基于PID-BPNN的矿用铅酸蓄电池SOC在线估计

姜长泓 徐宏

摘  要： 针对矿山避难硐室安全供电系统中铅酸蓄电池内化成过程中检测是否已经达到满电荷量，且在组装铅酸蓄电池时需要考虑电池均衡问题都需要进行准确估算SOC的问题，提出基于BP神经网络的PID控制通过修正反馈误差来实现铅酸蓄电池SOC在线估计。采用实验的方法获取数据，选取与电池SOC相关的因子作为BP神经网络的输入参数，最终准确在线预测蓄电池SOC值。仿真結果表明，基于BP神经网络的PID控制的铅酸蓄电池SOC估计的精度大大提高，同时为电池管理系统提供一个新的估计方法。

关键词： 安全供电系统; 铅酸蓄电池; 矿用; 内化成; PID?BP神经网络; SOC在线估计

中图分类号： TN86?34; TP273                   文献标识码： A                    文章编号： 1004?373X（2018）10?0113?04

Abstract： Since accurate SOC estimation is needed when detecting whether the lead?acid battery has reached the full charge during its internal formation and when considering the battery balance problem during the assembling of the lead?acid battery in the safe power supply system of the mine refuge chamber， SOC online estimation of lead?acid battery is achieved based on PID control of BPNN by means of feedback error modification. The experimental method is adopted to obtain data， and the factors related to battery SOC are selected as the input parameters of BP neural network to perform accurate online prediction of the battery′s SOC values. The simulation results show that the lead?acid battery SOC estimation based on PID control of BPNN has improved a lot in its precision， and meanwhile provides a new estimation method for the battery management system.

Keywords： safe power supply system; lead?acid battery; mine; internal formation; PID?BPNN; SOC online estimation

0  引  言

矿山避难硐室安全供电系统是矿井安全系统的重要研究内容之一。特别是在研究铅酸蓄电池内化成效率提高问题时，判断是否达到满电荷是一个重要的研究课题，因此，充电过程中准确的SOC估算至关重要。与此同时，充电完毕之后，组装蓄电池组时需要挑选SOC曲线近似吻合的单体蓄电池，这样才可保证电池的均衡一致性，防止电池内部能量损耗。然而，铅酸蓄电池作为一种古老的能源电池，其能量密度等特性不如其他动力电池，导致SOC的估算相对困难[1?2]。开路电压法、安时计量法以及内阻法等传统的SOC估算方法无法实现准确估算[3]。随着科学技术的不断发展，国内外学者将神经网络、模糊控制等控制方法应用到蓄电池的SOC估算中，并取得了一定的成果[4]。PID与BP神经网络的结合为电池SOC估计的研究提供了一个新的估计方法。

安时积分法从电池的定义出发，在线估计SOC存在无反馈修正环节，从而不可避免地产生电流积分的累积误差，导致无法准确在线估计SOC值。PID?BP神经网络法（PID?BPNN）包括信号的正向传播和误差的反向传播，因此，它能够有效地模拟电池系统的非线性特性关系，优化复杂的电池SOC模型，有效修正电池SOC的反馈误差，进一步提高了电池的SOC估算精度。将D560KT铅酸蓄电池端电压、环境温度和电池放电流3个变量作为模型的输入量，电池SOC作为模型的输出量。仿真结果表明，基于PID?BPNN的控制方法可以准确有效地估算蓄电池的SOC值。

3  仿真结果分析

3.1  获取电池数据

本文对矿山硐室安全供电系统用D560KT铅酸蓄电池组进行充放电研究：首先，环境温度设置为25 ℃，倍率范围设置为0.3～1 C，大电流放电仪每隔3 s记录一次数据;然后，通过电流积分法计算出训练样本和测试样本中的SOC值。现选取部分实验数据，实验条件为放电电流为10 A，放电容量为30%，表1为进行了归一化处理的数据。归一化处理的公式为：

