基于BP算法的氢镍电池充电均衡策略

丁爱佳，邹　黎，亓建英，张　威(山东理工大学电气与电子工程学院，山东淄博255049)

基于BP算法的氢镍电池充电均衡策略

丁爱佳，邹黎，亓建英，张威
(山东理工大学电气与电子工程学院，山东淄博255049)

为了提高电动车的使用寿命，改善电池组的工作性能，在对典型的电压均衡控制和荷电状态均衡控制进行理论分析的基础上，提出了基于变步长的反向传播误差(back propagation，BP)神经网络及200 Ah氢镍电池小电流均衡控制策略。该均衡方法采用大电流充电和小电流均衡，考虑了充电过程中的析气与复合。对电池组进行的模拟仿真结果表明，电压检测精度得到提高，具有良好的均衡效果和均衡速度。

电动车电池；充电均衡策略；小电流均衡；BP算法

随着化石能源的日趋减少和环境污染的加剧，电动汽车在各国得到广泛的推广和应用。氢镍电池具有高容量、大功率、无污染等优点，然而单体电池的自放电特性和使用过程中的差异性使得电池组中各个单体电压不一致，电压最低的单体电池决定电池组可用容量，从而影响电池组的使用效率，长此以往将损害电池组寿命。因此，对电池组中的单体采取适当的均衡措施是电池管理系统(battery management system，BMS)的重要任务之一[1]。

目前，电压均衡法是均衡措施中应用最为广泛的。传统电压均衡电路在充电时对各单体电压进行监视，同时将监测值与设定的电压阀值进行比较，如果超过阀值，则启动对应单体的均衡电路，通过电阻将多余的能量释放掉。该均衡电路价格低廉、可靠性高，但是效率低下，且存在热管理和能量浪费等问题[2]。单体电池的荷电状态(state of charge，SOC)是表征电池状态的另一重要参数，SOC均衡的重点是对电池组中的单体电池进行SOC估算。传统估算方法主要有安培时间积分法(即安时法)、开路电压测量法、内阻测量法及神经网络法。利用安

本文试图避开电压均衡电路效率低、SOC均衡中荷电状态难以精确预测等问题，应用改进后的反向传播误差(back propagation，BP)算法，并将该算法应用到小电流均衡充电，改善电压均衡的效果。

1 电压均衡控制

通过对充电中各单体电池电压的检测来判断是否过充，如果过充，通过微机和显示设备的配合，完成电压均衡工作。在高功率电池中，适宜采用非耗能型电压均衡电路。图1所示是一种分布式拓扑结构Buck/Boost变换电路，图中：VT1～VT4为场效应管MOSFET，VD1～VD4为续流二极管，L1～L2为均衡电感。其基本原理为：通过控制开关，将超过电压阀值的电池多余能量存储到对应电感中，同时电感通过续流二极管将自身能量传递到相邻电池中去。因此，电感起到了能量传递作用，从而提高了能量利用率。

图1　Buck/Boost变换电路

单体电池电压均衡分为两步：(1)高电压单体电池对电感充电；(2)电感对相邻单体电池放电[7]。为了详细说明该变换电路的详细工作原理，以图2中电池B1、B2为例。假设检测到B1过充，则微机控制VT1导通，将B1的部分电量转移到L1中，同时L1经续流二极管VD2向B2充电，如果B2过充，则控制VT3导通，B2向电感L2充电，最终实现单体电池B1、B2的电压均衡。

图2　电感充放电原理

控制VT1导通、VT2关断，此时单体电池B1经过VT1向电感L1充电，并且充电电流由零不断增加。由于实际电感存在线圈内阻，因此充电等效电路如图2(a)所示，图中R10为电感线圈内阻，L10为电感实际电感量，i为电感L10的充电电流，E为电池电势。电感L初始能量为零，即i0-=0，则对应充电表达式为：

式中：t为时间常数，其计算公式为：

可以近似认为经过时间3t以后电感充电完全，选择合适电感使t控制在较小的数值以内，从而实现快速均衡目的。

单体电池B1在对电感L1充电的同时，电感L1经过续流二极管VD2向单体电池B2充电，等效电路如图2(b)所示。电感L的放电初始电流为I'，二极管VD2的正向导通压降为Vd，则此时的充电表达式为：

采用分布式电压均衡控制，以采集到的各单体电池电压数据为判断依据。然而，单体电池的电压与温度的变化总是滞后于内压的变化，且控制电路过于复杂。

2 SOC均衡控制

SOC是指单体电池的剩余容量与实际总容量的比值，表达式为：

式中：Qr为单体电池剩余容量；Qa为单体电池对应条件下的额定总容量。

影响SOC的因素有很多，包括电流、电压、温度、内阻及内压等。SOC均衡的关键是构建一个数学模型对荷电状态进行快速准确预测。

人工神经网络(artificial neural network,ANN)通过一定时间的学习和训练，能够解决复杂、不确定、非线性系统的建模和处理问题。人工神经网络分很多种，包括单神经元网络、递归神经网络及模糊神经网络等，目前用得较多的是BP神经网络。

