電池健康狀態(tài)估算

劉婉晴

(華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063009)

?

電池健康狀態(tài)估算

劉婉晴

(華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063009)

電池SOH；Elman神經(jīng)網(wǎng)絡(luò)；遺傳蟻群算法；Advisor2002軟件

電池健康狀態(tài)(SOH)精準(zhǔn)的預(yù)估有利于實(shí)時(shí)監(jiān)測(cè)單體電池的健康信息，為自身的故障診斷提供可靠保障，提高電池組的整體壽命和動(dòng)力性能。選用遺傳與蟻群的混合算法(GAAA)對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，并利用Matlab仿真平臺(tái)進(jìn)行實(shí)驗(yàn)，在Advisor2002汽車仿真軟件上搭建整車模型，獲取樣本數(shù)據(jù)，實(shí)驗(yàn)大大提高了預(yù)測(cè)的精度與速度。

車用電池管理系統(tǒng)(BMS)中有2個(gè)關(guān)鍵的狀態(tài)參量是電池的荷電狀況(SOC)與健康狀態(tài)(SOH)。相比于電池SOC的預(yù)估，在健康度方面的研究發(fā)展得要遲緩許多。電池健康狀態(tài)是指電池目前的性能指標(biāo)偏離正常設(shè)計(jì)指標(biāo)的程度，由壽命預(yù)測(cè)和故障診斷兩部分共同構(gòu)成[1]，然而當(dāng)前對(duì)SOH的估算主要基于對(duì)正常狀態(tài)下的電池壽命狀態(tài)作預(yù)測(cè)[2]。

電池實(shí)質(zhì)上是高度非線性的系統(tǒng)，內(nèi)部包含復(fù)雜的變化。神經(jīng)網(wǎng)絡(luò)在非線性、時(shí)變系統(tǒng)的處理上擁有較強(qiáng)的優(yōu)勢(shì)。該項(xiàng)研究選用Elman動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，并采用改進(jìn)的遺傳算法與蟻群的融合算法(GAAA)進(jìn)行模型的優(yōu)化。

1 模型介紹

1.1 Elman神經(jīng)網(wǎng)絡(luò)模型

Elman神經(jīng)網(wǎng)絡(luò)是一個(gè)反向傳輸?shù)幕貧w型神經(jīng)網(wǎng)絡(luò)，動(dòng)態(tài)記憶性能良好，能較好地跟蹤時(shí)變系統(tǒng)的變化。模型是在反向傳播BP結(jié)構(gòu)的基礎(chǔ)上將隱層的反饋信號(hào)自聯(lián)到其輸入端點(diǎn)，使之可以記憶隱含層之前時(shí)刻的輸出值，從而網(wǎng)絡(luò)具有動(dòng)態(tài)記憶的效果。它本質(zhì)上與BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法相同，即通過梯度下降學(xué)習(xí)法調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值，導(dǎo)致訓(xùn)練速度過慢。

網(wǎng)絡(luò)的結(jié)構(gòu)圖如下：

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 GAAA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型

遺傳算法在全局范圍內(nèi)搜尋最優(yōu)解，它通過模仿自然選擇和遺傳過程中的繁殖、交叉和自然突變現(xiàn)象，按照適應(yīng)度的大小從每次迭代產(chǎn)生的個(gè)體中選取較優(yōu)解，并通過選擇、交叉、變異步驟產(chǎn)生新個(gè)體。反復(fù)循環(huán)，直到搜索得到最優(yōu)個(gè)體為止。

自然界中的螞蟻在尋找食物過程中依賴信息素強(qiáng)弱從而獲取最優(yōu)路徑，蟻群算法正是基于此種行為所提出，是一種隨機(jī)搜索算法[13]。

遺傳算法的求解效率較低，且在優(yōu)化誤差較大的神經(jīng)網(wǎng)絡(luò)時(shí)精度不高；蟻群算法容易發(fā)現(xiàn)較優(yōu)解，易于并行實(shí)現(xiàn)，但是初始信息素缺乏、搜索時(shí)間長。將兩者結(jié)合，形成優(yōu)勢(shì)互補(bǔ)的融合算法用于改進(jìn)Elman網(wǎng)絡(luò)結(jié)構(gòu)。算法初期選用遺傳算法，在全局范圍內(nèi)快速收斂形成初始信息素分布；后期選用蟻群算法，在其良好的并行性和正反饋機(jī)制下，提高求解速度。

