基于PID-BPNN的礦用鉛酸蓄電池SOC在線估計

姜長泓 徐宏

摘 ?要： 針對礦山避難硐室安全供電系統(tǒng)中鉛酸蓄電池內(nèi)化成過程中檢測是否已經(jīng)達到滿電荷量，且在組裝鉛酸蓄電池時需要考慮電池均衡問題都需要進行準(zhǔn)確估算SOC的問題，提出基于BP神經(jīng)網(wǎng)絡(luò)的PID控制通過修正反饋誤差來實現(xiàn)鉛酸蓄電池SOC在線估計。采用實驗的方法獲取數(shù)據(jù)，選取與電池SOC相關(guān)的因子作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，最終準(zhǔn)確在線預(yù)測蓄電池SOC值。仿真結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的PID控制的鉛酸蓄電池SOC估計的精度大大提高，同時為電池管理系統(tǒng)提供一個新的估計方法。

關(guān)鍵詞： 安全供電系統(tǒng); 鉛酸蓄電池; 礦用; 內(nèi)化成; PID?BP神經(jīng)網(wǎng)絡(luò); SOC在線估計

中圖分類號： TN86?34; TP273 ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 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

礦山避難硐室安全供電系統(tǒng)是礦井安全系統(tǒng)的重要研究內(nèi)容之一。特別是在研究鉛酸蓄電池內(nèi)化成效率提高問題時，判斷是否達到滿電荷是一個重要的研究課題，因此，充電過程中準(zhǔn)確的SOC估算至關(guān)重要。與此同時，充電完畢之后，組裝蓄電池組時需要挑選SOC曲線近似吻合的單體蓄電池，這樣才可保證電池的均衡一致性，防止電池內(nèi)部能量損耗。然而，鉛酸蓄電池作為一種古老的能源電池，其能量密度等特性不如其他動力電池，導(dǎo)致SOC的估算相對困難[1?2]。開路電壓法、安時計量法以及內(nèi)阻法等傳統(tǒng)的SOC估算方法無法實現(xiàn)準(zhǔn)確估算[3]。隨著科學(xué)技術(shù)的不斷發(fā)展，國內(nèi)外學(xué)者將神經(jīng)網(wǎng)絡(luò)、模糊控制等控制方法應(yīng)用到蓄電池的SOC估算中，并取得了一定的成果[4]。PID與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合為電池SOC估計的研究提供了一個新的估計方法。

安時積分法從電池的定義出發(fā)，在線估計SOC存在無反饋修正環(huán)節(jié)，從而不可避免地產(chǎn)生電流積分的累積誤差，導(dǎo)致無法準(zhǔn)確在線估計SOC值。PID?BP神經(jīng)網(wǎng)絡(luò)法（PID?BPNN）包括信號的正向傳播和誤差的反向傳播，因此，它能夠有效地模擬電池系統(tǒng)的非線性特性關(guān)系，優(yōu)化復(fù)雜的電池SOC模型，有效修正電池SOC的反饋誤差，進一步提高了電池的SOC估算精度。將D560KT鉛酸蓄電池端電壓、環(huán)境溫度和電池放電流3個變量作為模型的輸入量，電池SOC作為模型的輸出量。仿真結(jié)果表明，基于PID?BPNN的控制方法可以準(zhǔn)確有效地估算蓄電池的SOC值。

3 ?仿真結(jié)果分析

3.1 ?獲取電池數(shù)據(jù)

本文對礦山硐室安全供電系統(tǒng)用D560KT鉛酸蓄電池組進行充放電研究：首先，環(huán)境溫度設(shè)置為25 ℃，倍率范圍設(shè)置為0.3～1 C，大電流放電儀每隔3 s記錄一次數(shù)據(jù);然后，通過電流積分法計算出訓(xùn)練樣本和測試樣本中的SOC值?，F(xiàn)選取部分實驗數(shù)據(jù)，實驗條件為放電電流為10 A，放電容量為30%，表1為進行了歸一化處理的數(shù)據(jù)。歸一化處理的公式為：

將表1獲取的電池數(shù)據(jù)作為PID?BPNN模型的訓(xùn)練樣本，然后進行蓄電池的內(nèi)化成實驗，則預(yù)測樣本數(shù)據(jù)如表2所示。

3.2 ?PID?BPNN訓(xùn)練與預(yù)測

PID?BPNN模型的最大訓(xùn)練步數(shù)為200，目標(biāo)值設(shè)定為0.001，其他參數(shù)設(shè)置為默認(rèn)值，采用梯度下降訓(xùn)練算法。將表1數(shù)據(jù)輸入網(wǎng)絡(luò)中，進行訓(xùn)練。經(jīng)過62個步長的訓(xùn)練，網(wǎng)絡(luò)達到了精度要求，誤差為0.001 3，其誤差曲線圖如圖3所示。

為了驗證PID?BPNN模型的有效性，將訓(xùn)練集電池數(shù)據(jù)導(dǎo)入模型進行仿真[8]，仿真SOC與期望SOC的對比曲線如圖4所示。

鉛酸蓄電池經(jīng)過PID?BPNN模型訓(xùn)練可有效進行電池SOC值的估算，最終SOC預(yù)測的誤差能夠保持在±3%以內(nèi)，達到預(yù)期效果。

4 ?結(jié) ?語

本文提出基于BP神經(jīng)網(wǎng)絡(luò)的PID控制，應(yīng)用到礦山避難硐室安全供電系統(tǒng)的鉛酸蓄電池優(yōu)化成過程中電荷量檢測實現(xiàn)蓄電池SOC在線估計。由仿真結(jié)果得出，其估算精度大大提高，此優(yōu)化方法為能量管理系統(tǒng)中SOC的計算提供了一種新的估算方法。同時，該方法存在陷入局部最優(yōu)問題，估算精度有待進一步提高，因此，進一步研究優(yōu)化問題是下一步工作的重點。

參考文獻

[1] 胡信國.動力電池技術(shù)與應(yīng)用[M].2版.北京：機械工業(yè)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] 劉瑞浩，孫玉坤，陳坤華.電動汽車SOC利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測方法研究[J].電測與儀表，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] 王標(biāo).基于電池模型的汽車鉛酸電池SOC在線估計方法研究[D].合肥：合肥工業(yè)大學(xué)，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] 劉曉剛.鉛酸蓄電池容量檢測方法研究[D].武漢：華中科技大學(xué)，2007.

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

[5] 吳池.AH計量法在Matlab環(huán)境下對鋰離子電池SOC的估算[D].天津：天津大學(xué)，2007.

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

[6] 舒懷林.PID神經(jīng)網(wǎng)絡(luò)元對強耦合帶時延多變量系統(tǒng)的解耦控制[J].控制理論與應(yīng)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] 劉金琨.先進PID控制Matlab仿真[M].2版.北京：電子工業(yè)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] 蔣凱.車用鉛酸電池SOC估算研究[D].長沙：中南大學(xué)，2013.

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

[9] 葛哲學(xué)，孫志強.神經(jīng)網(wǎng)絡(luò)理論與Matlab R2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007.

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

[10] 高飛.Matlab智能算法超級學(xué)習(xí)手冊[M].北京：人民郵電出版社，2014：183?200.

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