抗傳感器噪聲的鋰離子電池SOC估計(jì)方法

孔令昊，杜常清，任 重

(武漢理工大學(xué)汽車(chē)工程學(xué)院，湖北武漢 430070)

電池管理系統(tǒng)(battery management system,BMS)是新能源汽車(chē)動(dòng)力系統(tǒng)中不可缺少的部分，其對(duì)于鋰離子動(dòng)力電池狀態(tài)的估計(jì)功能是保證電池安全高效使用的基礎(chǔ)。荷電狀態(tài)(state of charge,SOC)是評(píng)價(jià)電池剩余電量的指標(biāo)，是方便用戶使用車(chē)輛與進(jìn)行充電規(guī)劃的依據(jù)，直接影響著消費(fèi)者的用車(chē)體驗(yàn)，是車(chē)載BMS 的基礎(chǔ)核心內(nèi)容。

隨著技術(shù)的發(fā)展，鋰電池SOC的估計(jì)方法逐漸成熟。目前針對(duì)車(chē)載動(dòng)力電池SOC的估計(jì)方法有安時(shí)積分法、系統(tǒng)濾波法與數(shù)據(jù)驅(qū)動(dòng)法[1]三大類(lèi)。安時(shí)積分法在目前的新能源汽車(chē)上被廣泛使用，而由于采樣精度與頻率的限制，在實(shí)際的運(yùn)行過(guò)程中會(huì)產(chǎn)生累積誤差導(dǎo)致SOC估計(jì)精度下降。文獻(xiàn)[2]基于電池電化學(xué)機(jī)理，通過(guò)對(duì)積分環(huán)節(jié)中的參數(shù)進(jìn)行修正，有效減小了累積誤差的影響，提高了算法的估計(jì)精度，但是方法對(duì)不同品牌型號(hào)的電池仍然無(wú)法適應(yīng)。系統(tǒng)濾波法由于其對(duì)于非線性系統(tǒng)的良好預(yù)測(cè)能力而逐漸成為了SOC估計(jì)研究的主流方法。文獻(xiàn)[3]使用基于卡爾曼濾波的非線性衍生算法與粒子濾波法取得了良好的SOC估計(jì)精度。近年來(lái)，隨著機(jī)器學(xué)習(xí)與大數(shù)據(jù)的快速發(fā)展，前饋神經(jīng)網(wǎng)絡(luò)[4-5]、支持向量機(jī)[6]、循環(huán)神經(jīng)網(wǎng)絡(luò)[7]等基于數(shù)據(jù)驅(qū)動(dòng)的估計(jì)方法也被大量研究，并取得了較好的SOC估計(jì)效果。

在實(shí)際應(yīng)用中，傳感器的精度與成本一般相互矛盾，作為成熟的商品，汽車(chē)成本控制是必不可少的。較為精確的電池模型電壓估計(jì)誤差在±20 mV 上下[8-9]，而目前車(chē)載BMS 常用的電壓傳感器噪聲最大可達(dá)10 mV，再疊加電流傳感器的噪聲，無(wú)疑會(huì)造成額外的估計(jì)誤差。

為了更好地了解并降低傳感器噪聲對(duì)SOC估計(jì)帶來(lái)的影響，提高BMS 估計(jì)算法的實(shí)用性，本文將模擬傳感器噪聲注入到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)中，從而提高所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)SOC估計(jì)器對(duì)傳感器噪聲的適應(yīng)性。選取應(yīng)用最廣泛的BP神經(jīng)網(wǎng)絡(luò)作為研究對(duì)象，首先使用無(wú)噪聲的數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，再根據(jù)車(chē)載BMS 傳感器的采集精度，設(shè)置了4 組具有不同噪聲的測(cè)試集，研究噪聲對(duì)BP 神經(jīng)網(wǎng)絡(luò)估計(jì)效果的影響。此后使用一種數(shù)據(jù)拓展的方法，將電壓、電流噪聲進(jìn)行組合并分別注入訓(xùn)練集，得到原數(shù)據(jù)集9 倍大小的拓展訓(xùn)練集對(duì)同一神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試，并在高斯噪聲工況下與拓展卡爾曼濾波(extended Kalman filter,EKF)算法進(jìn)行對(duì)比。結(jié)果顯示，使用拓展后的訓(xùn)練集能有效改善傳感器噪聲對(duì)BP神經(jīng)網(wǎng)絡(luò)估計(jì)效果的影響，且相比EKF 算法具有更好的估計(jì)效果。

1 數(shù)據(jù)來(lái)源

本文采用McMaster University 的電池研究小組于2020 年公布的一系列用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練與驗(yàn)證的電池測(cè)試數(shù)據(jù)[10]。該研究小組使用德國(guó)Digatron 公司的實(shí)驗(yàn)設(shè)備對(duì)3 Ah 的全新LG 18650HG2 型鎳鈷錳酸鋰電芯在多種溫度條件下(40,25,10,0,－10,－20 ℃)進(jìn)行了自定義的混合脈沖功率試驗(yàn)(HPPC)與多種標(biāo)準(zhǔn)駕駛循環(huán)(UDDS,LA92,HWFET,US06)的測(cè)試，設(shè)備的具體參數(shù)如表1 所示。

