基于BP神经网络的镉镍电池放电特性预测

何明前，范世军，王显承，张丽，黎学明

(1.四川长虹电源有限公司，四川绵阳621000；2.重庆大学化学化工学院，重庆400044)

基于BP神经网络的镉镍电池放电特性预测

何明前1*，范世军1，王显承1，张丽1，黎学明2

(1.四川长虹电源有限公司，四川绵阳621000；2.重庆大学化学化工学院，重庆400044)

为准确预测镉镍蓄电池的放电特性，采用安时积分法预测剩余容量，再以电池工作温度、放电电流、剩余容量为输入量，工作电压为输出量，建立基于Levenberg-Marquardt(LM)算法的BP神经网络模型，经过训练及检验，该模型的预测结果准确，相对误差小于0.5%。实验表明，该模型在温度－20～60℃和放电电流33～165 A能精确预测电池的剩余容量和工作电压，进而准确建立了蓄电池温度、剩余容量、放电电流和工作电压之间的映射关系。

镉镍蓄电池；BP神经网络；Matlab

镉镍蓄电池是一种内部由多个单体电池串联组成的化学储能设备，相比于其它可充电电池具有经济耐用、能提供大电流放电等特点，因此被广泛用于火车、航空等特殊领域的电源系统。本文利用Matlab作为建模平台，在大量实验数据的基础上，建立了镉镍蓄电池充放电预测模型。

一般而言，蓄电池的荷电状态只能通过对电池的外特性参数的计算和预测来估算剩余容量的大小，在估算过程中，常常要考虑到电池的老化、自放电、温度等因素对电池容量的影响。目前，对电池剩余电量的预测方法主要有：开路电压法[1]、神经网络法[2-3]、卡尔曼滤波法[4]、安时积分法[5]等。神经网络具有非线性函数的无限逼近能力，能够对复杂因果关系的系统进行精确建模，因此可以有效建立温度、剩余容量和工作电压之间的映射关系，而安时积分法由于计算简单、易于实现，在剩余容量估算中应用最为广泛。因此，本文研究了基于安时积分法预测电池剩余容量，再以剩余容量、温度、放电电流作为输入量，工作电压作为输出量的安时积分-BP神经网络模型。

1 安时积分法计算电池初始容量

安时积分法计算原理为：

式中：α为自放电、老化因素、温度等的修正因子；C0为电池初始容量；I为电池的瞬时电流；m为库仑效率系数。

在真实的放电环境下，安时积分法受电池初始容量、放电电流和温度影响较大，在应用中存在较多问题，如初始容量的预测不准确将导致后续误差的不断累积。电池库仑效率系数m代表充放电循环中内部的电量耗散，它与充放电电流、初始容量和电池的老化程度密切相关，这使其很难准确测量。

一般而言，应用于火车、航空等特殊领域的镉镍蓄电池组其充电模式基本上固定不变，通常分为两个阶段：恒流充电和恒压充电。电池首先在恒流模式下充电至某一转流电压，然后在恒压模式下充电至充电电流下降到某一特定值即停止充电。因此，可以根据两段的充电电流、充电时间以及充电效率，利用安时积分法预测出电池的充电容量。

镉镍蓄电池初始容量估算的具体步骤如下：将镉镍蓄电池放电至终止电压；采用固定的充电模式对镉镍蓄电池进行充电；利用安时积分法计算初始容量并考虑自放电、老化、温度、充电效率等修正因子。

2 BP神经网络预测电池放电参数

采用的网络结构如图1所示。在建立BP神经网络过程中，将电池的放电电流、电池剩余容量和环境温度作为输入量，电池的工作电压作为输出量。该神经网络包含4层：具有3个节点的输入层、6个节点的隐含层1、2个节点的隐含层2和1个节点的输出层。

图1 神经网络拓扑结构图

与其它研究不同[2-3]的是，本文先通过修正的安时积分法计算出电池的初始容量；其次，根据放电电流、放电时间、放电效率计算电池剩余容量；再次，以剩余容量、放电电流、温度作为输入层，利用BP神经网络预测电池的工作电压。

3 电池实验数据获取

根据镉镍蓄电池使用维护规范，对某公司生产的20GNC33A镉镍蓄电池组进行了不同温度、不同电流下的充放电实验，电池均在满容量下进行放电实验。放电环境温度取－20、－10、0、20、40和60℃，放电电流取1C、2C、3C、4C、5C。记录不同时刻的电池组电压值，各时刻的容量采用安时积分法计算得到。

4 网络训练及预测

构建的BP神经网络为三输入(容量、电流、温度)一输出(电压)的双隐层结构，具体训练过程如图2所示。经过66次迭代，网络达到所要求的精度，误差收敛到期望值。

图2 电池工作电压训练过程

图3为温度20℃、3C放电电流下的预测值和样本值对比图。一般而言，电池在恒流放电时，其工作电压与剩余容量呈单调递增关系，但在放电平台处，如果采用传统的电压预测容量的方法，较小偏差的电压可能导致较大的容量误差，相反，如果采用容量预测电压，将会提高电压的预测精度。从图3可知，容量预测值与样本值基本重合，相对误差小于0.1%；电压的相对误差小于0.5%，表明该模型的精确度较高。