設(shè)計(jì)步驟如下：

步驟一：隨機(jī)產(chǎn)生一組二進(jìn)制種群，每個(gè)個(gè)體作為Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，對(duì)這些參數(shù)個(gè)體進(jìn)行編碼，作為初始化的種群。

步驟二：進(jìn)行Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，并將輸出結(jié)果和期望輸出的差值平方和的倒數(shù)作為適應(yīng)度函數(shù)F。

(1)

步驟三：根據(jù)上式求解每個(gè)遺傳子代的適應(yīng)度值，并依據(jù)適應(yīng)度值占全體種群適應(yīng)度和的百分比作為被選擇遺傳下一代的概率。

步驟四：個(gè)體交叉，變異。采用個(gè)體交叉算子和基本位變異策略進(jìn)行操作。

步驟五：再次計(jì)算適應(yīng)度值，如果達(dá)到了算法的結(jié)束條件則停止迭代，否則重新返回步驟三。遺傳算法的終止條件即為執(zhí)行蟻群算法的開始條件。

步驟六：設(shè)定參數(shù)初始值，根據(jù)遺傳算法搜索到的較優(yōu)解產(chǎn)生初始的信息素分布。

τS=τC+τG

(2)

其中τC是信息素最小值，τG是遺傳算法優(yōu)化解變換后的信息素值。

步驟七：計(jì)算每只螞蟻在路徑i轉(zhuǎn)移到路徑j(luò)的概率為

(3)

步驟八：當(dāng)螞蟻全體完成一次循環(huán)以后，按照下式對(duì)路徑上的信息素更新。

(4)

(5)

步驟九：蟻群算法的結(jié)束條件：如果蟻群算法的迭代代數(shù)達(dá)到Antmax=100或者連續(xù)3代遺傳個(gè)體優(yōu)化解的改進(jìn)率均低于0.5%時(shí)，視為終止。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)獲取

實(shí)驗(yàn)在混合動(dòng)力整車仿真平臺(tái)Advisor2002軟件中搭建模型。Advisor軟件開發(fā)于Matlab/Simulink環(huán)境下，可以仿真模擬汽車的性能。它通過設(shè)定整車技術(shù)參數(shù)，可以在特定的測(cè)試工況環(huán)境中，高效獲取電動(dòng)汽車的各種性能。

該項(xiàng)研究主要的整車技術(shù)參數(shù)參照[15-17]設(shè)計(jì)，仿真實(shí)驗(yàn)選擇的電池為鋰離子電池。采用NYCC工況模擬汽車行駛過程，如圖2所示，該工況為美國紐約城市的循環(huán)工況，常用于描述城市交通擁堵時(shí)的情況。工況參數(shù)如表1所示。設(shè)定神經(jīng)網(wǎng)絡(luò)的輸入為行車過程中電動(dòng)汽車的放電電壓，放電電流和溫度數(shù)據(jù)，輸出為SOH值。共采集了200組數(shù)據(jù)進(jìn)行測(cè)試，并隨機(jī)選擇150組作為訓(xùn)練數(shù)據(jù)，其余的50組作為測(cè)試樣本數(shù)據(jù)。

圖2 NYCC工況下的行車速度

表1 NYCC形式工況參數(shù)

本研究通過模擬汽車在交通流量大的復(fù)雜運(yùn)行狀況下的行車狀況，采集到實(shí)驗(yàn)樣本數(shù)據(jù)，如表2所示。

表2 部分實(shí)驗(yàn)數(shù)據(jù)列表

2.2 實(shí)驗(yàn)仿真

在Matlab中建立GAAA改進(jìn)的Elman網(wǎng)絡(luò)模型仿真測(cè)試，并與單純Elman神經(jīng)網(wǎng)絡(luò)的結(jié)果進(jìn)行比對(duì)。設(shè)定訓(xùn)練網(wǎng)絡(luò)的目標(biāo)值為10-5，最大迭代次數(shù)為1 000次。隱含層節(jié)點(diǎn)數(shù)為3個(gè)，隱層神經(jīng)元的轉(zhuǎn)移函數(shù)選擇tansig函數(shù)，輸出層轉(zhuǎn)移函數(shù)選擇purelin。設(shè)置遺傳規(guī)模為60，交叉概率pc為0.6，變異概率為pm=0.04。

