH combined with neural network

WU Hai-dong1，REN Xiao-ming1，NA Wei2，HUANG Chao1

(1.ElectricCollege，ShanghaiDianjiUniversity，Shanghai201306，China；2.ShanghaiAerospacePowerTechnologyCo.，Ltd.，Shanghai201615，China)

The Coulombic efficiency was taken into the improved Ah computation，then the improved AH computation was designed which was based on MotoHawk and used in the subway of emergency traction battery management system. The 952 domestic A subway was taken as experimental target，state-of-charge(SOC)could be analyzed and estimated combined with the actual operating conditions. The test results showed that the estimation accuracy had been increased 4.9% due to the method used.

state-of-charge(SOC)； battery management system； improved AH computation； BP neural network

吴海东(1989-)，男，江苏人，上海电机学院电气学院硕士生，研究方向：电力电子技术，本文联系人；

上海市自然科学基金(12ZR1411700)，上海市教委优青项目(ZZSDJ12003)，上海电机学院研究生创新项目(A1-0225-15-005-04)

TM912.9

A

1001-1579(2016)01-0016-04

2015-09-05

任晓明(1977-)，男，浙江人，上海电机学院电气学院副教授，研究方向：防雷技术及电磁兼容；

那 伟(1982-)，男，黑龙江人，上海航天电源技术有限责任公司工程师，技术中心副经理，研究方向：电池组管理；

黄 超(1989-)，男，福建人，上海电机学院电气学院硕士生，研究方向：电力电子技术。