表1 實(shí)驗(yàn)設(shè)備參數(shù)

選取25 ℃下的HPPC 測(cè)試數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，UDDS 工況作為測(cè)試集。HPPC 測(cè)試中，電池在每個(gè)SOC狀態(tài)下(100%,95%,90%,80%,70%,...,20%,15%,10%,5%,2.5%,0%)進(jìn)行了四組脈沖放電(1C,2C,4C,6C)與四組脈沖充電(0.5C,1C,1.5C,2C)測(cè)試，SOC劃分細(xì)致，電流設(shè)置范圍較大，可以很好地反應(yīng)各個(gè)SOC狀態(tài)下電池對(duì)于不同電流激勵(lì)的響應(yīng)特性。每個(gè)SOC狀態(tài)下的HPPC 電流加載狀況如圖1 所示?？紤]到LA92 用于重型車(chē)輛代表性較差，UDDS工況的啟停、加減速相對(duì)HWFET 和US06 工況更加頻繁，故選取UDDS 工況的測(cè)試數(shù)據(jù)作為測(cè)試集。

圖1 一次HPPC測(cè)試的電流加載狀況

2 研究方案

本文使用包含兩個(gè)隱藏層的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，輸入為電池的電壓與電流，輸出為SOC，具體參數(shù)如表2 所示。

表2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)

2.1 測(cè)試集噪聲注入方法

為了更好地模擬實(shí)際應(yīng)用場(chǎng)景，選取某車(chē)規(guī)級(jí)BMS 電壓傳感器與電流采集模塊，與數(shù)據(jù)處理相關(guān)的量程、精度參數(shù)如表3 所示。將兩種傳感器的噪聲分別視為幅值為10 mV 和150 mA 的高斯噪聲，其分布情況如圖2 所示。

圖2 傳感器噪聲分布

表3 某常見(jiàn)型號(hào)傳感器參數(shù)

在仿真工況方面，設(shè)置了電流、電壓傳感器誤差均為最大值的最大噪聲工況和高斯噪聲工況。除此之外，為了更好地體現(xiàn)出不同類(lèi)型傳感器噪聲帶來(lái)的影響，設(shè)置了僅加入電流傳感器最大誤差以及僅加入電壓傳感器最大誤差的兩種工況。將噪聲加入選出的測(cè)試集中，并使用訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行估計(jì)。

2.2 訓(xùn)練集數(shù)據(jù)拓展方法

為了減少傳感器噪聲對(duì)估計(jì)結(jié)果的影響，本文使用了一種數(shù)據(jù)拓展的方法，通過(guò)將電壓、電流噪聲進(jìn)行組合創(chuàng)建了9種不同的工況，將原本的訓(xùn)練集擴(kuò)大到原本數(shù)據(jù)量的9 倍，從而提高BP 神經(jīng)網(wǎng)絡(luò)估計(jì)器的魯棒性。在創(chuàng)建訓(xùn)練集時(shí)，取電壓噪聲10 mV 與電流噪聲150 mA 進(jìn)行組合，得到的9 種工況如表4 所示。使用拓展后的訓(xùn)練集再對(duì)具有相同結(jié)構(gòu)與神經(jīng)元數(shù)量的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并使用上文中提到的4 種注入噪聲的測(cè)試工況對(duì)估計(jì)器的效果進(jìn)行評(píng)價(jià)。

表4 訓(xùn)練集噪聲組合情況

3 結(jié)果分析

本文通過(guò)控制變量的方式逐步研究傳感器噪聲對(duì)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行SOC估計(jì)的影響以及通過(guò)拓展訓(xùn)練集對(duì)噪聲影響的優(yōu)化效果，并將SOC估計(jì)效果與使用一階RC 等效電路模型的EKF 算法進(jìn)行對(duì)比，研究流程如圖3 所示。

圖3 本文的研究流程

3.1 無(wú)噪聲狀況下的估計(jì)效果

使用原始數(shù)據(jù)對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試，作為無(wú)噪聲對(duì)照組為后續(xù)的研究提供參考。無(wú)噪聲狀況下仿真與實(shí)際SOC的對(duì)比如圖4所示。無(wú)噪聲狀況下的估計(jì)器的最大誤差、平均絕對(duì)值誤差(mean absolute error,MAE)和均方根誤差(root mean square error,RMSE)分別為3.619 0、0.588 6和0.828 0。

圖4 無(wú)噪聲狀況下仿真與實(shí)際SOC對(duì)比

整個(gè)過(guò)程中MAE為0.588 6%，說(shuō)明BP 神經(jīng)網(wǎng)絡(luò)估計(jì)器的整體估計(jì)精度較高，雖然在電流迅速增大時(shí)SOC估計(jì)誤差會(huì)突然增大，但隨著加載過(guò)程的進(jìn)行，誤差也快速回落到較小范圍，因此認(rèn)為該估計(jì)器能夠較好地進(jìn)行SOC預(yù)測(cè)。

