基于神經(jīng)網(wǎng)絡(luò)與UKF結(jié)合的鋰離子電池組SOC估算方法

劉曉悅+杜曉

摘 要： 鋰離子電池組作為電動汽車的主要動力能源，對荷電狀態(tài)的準(zhǔn)確估計是電動汽車的關(guān)鍵技術(shù)之一。準(zhǔn)確的SOC估計，對鋰離子電池組的壽命維持及電動汽車的行車安全，具有十分重要的意義?；诖嗽O(shè)計一種基于神經(jīng)網(wǎng)絡(luò)與無跡卡爾曼濾波器（UKF）相結(jié)合的SOC估算方法，既克服了UKF需要等效電池組電路模型的缺點，也能顯著減小神經(jīng)網(wǎng)絡(luò)估算方法的最大誤差。該實驗數(shù)據(jù)來源于高級車輛仿真器（ADVISOR2002）基于實際工況的仿真結(jié)果，經(jīng)實驗數(shù)據(jù)證明，該方法具有有效性和實用性。

關(guān)鍵詞： 鋰離子電池組； 動力能源； 無跡卡爾曼濾波器； 神經(jīng)網(wǎng)絡(luò)； 高級車輛仿真器； 荷電狀態(tài)

中圖分類號： TN36?34 文獻標(biāo)識碼： A 文章編號： 1004?373X（2018）02?0120?04

Abstract： Lithium?ion battery pack is the main energy source of electric vehicles， and accurate estimation of lithium?ion battery state of charge （SOC） is one of the key technologies for electric vehicles. Accurate estimation of SOC has important significance for life maintain of lithium?ion battery pack and traffic safety of electric vehicles. Therefore， an SOC estimation method based on combination of neural network and unscented Kalman filter （UKF） is designed. The method not only overcomes the shortage that UKF needs circuit model of equivalent battery pack， but also significantly reduces the maximum error of the neural network estimation method. The experimental data is from the simulation results of advanced vehicle simulator ADVISOR2002 based on actual working condition. The experimental data show that the method is effective and practical.

Keywords： lithium?ion battery pack； power source； UKF； neural network； advanced vehicle simulator； SOC

0 引 言

新能源汽車被我國“十二五”規(guī)劃綱要列為戰(zhàn)略性新興產(chǎn)業(yè)，純電動汽車是新能源汽車的重要分支。目前，性能和價格是限制電動汽車發(fā)展的兩個主要因素，而這兩個因素都與電動汽車的電池組有關(guān)，綜合考慮電池組的性能、重量和成本等因素，鋰離子電池組憑借其單體電壓高、能量密度大、循環(huán)壽命長和環(huán)境友好等優(yōu)點，成為目前條件下電動汽車電池組的首選。但是，相比其他電池，鋰離子電池在安全性和穩(wěn)定性上稍顯不足。為了保證鋰離子電池組的安全與穩(wěn)定，電動汽車需配備電池管理系統(tǒng)（BMS）對其進行實時監(jiān)測和控制，荷電狀態(tài)（State of Charge，SOC）作為其中一個重要參數(shù)，成為目前被廣泛研究的問題[1]。

SOC作為電動汽車能量控制策略的重要依據(jù)，并不能通過直接測量得到。近年來發(fā)展出多種電池組SOC估算方法，安時積分法通過對電流進行積分，計算電池組當(dāng)前容量的變化值，最終得到當(dāng)前的SOC[2]。雖然這種方法簡單易行，在短時使用中具有較高精度，不過電流的測量誤差會在估算結(jié)果中不斷累積，隨使用時間的增加不斷增大，即使可以根據(jù)開路電壓進行校正，但由于鋰離子電池組的滯回電壓特性，電池組需要經(jīng)過長時間的靜置才能得到準(zhǔn)確校正，在電池組的極端工作狀況下，SOC的估算結(jié)果會出現(xiàn)較大誤差。有學(xué)者將神經(jīng)網(wǎng)絡(luò)應(yīng)用于SOC估計，估算結(jié)果在恒流放電的條件下表現(xiàn)出較高的準(zhǔn)確性，但不能證明網(wǎng)絡(luò)具有良好的泛化能力?；诘刃щ娐纺Ｐ偷腟OC估算方法是另一個重要的研究方向，然而電池組結(jié)構(gòu)復(fù)雜，SOC的估算精度取決于等效電路的復(fù)雜程度，并且基于等效電路模型的SOC估算方法并不能將溫度對于電池組SOC的影響考慮在內(nèi)[3?7]。本文采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對電池組進行SOC估算，基于實際工況的測試樣本在神經(jīng)網(wǎng)絡(luò)呈現(xiàn)較高的不穩(wěn)定性，對此采用UKF對神經(jīng)網(wǎng)絡(luò)的SOC估算結(jié)果濾波，得到更為穩(wěn)定、準(zhǔn)確的SOC估算結(jié)果。

