电池健康状态估算

刘婉晴

(华北理工大学 电气工程学院，河北 唐山 063009)



电池健康状态估算

刘婉晴

(华北理工大学 电气工程学院，河北 唐山 063009)

电池SOH；Elman神经网络；遗传蚁群算法；Advisor2002软件

电池健康状态(SOH)精准的预估有利于实时监测单体电池的健康信息，为自身的故障诊断提供可靠保障，提高电池组的整体寿命和动力性能。选用遗传与蚁群的混合算法(GAAA)对Elman神经网络进行改进，并利用Matlab仿真平台进行实验，在Advisor2002汽车仿真软件上搭建整车模型，获取样本数据，实验大大提高了预测的精度与速度。

车用电池管理系统(BMS)中有2个关键的状态参量是电池的荷电状况(SOC)与健康状态(SOH)。相比于电池SOC的预估，在健康度方面的研究发展得要迟缓许多。电池健康状态是指电池目前的性能指标偏离正常设计指标的程度，由寿命预测和故障诊断两部分共同构成[1]，然而当前对SOH的估算主要基于对正常状态下的电池寿命状态作预测[2]。

电池实质上是高度非线性的系统，内部包含复杂的变化。神经网络在非线性、时变系统的处理上拥有较强的优势。该项研究选用Elman动态递归神经网络进行建模，并采用改进的遗传算法与蚁群的融合算法(GAAA)进行模型的优化。

1 模型介绍

1.1 Elman神经网络模型

Elman神经网络是一个反向传输的回归型神经网络，动态记忆性能良好，能较好地跟踪时变系统的变化。模型是在反向传播BP结构的基础上将隐层的反馈信号自联到其输入端点，使之可以记忆隐含层之前时刻的输出值，从而网络具有动态记忆的效果。它本质上与BP神经网络的学习方法相同，即通过梯度下降学习法调节网络的权值，导致训练速度过慢。

网络的结构图如下：

图1 Elman神经网络结构图

1.2 GAAA优化Elman神经网络模型

遗传算法在全局范围内搜寻最优解，它通过模仿自然选择和遗传过程中的繁殖、交叉和自然突变现象，按照适应度的大小从每次迭代产生的个体中选取较优解，并通过选择、交叉、变异步骤产生新个体。反复循环，直到搜索得到最优个体为止。

自然界中的蚂蚁在寻找食物过程中依赖信息素强弱从而获取最优路径，蚁群算法正是基于此种行为所提出，是一种随机搜索算法[13]。

遗传算法的求解效率较低，且在优化误差较大的神经网络时精度不高；蚁群算法容易发现较优解，易于并行实现，但是初始信息素缺乏、搜索时间长。将两者结合，形成优势互补的融合算法用于改进Elman网络结构。算法初期选用遗传算法，在全局范围内快速收敛形成初始信息素分布；后期选用蚁群算法，在其良好的并行性和正反馈机制下，提高求解速度。

设计步骤如下：

步骤一：随机产生一组二进制种群，每个个体作为Elman神经网络的权值和阈值，对这些参数个体进行编码，作为初始化的种群。

步骤二：进行Elman神经网络学习，并将输出结果和期望输出的差值平方和的倒数作为适应度函数F。

(1)

步骤三：根据上式求解每个遗传子代的适应度值，并依据适应度值占全体种群适应度和的百分比作为被选择遗传下一代的概率。

步骤四：个体交叉，变异。采用个体交叉算子和基本位变异策略进行操作。

步骤五：再次计算适应度值，如果达到了算法的结束条件则停止迭代，否则重新返回步骤三。遗传算法的终止条件即为执行蚁群算法的开始条件。

步骤六：设定参数初始值，根据遗传算法搜索到的较优解产生初始的信息素分布。

τS=τC+τG

(2)

其中τC是信息素最小值，τG是遗传算法优化解变换后的信息素值。

步骤七：计算每只蚂蚁在路径i转移到路径j的概率为

(3)

步骤八：当蚂蚁全体完成一次循环以后，按照下式对路径上的信息素更新。

(4)

(5)

步骤九：蚁群算法的结束条件：如果蚁群算法的迭代代数达到Antmax=100或者连续3代遗传个体优化解的改进率均低于0.5%时，视为终止。

2 实验分析

2.1 实验数据获取

实验在混合动力整车仿真平台Advisor2002软件中搭建模型。Advisor软件开发于Matlab/Simulink环境下，可以仿真模拟汽车的性能。它通过设定整车技术参数，可以在特定的测试工况环境中，高效获取电动汽车的各种性能。