对于串联电池组而言，所有电池充电电流是相同的，而各单体电池充电过程中的电压变化量、内阻及温度是不同的。因此，BP神经网络输入层源节点 x1、x2、x3及 x4分别为：

应用于电池组的BP神经网络模型如图3所示，网络总共四层，w为层与层之间的连接权，输出层有激活函数以限制输出。通过输入训练样本得到期望输出，在网络末端将期望输出与实际输出作比较得到误差信号e，根据误差对网络中的连接权值进行修正，使误差趋向最小。利用训练后的网络根据测得的电池各物理参数可以实现对SOC较为精确的预测。

图3　应用于电池组的BP神经网络模型

采用BP神经网络算法能够实现对单体电池SOC的实时预测，但是Eoi是无法即时测量的，且BP学习算法存在收敛速度慢和存在局部极值的缺点，因此必须对BP算法进行改进。

3 基于BP神经网络的小电流均衡法

在BP算法中，学习率参数η不易选择，选择太小，收敛太慢，选择太大，容易引起振荡甚至发散。为解决这个问题，提出如下的变步长方法，表达式为：

其中：

式中：sgn为符号函数，ε(n)为网络训练的代价函数，当连续两个时刻代价函数减小时，l值为1，学习率参数增大一倍；否则，l值为0，步长维持上一时刻步长不变。对不同的连接权采用不同的学习率参数，代价函数的误差曲面在不同的方向上按照各自较合理的步长向极小点趋近[8]。

由于单体电池的开路电压Eoi无法在线进行检测，本文改用单体电池内压替换内阻作为SOC预测的参数之一。将BP神经网络算法应用到均衡系统控制中，均衡效果极佳，并且能够大大缩短均衡所需的时间。

本文使用的是200 Ah/1.2 V氢镍单体电池，采用如图4所示的充电均衡系统结构，系统由氢镍动力系统、车载检测系统、充电控制模块和充电均衡系统组成。车载检测系统包括单体电池数据采集系统、总线通讯模块、ECU电池采集系统和CAN通信系统，其中单体数据电池采集系统由电压信号采集模块、电流信号采集模块、温度信号采集模块和压力信号采集模块组成。充电均衡系统与车载管理系统相互通信，直接借助车载检测系统实现对充电均衡系统的智能化控制，即根据车载检测系统采集的电池各个单体的数据，通过充电阶段的参数设定来控制大功率充电机和锯齿波小电流充电均衡的运行状态，继而根据电池的状态通过BP控制系统实现对电池组的充电均衡。

图4　　充电均衡系统结构框图

正常充电均衡具体工作过程如下。首先采用大功率充电机对串联电池组进行大电流恒流快速充电，此时电池内部反应为：

当BP神经网络检测到有90％的单体电池容量超过额定容量的80％时，停止大功率充电机的恒流充电，同时启动锯齿波小电流串联均衡充电。当系统转化为锯齿波均衡充电的状态时，未达到充电要求的单体电池将继续充电，单体电池电压已达到充电要求的，电池电压值将不再上升而是在电池内部发生复合反应。此时过充电池正负极电化学反应如下：

由于正极的Ni(OH)2都被氧化成NiOOH，因此过充时正极发生反应(11)产生O2；负极储氢合金吸氢饱和，发生反应(12)形成H2，在储氢合金的催化作用下与正极渗透过来的O2复合成水：

大电流充电时电解水的速度大于复合速度，来不及复合的H2和O2使内压升高。因此在充电后期采用小电流均衡，锯齿波小电流均衡充电电压波形如图5所示，图中Ud为充电电压峰值，Ue为氢镍电池组串联总电压，锯齿波电压对电池组间歇性充电，显然充电时间较短。充电时，电压低的单体电池电压上升；不充电时，过充电的单体电池有充足的时间进行复合反应和散热，最终实现电池组整体均衡。

图5　　锯齿波充电均衡电压波形

4 模拟结果

电池组不均衡状况的特性一般借鉴“基于电池能量状态的串联组不均衡度”思想来表征电池组的不一致程度[9]，本设计中采用电池电压来衡量电池能量，采用公式(15)来表征串联电池组不均衡程度：

式中：εi为电池组的不均衡度；Ui为单体电池电压；N为电池的数目；E(U)为单体电池电压的数学期望。

取8块电动公交车用200 Ah氢镍单体电池串联组成一个模块进行充电均衡实验，均衡前电池组的最高温度为24℃，最低单体电池电压为1.243 V，最高单体电池电压为1.254 V，最大电压差为0.011 V。然后采用恒流充电的方式对电池组进行正常充电，检测得到电池组充电时的电压折线图如图6所示。