1 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)被應(yīng)用于非線性估計問題中，有較為明顯的缺點：由于BP神經(jīng)網(wǎng)路初始神經(jīng)元之間的權(quán)值和閾值隨機選擇，容易陷入局部最小值。本文針對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值采用遺傳算法進行優(yōu)化，進而提高BP神經(jīng)網(wǎng)絡(luò)的估算精度。

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定首先要選擇網(wǎng)絡(luò)的輸入變量，電池組SOC與電池組電壓、電流和溫度關(guān)系復(fù)雜，呈現(xiàn)高度的非線性。電池組內(nèi)阻隨SOC非線性變化，但是內(nèi)阻并不能夠通過傳感器直接得到，并且電池組電壓和電流并不是簡單的線性關(guān)系?；谝陨峡紤]，選擇電池組的電壓、電流和溫度作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量。

一般認(rèn)為，增加隱層層數(shù)可以提高神經(jīng)網(wǎng)絡(luò)的估算精度，但也會使網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜，增加訓(xùn)練時間和出現(xiàn)“過擬合”傾向，導(dǎo)致網(wǎng)絡(luò)只對于訓(xùn)練樣本具有較高的準(zhǔn)確性。BP神經(jīng)網(wǎng)絡(luò)中，隱層節(jié)點數(shù)量關(guān)系到網(wǎng)絡(luò)的性能，過多的隱層節(jié)點是神經(jīng)網(wǎng)絡(luò)出現(xiàn)“過擬合”現(xiàn)象的直接原因，節(jié)點過少又會增大網(wǎng)絡(luò)誤差，降低估算精度。本實驗在保證網(wǎng)絡(luò)性能的前提下，采用較少的隱層節(jié)點。endprint

隱含層采用S型激活函數(shù)，輸出層采用線性激活函數(shù)的雙層BP神經(jīng)網(wǎng)絡(luò)可以以任何精度逼近任何函數(shù)。本文采用單隱層的BP神經(jīng)網(wǎng)絡(luò)，隱層節(jié)點數(shù)量與網(wǎng)絡(luò)性能關(guān)系見表1，隨隱層節(jié)點數(shù)量的增加，測試樣本誤差減小。當(dāng)隱層節(jié)點數(shù)量在20以上時，測試樣本誤差降低幅度較小，最大誤差增大，根據(jù)“最簡網(wǎng)絡(luò)結(jié)構(gòu)”原則，本BP神經(jīng)網(wǎng)絡(luò)采用含有20個隱層節(jié)點的單隱層結(jié)構(gòu)。

1.2 遺傳算法實現(xiàn)

遺傳算法的實現(xiàn)包括種群初始化，確定適應(yīng)度函數(shù)，選擇操作、交叉操作和變異操作[8]。

1.2.1 種群初始化

個體編碼方式為實數(shù)編碼，每個個體包括60個輸入層?隱層連接權(quán)值、20個隱層閾值、20個隱層?輸出層連接權(quán)值、1個輸出層閾值四個部分。在網(wǎng)絡(luò)結(jié)構(gòu)確定的前提下，每個個體可確定一個神經(jīng)網(wǎng)絡(luò)。

1.2.2 適應(yīng)度函數(shù)

根據(jù)個體得到的神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到網(wǎng)絡(luò)輸出，把神經(jīng)網(wǎng)絡(luò)誤差絕對值的平均值作為適應(yīng)度F，則個體適應(yīng)度F的函數(shù)為：

式中：n為訓(xùn)練樣本數(shù)；為BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)的輸出；為訓(xùn)練數(shù)據(jù)中的SOC。

