基于BP神经网络法估算动力电池SOC

张传伟，李林阳，赵东刚

(西安科技大学机械工程学院，陕西西安，710054)

基于BP神经网络法估算动力电池SOC

张传伟，李林阳，赵东刚

(西安科技大学机械工程学院，陕西西安，710054)

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系，采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象，在恒温条件下采用ArbinBT2000系列的充放电测试仪进行充放电实验采集原始数据，并将数据导入到神经网络模型中去训练和验证。验证结果表明：用BP神经网络法估算SOC的误差能控制在5%以内，验证了模型的准确性，为相似的SOC估计算法的改进提供参考和依据。

BP神经网络；电动汽车；动力电池；充放电测试仪；SOC估计

Abstract:Accurately estimate the state of charge (SOC)of power lithium ion batteries for electric vehicles was of great significance to the estimation of the endurance mileage of electric vehicles and the safety protection of the power battery.In view of the nonlinear relation of the lithium ion battery,the BP neural network method was used to estimate the SOC.The research object was lithium iron phosphate battery(3.2 V/100 Ah).The charge and discharge experiments were done by the charge discharge tester ArbinBT2000 under the constant temperature,and the raw data was collected.Finally the data was imported into the neural network model to train and verify.The validation results show that the error of SOC can be controlled within 5%by the BP neural network method.The accuracy of the model was verified,which provided reference and basis for the improvement of similar SOC estimation algorithm.

Key words:BP nature network;electric vehicle;power battery;charge and discharge tester;estimation of SOC

电动汽车电池荷电状态(SOC)的估计对于电动汽车的续航里程的预估和动力电池的安全保护具有十分重要的作用[1－2]。精确估计动力电池的SOC一方面可以有效地避免电池的过冲和过放；另一方面也可以给整车控制器提供参考，合理分配能量。

目前，国内外学者做了很多关于估计动力电池SOC方法的研究。比较典型方法有开路电压法、安时积分法、数学模型法、卡尔曼滤波法、扩展卡尔曼滤波法和神经网络法[3－6]。开路电压法测试简单直接，但是只能在实验室条件下进行；安时积分法虽然原理简单，但是受初值影响，易产生累计误差；卡尔曼滤波法虽然适应性好，精度较高，但是受制于模型的本身。

基于目前SOC算法的特点以及电池模型本身非线性的特点[7]，本文采用BP神经网络法估算SOC。神经网络法测试精度高，实现效果好，具有逼近的多输入输出参数函数，适用于非线性的模型。选取磷酸铁锂电池作为研究对象，使用专门的充放电测试仪采集原始训练数据。对数据进行处理和训练，最终在MATLAB中进行仿真验证，确定算法的准确性和可靠性。

1 BP神经网络的简介

BP神经网络是一种输入信号向正方向传递，无反馈结构，而误差是向反向传播的多层前向网络模型[8]。其结构一般是经典的三层模型，包含输入层、隐藏层和输出层。最为特别的就是其隐藏层的存在，可以很好地处理非线性的问题。在前向传递的过程当中，输入信号从输入层经隐含层逐层处理，直至输出层。每层之间的神经元状态相互影响，如果在输出层未得到期望输出，就反向传播，依据误差调整网络的权值和阈值，从而使整个网络接近期望的输出值。一般三层结构模型如图1所示。

从图1中可以看到，Xm作为输入变量，Yn是输出变量，ωij是输入层与隐藏层之间的连接权值，ωjk是隐藏层到输入层之间的权值。对应它们之间存在以下的关系。

图1 BP神经网络三层模型

P和q分别为隐含层和输出层的变换函数，其中p一般是单调可微的log-Sigmoid或者Tan-Sigmoid传递函数，利用最速下降法寻求最优解，q一般是线性函数。θ作为阈值。

最速下降法的训练过程中计算误差和修正权值的确定如下：

2 BP神经网络的建模

(1)输入层建模

电池SOC的主要影响参数包含电池的电压、充放电的电流、对应电池的工况温度和电池已放出来的电量来共同确定的[9]。因此，我们把输入层确定为四个单元，即m=4。

(2)隐含层模型

隐含层的节点数可以根据BP神经网络的经验公式来基本确定，其经验公式[10]为：

或者是：

式中：m为输入层结点个数。

(3)输出层模型

因为最后确定的是SOC的估计值，基本上确定输出的神经元节点只有一个。于是我们可以建立如下网络模型，如图2所示。

图2 BP神经网络结构图

3 实验数据的采集

本文以磷酸锂铁电池为研究对象，标称电压为3.2 V，额定容量为100 Ah，充电上限的电压为3.65 V，下限电压为2 V，最大放电电流为2C。采用的实验仪器是ArbinBT2000充放电测试仪，该测试仪支持最大200 A的充放电实验。