将表1获取的电池数据作为PID?BPNN模型的训练样本，然后进行蓄电池的内化成实验，则预测样本数据如表2所示。

3.2  PID?BPNN训练与预测

PID?BPNN模型的最大训练步数为200，目标值设定为0.001，其他参数设置为默认值，采用梯度下降训练算法。将表1数据输入网络中，进行训练。经过62个步长的训练，网络达到了精度要求，误差为0.001 3，其误差曲线图如图3所示。

为了验证PID?BPNN模型的有效性，将训练集电池数据导入模型进行仿真[8]，仿真SOC与期望SOC的对比曲线如图4所示。

铅酸蓄电池经过PID?BPNN模型训练可有效进行电池SOC值的估算，最终SOC预测的误差能够保持在±3%以内，达到预期效果。

4  结  语

本文提出基于BP神经网络的PID控制，应用到矿山避难硐室安全供电系统的铅酸蓄电池优化成过程中电荷量检测实现蓄电池SOC在线估计。由仿真结果得出，其估算精度大大提高，此优化方法为能量管理系统中SOC的计算提供了一种新的估算方法。同时，该方法存在陷入局部最优问题，估算精度有待进一步提高，因此，进一步研究优化问题是下一步工作的重点。

参考文献

[1] 胡信国.动力电池技术与应用[M].2版.北京：机械工业出版社，2013：32?36.

HU Xinguo. Power battery technology and its application [M]. 2nd ed. Beijing： China Machine Press， 2013： 32?36.

[2] 刘瑞浩，孙玉坤，陈坤华.电动汽车SOC利用BP神经网络模型预测方法研究[J].电测与仪表，2011，48（3）：34?36.

LIU Ruihao， SUN Yukun， CHEN Kunhua. BP neural network model estimation on state of charge for electric vehicle [J]. Electrical measurement & instrumentation， 2011， 48（3）： 34?36.

[3] 王标.基于电池模型的汽车铅酸电池SOC在线估计方法研究[D].合肥：合肥工业大学，2015.

WANG Biao. Research on SOC online estimation of vehicular lead?acid batteries based on battery model [D]. Hefei： Hefei University of Technology， 2015.

[4] 刘晓刚.铅酸蓄电池容量检测方法研究[D].武汉：华中科技大学，2007.

LIU Xiaogang. Research on capacity detection of lead?acid batteries [D]. Wuhan： Huazhong University of Science and Technology， 2007.

[5] 吴池.AH计量法在Matlab环境下对锂离子电池SOC的估算[D].天津：天津大学，2007.

WU Chi. SOC estimation of Lithium?ion battery using A?H measurement method in Matlab environment [D]. Tianjin： Tianjin University， 2007.

[6] 舒怀林.PID神经网络元对强耦合带时延多变量系统的解耦控制[J].控制理论与应用，1998，15（6）：920?924.

SHU Huailin. PID neural network for decoupling control of strong coupling multivariable time?delay system [J]. Control theory and applications， 1998， 15（6）： 920?924.

[7] 刘金琨.先进PID控制Matlab仿真[M].2版.北京：电子工业出版社，2004：162?170.

LIU Jinkun. Matlab simulation of advanced PID control [M]. 2nd ed. Beijing： Publishing House of Electronics Industry， 2004： 162?170.

[8] 蒋凯.车用铅酸电池SOC估算研究[D].长沙：中南大学，2013.

JIANG Kai. SOC estimation of VRLA for electric vehicle research [D]. Changsha： Central South University， 2013.

[9] 葛哲学，孙志强.神经网络理论与Matlab R2007实现[M].北京：电子工业出版社，2007.

GE Zhexue， SUN Zhiqiang. Neural network theory and Matlab R2007 application [M]. Beijing： Publishing House of Electronics Industry， 2007.

[10] 高飞.Matlab智能算法超级学习手册[M].北京：人民邮电出版社，2014：183?200.

GAO Fei. Super learning manual of Matlab intelligent algorithm [M]. Beijing： Posts & Telecom Press， 2014：183?200.