1.2.3 選擇操作

選擇操作采用輪盤賭選擇法，基于適應(yīng)度的倒數(shù)的比例進行選擇，每個個體被選擇的概率為P：

式中：為第i個個體的適應(yīng)度的倒數(shù)；為第i個個體的適應(yīng)度；為種群個體數(shù)。

1.2.4 交叉操作

由于個體采用實數(shù)編碼，交叉操作采用實數(shù)交叉法，第個基因和第i個基因在位置發(fā)生交叉操作為：

式中，b為[0，1]之間的隨機數(shù)。

1.2.5 變異操作

選取第i個個體的第j個基因進行編譯操作：

式中：為基因的上界；為基因的下界；為[0，1]之間的隨機數(shù)；為當(dāng)前迭代次數(shù)；為最大迭代次數(shù)；為隨機數(shù)。

1.3 神經(jīng)網(wǎng)絡(luò)測試與訓(xùn)練

受電動汽車在行駛過程中路況、地形以及駕駛者的駕駛習(xí)慣等因素影響，電池組SOC的狀態(tài)在實際工作過程復(fù)雜多變。對此，訓(xùn)練數(shù)據(jù)的跨度應(yīng)當(dāng)是盡可能全面的，而不應(yīng)將簡單的恒流充放電數(shù)據(jù)作為電池組的訓(xùn)練和測試數(shù)據(jù)[9]。

ADVISOR2002是Matlab和Simulink軟件環(huán)境下的一系列模型、數(shù)據(jù)和腳本文件，它在給定的道路循環(huán)條件下利用車輛各部分參數(shù)，能快速地分析傳統(tǒng)汽車、純電動汽車和混合動力汽車的燃油經(jīng)濟性、動力性以及排放性等各種性能[10]。參照某新型純電動汽車電池組數(shù)據(jù)，在ADVISOR2002中基于GM_EV1車型構(gòu)建容量為56.16 kW·h，輸出電壓為360 V的鋰離子電池組，當(dāng)電池組溫度高于30 ℃采用風(fēng)冷降溫的方式防止電池組過熱。為模擬電動汽車在實際駕駛中的不同路況，訓(xùn)練樣本選用LA92，NYCC，US06等實際工況下電池組數(shù)據(jù)。

在初始SOC為60%條件下，單程CSHVR工況電池組數(shù)據(jù)如圖1所示，本實驗測試樣本為CSHVR工況下的整個放電循環(huán)的電池組數(shù)據(jù)。基于CSHVR工況的電池組數(shù)據(jù)更為復(fù)雜，更貼近實際駕駛情況，以證明網(wǎng)絡(luò)的泛化能力和魯棒性。

1.4 神經(jīng)網(wǎng)絡(luò)估算結(jié)果

在CSHVR工況下，通過仿真遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)SOC估算結(jié)果和誤差如圖2所示。

從測試樣本的輸出結(jié)果可以看出，神經(jīng)網(wǎng)絡(luò)SOC估算結(jié)果的誤差均方根為0.59%，并且SOC的估算誤差可高達8.4%。當(dāng)SOC的實時估計應(yīng)用于電動汽車時，本文希望SOC的估計值是穩(wěn)定的，SOC突然偏高或偏低直接影響到電動汽車可行駛里程的判斷，UKF是能滿足這樣的需求的一種濾波器。

2 UKF估算方法

本文將電流關(guān)于時間的積分應(yīng)用于系統(tǒng)狀態(tài)方程，進行系統(tǒng)狀態(tài)預(yù)測，與神經(jīng)網(wǎng)絡(luò)輸出的測量值進行比較得到誤差，利用UKF對狀態(tài)預(yù)測更新得到后驗狀態(tài)與誤差，并用于下一次系統(tǒng)狀態(tài)預(yù)測，系統(tǒng)原理見圖3。

UKF可以看作是基于UT技術(shù)的卡爾曼濾波算法，在卡爾曼濾波算法中，對于狀態(tài)方程使用UT技術(shù)處理均值和協(xié)方差的非線性傳遞函數(shù)。

圖4展示了UKF改善遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的SOC估算結(jié)果，表2呈現(xiàn)了在CSHVR工況下，加入UKF前后誤差均方根和最大誤差的對比情況，對于神經(jīng)網(wǎng)絡(luò)估算結(jié)構(gòu)的誤差均方根以及最大誤差都有明顯減小。