實(shí)驗(yàn)結(jié)果如表3所示。

表3 實(shí)驗(yàn)結(jié)果對(duì)比

3 結(jié)論

(1)針對(duì)Elman人工神經(jīng)網(wǎng)絡(luò)算法運(yùn)算量大、訓(xùn)練時(shí)間過長、容易陷入局部極小的缺限，提出用GAAA算法改進(jìn)神經(jīng)網(wǎng)絡(luò)，建立SOH的估計(jì)系統(tǒng)模型。

(2)通過MATLAB仿真數(shù)學(xué)軟件獲得實(shí)驗(yàn)結(jié)果，與直接使用Elman算法估算電池SOH相比，其運(yùn)算速度和精確度均有很大的改善。

[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] 盧蘭光, 李建秋, 華劍鋒,等. 電動(dòng)汽車鋰離子電池管理系統(tǒng)的關(guān)鍵技術(shù)[J]. 科技導(dǎo)報(bào), 2016, 135(6):39-51.

[3] 祖林祿, 周躍慶, 李玲慧,等. 基于FPGA和BP神經(jīng)網(wǎng)絡(luò)的電池管理系統(tǒng)設(shè)計(jì)[J]. 電源技術(shù), 2015, 39(5):921-924.

[4] 史艷霞, 祖林祿. 鋰電池健康狀態(tài)估算平臺(tái)的搭建[J]. 電源技術(shù), 2015, 39(10):2106-2107.

[5] 張卓識(shí). 鋰離子電池建模與故障預(yù)測(cè)方法研究[D]. 大連：大連海事大學(xué), 2016.

[6] 張劍楠. 鋰離子動(dòng)力電池健康狀態(tài)估計(jì)算法研究[D].長春：吉林大學(xué), 2015.

[7] 楊劉倩, 詹昌輝, 盧雪梅. 電動(dòng)汽車鋰電池健康狀態(tài)估算方法研究[J]. 電源技術(shù), 2016, 49(4):78-79.

[8] 薛輝. 動(dòng)力鋰離子電池組SOH估計(jì)方法研究[D].長春:吉林大學(xué), 2013.

[9] 湯露曦. 電動(dòng)汽車動(dòng)力電池SOH在線實(shí)時(shí)估計(jì)算法研究[D]. 廣州：廣東工業(yè)大學(xué), 2015.

[10] 韓麗, 戴廣劍, 李寧. 基于GA-Elman神經(jīng)網(wǎng)絡(luò)的電池劣化程度預(yù)測(cè)研究[J]. 電源技術(shù), 2013, 37(2):249-250.

[11] 陳三省. 基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的鋰離子電池SOH估計(jì)[D]. 杭州：杭州電子科技大學(xué), 2013.

[12] 黃業(yè)偉. 電動(dòng)汽車鋰離子動(dòng)力電池健康狀態(tài)估計(jì)方法研究[D]. 合肥：合肥工業(yè)大學(xué), 2014.

[13] 秦玲. 蟻群算法的改進(jìn)與應(yīng)用[D]. 揚(yáng)州：揚(yáng)州大學(xué), 2004.

[14] 楊劍峰. 蟻群算法及其應(yīng)用研究[D]. 杭州：浙江大學(xué), 2007.

[15] 樓海星, 姚維. 超級(jí)電容在電動(dòng)汽車電池能量回饋中的應(yīng)用[J]. 輕工機(jī)械, 2013, 31(6):54-58.

[16] 湯桃峰. 電動(dòng)車鋰離子電池組SOC預(yù)估及一致性研究[D]. 重慶：重慶大學(xué), 2011.

[17] 蔡信, 李波, 汪宏華,等. 基于神經(jīng)網(wǎng)絡(luò)模型的動(dòng)力電池SOC估計(jì)研究[J]. 機(jī)電工程, 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