图3 镉镍蓄电池20℃，3C放电预测曲线与样本曲线对比图

对于参与神经网络学习过程的样本数据，其预测误差都比较小，能满足实际的应用要求，但在实际应用过程中，经常会对样本以外的放电数据进行预测，本文在以往研究的基础上，增加了对非样本数据预测的功能。具体方法如下：首先根据用户输入的温度、电流找到最邻近的3组温度和3组电流的样本数据；其次根据安时积分法预测出剩余容量，以剩余容量、3组温度、3组电流共9组作为神经网络的输入层，预测出9组电压；再次分别对每组温度下的3个预测点进行多项式拟合，得到每组温度、预测电流下的3个预测点；最后对这3个预测点进行多项式拟合得到预测温度、预测电流下的工作电压。

下面，将结合实例对该软件的预测功能进行说明。

例如，预测49.5 A，25℃下镉镍蓄电池的放电特性，模型将选取最邻近的3组电流、3组温度数据，如表1红色部分所示，并根据安时积分法对剩余容量进行预测，假定剩余容量预测结果为20 Ah，模型将以(33 A，0℃，20 Ah)，(33 A，20℃，20 Ah)，(33 A，40℃，20 Ah)，(66 A，0℃，20 Ah)，(66 A，20℃，20 Ah)，(66 A，40℃，20 Ah)(99 A，0℃，20 Ah)，(99 A，20℃，20 Ah)，(99 A，40℃，20 Ah)，这9组数据作为BP神经网络的输入层，预测得到这9种条件下工作电压，随后分别对0、20和40℃下的3组预测点进行多项式拟合，计算得到(49.5 A，0℃)条件下的V1，(49.5 A，20℃)的V2，(49.5 A，40℃)的V3，最后对这3个电压预测点进行多项式拟合，计算得到(49.5 A，25℃)的V，即为最后的预测结果。

为了进一步验证模型的准确度，实验对一组未知数据20℃，1.5C放电曲线(没有参与神经网络的学习过程)进行预测，

?????????????????????20GNC33A ?20 ??10 ?0 ? 20 ? 40 ? 60 ?33 A 1 1 1 1 1 1 66 A 1 1 1 1 1 1 99 A 1 1 1 1 1 1 132 A 1 1 1 1 1 1 165 A 1 1 1 1 1 1??1???????

其预测值与样本值的对比图如图4所示。从图中可以看出，在电池放电前期(>33 Ah)，电压预测误差较中后期预测大，最高可以达到1.5%；在放电中后期(≤33 Ah)，电压预测误差基本上保持在0.5%左右；从预测原理上看，模型的预测精度与样本数据是否具有代表性、密集程度密切相关。由于电池在放电前段和尾端电池电压下降较快，预测精度也较中期低。总体上而言，该模型在较少样本数据的情况下，放电中后期的预测精度仍能保持在1%左右，表明该模型能够满足实际应用，具有较好的应用前景。

图4 镉镍蓄电池20℃，1.5C放电预测曲线与样本曲线对比图

5 结论

本文针对镉镍蓄电池的充放电特性，建立了基于安时积分-BP神经网络的预测模型，充分考虑了充放电效率、老化、自放电对容量预测的影响；并以剩余容量、电流和温度作为输入量、电压作为输出量进行了高精度训练，对样本数据及未知数据进行了预测，检验了该模型的预测精度，预测结果满足实际应用的精度要求。

[1]徐欣歌，杨松，李艳芳.一种基于预测开路电压的SOC估算方法[J].电子设计工程，2011，19(14)：127-129.

[2]史丽萍，龚海霞，李震.基于BP神经网络的电池SOC估算[J].电源技术，2013，37(9)：1539-1541.

[3]蔡文皓，林芳，齐乐.电动汽车电池剩余量的估测方法[J].电源技术，2013，37(9)：1542-1543，1594.

[4]张頔，马彦，柏庆文.基于自适应卡尔曼滤波的锂离子电池SOC估计[J].汽车技术，2011(8)：42-45，50.

[5]鲍慧，于洋.基于安时积分法的电池SOC估算误差校正[J].计算机仿真，2013，30(11)：148-151.

Discharge characteristics forecast of nickel cadmium battery based on BP neural network

HE Ming-qian1*,FAN Shi-jun1,WANG Xian-cheng1,ZHANG Li1,LI Xue-ming2
(1.Sichuan Changhong Electric Power Co.,Ltd.,Mianyang Sichuan 621000,China;2.College of Chemistry&Chemical Engineering,Chongqing Univesrsity,Chongqing 400044,China)

To accurately investigate the discharge characteristics of the nickel cadmium battery,the ampere hour integral method was used to predict the residual capacity,then the BP neural network model based on Levenberg-Marquardt(LM)algorithm was established with the working temperature of battery,discharge current,residual capacity as the input and the voltage as output.After training and test,the predicted results meet the accuracy requirements and the relative error is less than 0.5%basically.Experiments show that the model can accurately predict the residual capacity of battery and working voltage at the temperature of－20-60℃and at the discharge current of 33-165 A,indicating establishment of mapping relationship between residual capacity,battery temperature,discharge current and voltage.

nickel cadmium battery;BP neural network;Matlab

TM 912

A

1002-087 X(2016)08-1618-02

2016-01-19

何明前(1969—)，男，四川省人，高级工程师，主要研究方向为化学电源。