该项研究主要的整车技术参数参照[15-17]设计，仿真实验选择的电池为锂离子电池。采用NYCC工况模拟汽车行驶过程，如图2所示，该工况为美国纽约城市的循环工况，常用于描述城市交通拥堵时的情况。工况参数如表1所示。设定神经网络的输入为行车过程中电动汽车的放电电压，放电电流和温度数据，输出为SOH值。共采集了200组数据进行测试，并随机选择150组作为训练数据，其余的50组作为测试样本数据。

图2 NYCC工况下的行车速度

表1 NYCC形式工况参数

本研究通过模拟汽车在交通流量大的复杂运行状况下的行车状况，采集到实验样本数据，如表2所示。

表2 部分实验数据列表

2.2 实验仿真

在Matlab中建立GAAA改进的Elman网络模型仿真测试，并与单纯Elman神经网络的结果进行比对。设定训练网络的目标值为10-5，最大迭代次数为1 000次。隐含层节点数为3个，隐层神经元的转移函数选择tansig函数，输出层转移函数选择purelin。设置遗传规模为60，交叉概率pc为0.6，变异概率为pm=0.04。

实验结果如表3所示。

表3 实验结果对比

3 结论

(1)针对Elman人工神经网络算法运算量大、训练时间过长、容易陷入局部极小的缺限，提出用GAAA算法改进神经网络，建立SOH的估计系统模型。

(2)通过MATLAB仿真数学软件获得实验结果，与直接使用Elman算法估算电池SOH相比，其运算速度和精确度均有很大的改善。

[1] LU L, HAN X, LI J, et al. A review on the key issues for lithium-ion battery management in electric vehicles. J. Power Sources 226, 272-288[J]. Journal of Power Sources, 2013, 226(6):272-288.

[2] 卢兰光, 李建秋, 华剑锋,等. 电动汽车锂离子电池管理系统的关键技术[J]. 科技导报, 2016, 135(6):39-51.

[3] 祖林禄, 周跃庆, 李玲慧,等. 基于FPGA和BP神经网络的电池管理系统设计[J]. 电源技术, 2015, 39(5):921-924.

[4] 史艳霞, 祖林禄. 锂电池健康状态估算平台的搭建[J]. 电源技术, 2015, 39(10):2106-2107.

[5] 张卓识. 锂离子电池建模与故障预测方法研究[D]. 大连：大连海事大学, 2016.

[6] 张剑楠. 锂离子动力电池健康状态估计算法研究[D].长春：吉林大学, 2015.

[7] 杨刘倩, 詹昌辉, 卢雪梅. 电动汽车锂电池健康状态估算方法研究[J]. 电源技术, 2016, 49(4):78-79.

[8] 薛辉. 动力锂离子电池组SOH估计方法研究[D].长春:吉林大学, 2013.

[9] 汤露曦. 电动汽车动力电池SOH在线实时估计算法研究[D]. 广州：广东工业大学, 2015.

[10] 韩丽, 戴广剑, 李宁. 基于GA-Elman神经网络的电池劣化程度预测研究[J]. 电源技术, 2013, 37(2):249-250.

[11] 陈三省. 基于动态贝叶斯网络的锂离子电池SOH估计[D]. 杭州：杭州电子科技大学, 2013.

[12] 黄业伟. 电动汽车锂离子动力电池健康状态估计方法研究[D]. 合肥：合肥工业大学, 2014.

[13] 秦玲. 蚁群算法的改进与应用[D]. 扬州：扬州大学, 2004.

[14] 杨剑峰. 蚁群算法及其应用研究[D]. 杭州：浙江大学, 2007.

[15] 楼海星, 姚维. 超级电容在电动汽车电池能量回馈中的应用[J]. 轻工机械, 2013, 31(6):54-58.

[16] 汤桃峰. 电动车锂离子电池组SOC预估及一致性研究[D]. 重庆：重庆大学, 2011.

[17] 蔡信, 李波, 汪宏华,等. 基于神经网络模型的动力电池SOC估计研究[J]. 机电工程, 2015, 32(1):128-132.

Estimation of Battery Health State

LIU Wan-qing

(College of Electrical Engineering, North China University of Science and Technology, Tangshan Hebei 063009, China)

battery SOH; Elman neural network; genetic and ant-colony algorithm; Advisor 2002 vehicle simulation software

Accurate forecast of battery state of health (SOH) contributes to real-time monitoring of monomer battery health information, and provides reliable guarantee for its fault diagnosis, so the overall life of the battery pack and dynamic performance will be improved. The Elman neural network was improved by using the mixed algorithm of genetic and ant-colony algorithm, and by using the Matlab simulation platform, through the experiment on Advisor 2002 vehicle simulation software, the vehicle model was built, the sample data were obtained, the precision and speed of prediction were greatly improved by the experiment.

2095-2716(2017)01-0091-06

TM912

A