3 結(jié) 語

本文采用神經(jīng)網(wǎng)絡(luò)與UKF相結(jié)合的鋰離子電池組SOC估算方法，使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)UKF估算方法所需的電池組等效電路模型，將電流關(guān)于時間的積分應(yīng)用于狀態(tài)估計方程，有效地降低了神經(jīng)網(wǎng)絡(luò)估算方法的誤差。電動汽車電池組在實際工作過程中，由于干擾信號、電池組熱管理策略、電池組老化等諸多因素，高級汽車仿真器（ADVISOR2002）能比較合理的仿真電池組實際數(shù)據(jù)，使實際電池組數(shù)據(jù)的SOC估算結(jié)果將更具實際意義。

參考文獻

[1] 廖恩華.基于神經(jīng)網(wǎng)絡(luò)的電動汽車磷酸鐵鋰電池SOC估算方法研究[D].成都：電子科技大學(xué)，2011.

LIAO Enhua. Research on SOC estimation method of EV lithium?iron phosphate battery based on neural network [D]. Chengdu： University of Electronic Science and Technology of China， 2011.

[2] 李志偉，趙書強，劉應(yīng)梅.電動汽車分布式儲能控制策略及應(yīng)用[J].電網(wǎng)技術(shù)，2016，40（2）：442?450.

LI Zhiwei， ZHAO Shuqiang， LIU Yingmei. Distributed energy storage control strategy for electric vehicles and its application [J]. Power system technology， 2016， 40（2）： 442?450.endprint

[3] 張利，劉帥帥，劉征宇，等.鋰離子電池自適應(yīng)參數(shù)辨識與SOC估算研究[J].電子測量與儀器學(xué)報，2016，30（1）：45?51.

ZHANG Li， LIU Shuaishuai， LIU Zhengyu， et al. Research on adaptive parameter identification and SOC estimation for lithium?ion battery [J]. Journal of electronic measurement and instrumentation， 2016， 30（1）： 45?51.

[4] 華周發(fā)，李靜.電動汽車動力電池SOC估算方法綜述[J].電源技術(shù)，2013，37（9）：1686?1689.

HUA Zhoufa， LI Jing. Review on SOC estimation method of electric vehicle battery [J]. Power Technology， 2013， 37（9）： 1686?1689.

[5] 王笑天，楊志家，王英男，等.雙卡爾曼濾波算法在鋰電池SOC估算中的應(yīng)用[J].儀器儀表學(xué)報，2013，34（8）：1732?1738.

WANG Xiaotian， YANG Zhijia， WANG Yingnan， et al. Application of dual extended Kalman filtering algorithm in the SOC estimation of lithium?ion battery [J]. Chinese journal of scientific instrument， 2013， 34（8）： 1732?1738.

[6] 劉曉悅，幺舜禹.雙通道ELM在鋰離子電池SOC估算的應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報，2016，35（8）：878?884.

LIU Xiaoyue， YAO Shunyu. Application of two?channel ELM in lithium?ion battery SOC estimation [J]. Journal of Liaoning Technical University， 2016， 35（8）： 878?884.

[7] 史麗萍，龔海霞，李震，等.基于BP神經(jīng)網(wǎng)絡(luò)的電池SOC估算[J].電源技術(shù)，2013，37（9）：1539?1541.

SHI Liping， GONG Haixia， LI Zhen， et al. SOC estimation of battery based on BP neural network [J]. Power system technology， 2013， 37（9）： 1539?1541.

[8] 趙向陽，王杏玄，羅文.基于遺傳算法的電池管理策略[J].電力科學(xué)與工程，2015，31（7）：6?11.

ZHAO Xiangyang， WANG Xingxuan， LUO Wen. Strategy of battery management based on genetic algorithm [J]. Electric power science and engineering， 2015， 31（7）： 6?11.

[9] 呂超，劉珊珊，沈杰，等.鋰離子電池等效電路模型的比較研究[J].電源技術(shù)應(yīng)用，2014，17（9）：8?11.

L? Chao， LIU Shanshan， SHEN Jie， et al. Comparison and research in equal circuit models of lithium?ion battery [J]. Power supply technologies and applications， 2014， 17（9）： 8?11.

[10] 柏達，郭小定.基于Advisor的電動汽車仿真及參數(shù)計算[J].科技創(chuàng)新與應(yīng)用，2016（11）：44?45.

BO Da， GUO Xiaoding. Analysis of electric vehicle simulation and parameter calculation based on Advisor [J]. Science & technology innovation and application， 2016（11）： 44?45.endprint