基于神经网络的电动汽车电池SOC 估算研究*

王 勇 王梨英

（1.湖南铁道职业技术学院 株洲 412001）（2.中车株洲电力机车有限公司 株洲 412001）

1 引言

电池是电动汽车的动力源泉，如何精密监测电池的实时状态非常重要，并且电动汽车的电池充放电过程中，电压变化范围非常小，仅有几个毫伏，对监测精度提出了很高的要求［1～2］。此外，在监测过程中，还会受到周围环境的影响，温度和电磁干扰都可能造成电压电流等的波动［3～4］，这些都会给测量带来困难，当前的测量中应用了很多种算法，但是精度不够理想［5～7］。因此，提出更有效的方式对电池电压进行精确测量和剩余电量进行准确预测迫在眉睫。

2 动力电池SOC的定义

电池荷电状态SOC（State of Charge）是一个描述电池状态的参数，表示目前剩余电量与额定电量的比值［8］。定义式如下：

其中，E1为已放出能量，E0为总的可用能量。

3 电池SOC的影响因素

3.1 自放电因素

自放电率与循环寿命曲线图如图1 所示。电池的电量会随着电池的自放电而逐渐下降，即使不使用，也会因为电极的腐蚀、活性物质的溶解，电极上的歧化反应导致放电，因此在研究电池SOC 时，必须对自放电因素进行周密的考虑。

图1 自放电率与循环寿命曲线图

3.2 温度因素

动力锂电池的工作温度对使用寿命影响非常大，因此电池系统的结构设计就变得非常重要。强制风冷是一个有效的散热办法，但是又要耗掉珍贵的能量。较大体积电池内部的温度均匀性应引起注意。IFR18650P 不同温度的放电曲线图和循环寿命图如图2所示。

图2 不同温度的放电曲线图与循环寿命图

电池电极材料和电解液的电迁移率都受环境温度的影响，在实际工作中，需要对其进行温度系数校正。此外电池的电动势也受到温度的影响。在不同温度下，同一个电池在相同SOC的情况下电动势是不同的。可以通过实验的方式进行测试，得到数据统计表，从而取得相应的变化趋势，据此进行补偿，确保将温度的影响降至最低。

3.3 放电倍率因素

放电倍率是指放电电流，放电电流一样时，放电的电量也是不一样的，如图3所示，以IFR1865OP为例，将其在不同放电倍率下的循环寿命进行了测试，起始条件一致的情况下，倍率不同，放出的电量也不同。

图3 IFR18650P倍率放电循环寿命图

4 动力电池的充放电实验

温度条件：室温。

测试仪器：充放电测试仪。

测试样本：采用相同充电制度充满并放置1h的电池样本。

放电电流要求：较小。

倍率选择：可多种选择（0.2～2均要测量）。

经过测试后得到的放电倍率为2C 条件的锂离子电池充电与放电曲线如图4（a）和图4（b）所示。

图4 锂离子电池2C的充电和放电曲线

4.1 BP网络电池模型的建立

根据Kolmogorov定理，建立的具有三层结构的神经网络模型如图5 所示。一个三层的前向网络具有对任意精度连续函数的逼近能力。因此，建立三层BP 网络，建立电池的放电容量与其电压和电流之间的关系图。输入量为电池的电压和电流，输出量为对应的容量。隐含层采用S 型激活函数，输出层采用线性激活函数。

图5 具有三层结构的神经网络模型

4.2 神经网络的训练

采用LM 算法，将标准化处理后的数据输入网络，对其进行训练。训练要求需要达到的设定误差指数为0.005，经过训练后的网络误差曲线如图6所示。

图6 网络误差曲线

由上图可以看出，网络误差经过435 个步长的训练达到了设定误差指数的要求，完成了对神经网络的训练。后续将采用建立的神经网络模型对电池进行SOC估算。

4.3 网络的测试

在建立网络的基础上，将训练需要的数据输入建立的网络，比较测量数据与预测数据之间的关系，得到测量结果图，并可以对测量的误差进行分析。测图结果比较关系图如图7所示。

图7 测量结果比较关系图

从测试结果看，误差小于5%。证明建立的BP网络有效。

5 结语

通过实验验证，建立的BP 神经网络具有良好的适应性，能有效预测锂离子电池电压、电流和放电容量间的映射关系，测量结果的最大相对误差小于5%，能较为准确地用人工神经网络对电动汽车电池进行SOC的估算。