图6　　无均衡下正常充电折线图

从图6中可以看出氢镍电池组的单体电压在充电后期不均衡度较大，最低单体电压为1.382 V，最高为1.503 V，最大电压差增至0.121 V。由此可见，正常情况下串联电池组充电时电池间的不均衡度被放大，部分单体电池出现过充电现象，而另一部分电池则未充满。充电后由公式(14)计算得出恒流充电方式下氢镍电池组不均衡度高达2.65％。

在相同的状况下，采用本文设计的基于BP神经网络的锯齿波小电流充电均衡方案对电动公交车进行充电均衡试验，首先采用1C电流充电，并启动BP算法控制，达到预设门槛时，采用0.25C电流均衡。充电均衡时电池组各个单体电池电压折线图如图7所示。充电均衡中后期，电池组的单体间不均衡性较大，但是随着充电均衡过程的进行，单体电池电压差异逐渐缩小，本次充电均衡结束时，最低单体电池电压为1.421 V，最高为1.423 V，最大电压差为0.002 V。氢镍电池组的不均衡度为0.052 3％，验证了本方案达到极好的均衡效果。

5 结论

图7　启动小电流均衡后电压折线图

实验结果表明，基于BP算法的200 Ah氢镍电池小电流均衡策略是一种可行的方法，可以达到较高的精度。与传统电压均衡相比，提高了电能利用效率，简化了系统结构；与SOC均衡相比，避开了SOC不能精确测量的缺点，以单体电压为基准，可以实现即时测量、及时均衡，达到了良好的均衡效果。

[1]徐顺刚，钟其水，朱仁江.动力电池均衡充电控制策略研究[J].电机与控制学报,2012,16(2):62-65.

[2]STUART T A,ZHU W.Fast equalization for large lithium ion batteries[J].Aerospace and Electronic Systems Magazine(IEEE), 2000,24(7):27-31.

[3]林成涛，陈全世，王军平，等.用改进的安时计量法估计电动汽车动力电池SOC[J].清华大学学报:自然科学版,2006,46(2): 247-251.

[4]高明裕，张红岩.蓄电池剩余电量在线测量[J].电测与仪表，2000，37(9):28-31.

[5]POP V,BERGVELD H J,NOTTEN P H L.State-of-charge indication in portable applications[J].IEEE,2005(3):1007-1012.

[6]TSUTOMU Y,KAZUAKI S,KEN-ICHIRO M.Estimation of the residual capacity of sealed lead-acid batteries by neural network[C]// Proceedings of the 20th International Telecommunications Energy Conference.San Francisco,CA:Telecommunications Energy Conference,1998:210-214.

[7]戴海峰，魏学哲，孙泽昌，等.电动汽车用锂离子电池电感主动均衡系统[J].同济大学学报,2013,41(10):1547-1552.

[8] 张泽旭.神经网络控制与MATLAB仿真[M].哈尔滨:哈尔滨工业大学出版社,2011:56-72.

Equalization strategy for MH-Ni battery charging based on BP algorithm

DING Ai-jia,ZOU Li,QI Jian-ying,ZHANG Wei
(School of Electrical and Electronic Engineering,Shandong University of Technology,Zibo Shandong 255049,China)

In order to extend the electrical vehicle(EV)life span and to improve battery pack working performance,BP neural network based on variable step size and equalization control method for trickle charge 200Ah MH-Ni battery was proposed.Then theoretical analysis of typical voltage equalization control and SOC equalization control was particularly described.Bulk charge and small current equalization were both applied to this equalization system. Gassing and recombination were both taken into consideration.Simulations of battery pack were conducted. Conclusions show that voltage detection accuracy is improved.Both equalization efficiency and speed were fine.

electrical vehicle battery;charging equalization strategy;small current equalization;BP algorithm

TM 912

A

1002-087 X(2016)01-0100-03

2015-06-15

国家高技术研究发展计划(“863”计划)(2012AA-110300)

丁爱佳(1990—)，男，江苏省人，硕士研究生，主要研究方向为新能源发电技术。

邹黎时法对负载电流积分估计SOC，但只适合于SOC起始状态固定且负载稳定的场合；内阻法是根据电池内阻特性，通过实验建立直流内阻或交流内阻与SOC的关系；开路电压法结构简单，但不能满足实时在线检测的要求，且电压平台现象会导致SOC估算误差很大；神经网络法是在建好网络模型的基础上，依靠大量样本进行数据训练得到较好的精度，但收敛速度慢且存在局部极值[3-6]。