首先，将电池充至满电状态，恒温静置60min，然后以1/4C的电流放电至2 V，可以认为电池从充满电状态放电到0荷电状态。原始数据采用专用的电池充放电测试仪测试和采集，在这中间，测试仪每隔很短时间会记录一次，步长设定为2 s。测试完毕以后，按时序随机取出1500组作为训练样本，150组作为测试样本。部分采集数据，如表1所示。

4 仿真过程及结果

样本采集和选取完毕后，就可以按照建好的网络模型进行训练和模拟。先对整个模型进行初始化，其中权值的初始化选取不大于1的随机小数，然后输入对应的训练样本点，其包含的信息包括电压、电流、温度和已使用电量。然后求解出隐含层和输出层的输出。求解对应的误差，判断是否满足要求。如果满足，就结束进程；如果不满足，就计算隐含层单元误差，确定误差的梯度，进而修正权值，返回循环，直到误差满足要求为止。对应流程图如图3所示。

图3 神经网络训练流程图

经过反复调试BP神经网络的参数，最终确定迭代次数100次，学习率0.05，训练目标误差控制在0.001，经过60步的训练，网络误差可以达到设计的要求。

因此，利用训练好的神经网络模型，输入要测试的实验样本，和实际测试的曲线进行比对，对比检测对应神经网络的有效性和收敛性。仿真实验结果如图4和图5所示。

由图4可见，训练以后的BP神经网络实现了准确预测电池SOC，体现出良好的跟随性。图5误差对比曲线，进一步验证了这一算法的准确性，曲线表示预测误差均在5%以内，很好地满足了SOC估计和控制的要求。

图4 跟踪曲线

图5 SOC误差曲线

5 结论

本文针对动力电池SOC预测问题，建立了基于BP神经网络的SOC估计模型，以电动汽车专用电池进行充放电试验，采集到的电池数据对神经网络进行训练。实验结果证明：BP神经网络控制算法能较好地实现动力电池SOC估算的目标，误差控制在5%以内，具有一定的推广价值。另外神经网络算法本身克服了传统算法因过度依赖电池模型而造成的局限和偏差，也为动力电池SOC估计提供了一条新的思路和方法。

[1]熊瑞，何洪文，丁银.HEV用锂离子电池动态模型参数辨识方法研究[J].电力电子技术，2011，45(4)：100-104.

[2]XIONG R，HE H W，WANG Y，et al.Study on ultra-capacitor battery hybrid power system for PHEV applications[J].High Technology Letters，2010，16(1)：23-28.

[3]李哲，卢兰光，欧阳明高.提高安时积分法估算电池SOC精度的方法比较[J].清华大学学报：自然科学版，2010，25(8)：1293-1296.

[4]李志鹏，赵杨.纯电动汽车电池管理系统及SOC精确估计[J].电源技术，2016，140(5)：1090-1093.

[5]XIONG R，HE H，SUN F，et al.Evaluation on state of charge estimation of batteries with adaptive extended Kal-man filter by experiment approach[J].IEEE Transactions on Vehicular Technology，2013，62(1)：108-117.

[6]潘卫华，刘晓丹.基于改进卡尔曼滤波的锂电池SOC估算研究[J].计算机仿真，2014，31(3)：148-150.

[7]项宇，刘春光，苏建强，等.基于BP神经网络的动力电池SOC预测模型与优化[J].电源技术，2013，137(6)：963-965.

[8]史峰，王小川，郁磊，等.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2011：1-2.

[9]周美兰，王吉昌，李艳萍.优化的BP神经网络在预测电动汽车SOC上的应用[J].黑龙江大学自然科学学报，2015，32(1)：129-134.

[10]封进.BP神经网络预估锂离子电池SOC训练数据选择[J].电源技术，2016，140(2)：283-286.

Estimation and simulation of power battery SOC based on BP neural network

ZHANG Chuan-wei,LI Lin-yang,ZHAO Dong-gang
(College of Mechanical Engineering,Xi'an University of Science and Technology,Xi'an Shanxi 710054,China)

TM 912.9

A

1002-087X(2017)09-1356-02

2017-02-14

陕西省教育厅科学研究项目(11JK0869）

张传伟(1974—），男，安徽省人，教授，主要研究方向为现代电动汽车控制技术和机电系统智能控制。