3.2 噪聲影響下的估計(jì)效果

使用注入噪聲的測(cè)試集對(duì)使用無(wú)噪聲訓(xùn)練集訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，以研究傳感器噪聲帶來(lái)的影響。為了更加清晰地表現(xiàn)噪聲對(duì)于估計(jì)效果的影響，選取SOC估計(jì)誤差的差值作為繪圖數(shù)據(jù)源。加入噪聲后的SOC估計(jì)誤差與無(wú)噪聲對(duì)照組估計(jì)誤差的差值如圖5 所示。各工況下的誤差對(duì)比如圖6 所示。噪聲干擾下SOC估計(jì)效果如表5 所示。

圖5 加入噪聲后的SOC估計(jì)誤差與對(duì)照組的差值

圖6 不同噪聲工況的誤差對(duì)比

表5 噪聲干擾下的SOC 估計(jì)效果

從結(jié)果中可以看出：在最大噪聲工況下，整個(gè)過(guò)程的MAE較無(wú)噪聲工況增大了0.368 9%，增大幅度為62.7%；在加入高斯噪聲的工況下，MAE增大了0.271 9%，增大幅度為46.2%；RMSE均有所增大，說(shuō)明傳感器的噪聲對(duì)于估計(jì)器的整體精度有較大的影響，也會(huì)導(dǎo)致估計(jì)的穩(wěn)定性有所降低。通過(guò)對(duì)比僅加入電流噪聲與僅加入電壓噪聲的兩種測(cè)試工況的結(jié)果，僅加入電流噪聲與僅加入電壓噪聲的工況下MAE分別增大0.119 3%與0.624 9%，增大幅度分別為20.3%與106.2%?？梢钥闯鲭妷簜鞲衅鞯恼`差對(duì)于整體估計(jì)效果影響更明顯，這主要是因?yàn)镾OC與電壓存在直接對(duì)應(yīng)關(guān)系，估計(jì)結(jié)果對(duì)于電壓更敏感。

3.3 訓(xùn)練集拓展后的估計(jì)效果

使用拓展訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練后，再次使用注入噪聲的4 種測(cè)試集進(jìn)行測(cè)試，并在高斯噪聲工況下與使用一階RC 等效電路模型的EKF 算法進(jìn)行對(duì)比。數(shù)據(jù)拓展后網(wǎng)絡(luò)的估計(jì)誤差與無(wú)噪聲對(duì)照組估計(jì)誤差的差值如圖7 所示，各工況與算法的誤差對(duì)比如圖8 所示。與EKF 算法的SOC估計(jì)效果和誤差對(duì)比分別如圖9 和圖10 所示。訓(xùn)練集拓展后對(duì)于測(cè)試集的估計(jì)效果如表6 所示。

圖7 訓(xùn)練集拓展后對(duì)于測(cè)試集的估計(jì)誤差與對(duì)照組的差值

圖8 不同噪聲工況與算法的誤差對(duì)比

圖9 高斯噪聲工況下BP神經(jīng)網(wǎng)絡(luò)與EKF算法的SOC估計(jì)效果對(duì)比

圖10 高斯噪聲工況下BP神經(jīng)網(wǎng)絡(luò)與EKF算法的誤差對(duì)比

表6 訓(xùn)練集拓展后的SOC 估計(jì)效果

仿真結(jié)果顯示，使用數(shù)據(jù)拓展的方法對(duì)訓(xùn)練集進(jìn)行處理后，估計(jì)器在各個(gè)工況下的精度均有所提升。最大噪聲工況下MAE降低了0.196 7%，精度提高33.4%。在高斯噪聲工況下MAE降低了0.203 5%，精度提高34.6%，相比EKF 算法的MAE降低0.366 8%，精度提高35.8%。兩種單一噪聲工況下的精度也有所提高，由于SOC對(duì)于電壓有更高的敏感性，數(shù)據(jù)拓展對(duì)于電壓噪聲工況的精度提升更大，整個(gè)過(guò)程的MAE降低了0.386 3%，精度提高幅度達(dá)65.6%，電流噪聲工況的兩個(gè)數(shù)據(jù)則分別為0.073 4%與12.5%，各個(gè)工況下的RMSE均有所下降。綜合以上數(shù)據(jù)與分析，在噪聲影響下，通過(guò)數(shù)據(jù)拓展的方法對(duì)訓(xùn)練集進(jìn)行處理后，相同結(jié)構(gòu)與神經(jīng)元數(shù)量的BP 神經(jīng)網(wǎng)絡(luò)對(duì)于鋰電池SOC的估計(jì)精度更高且在估計(jì)過(guò)程中波動(dòng)更小，說(shuō)明這種數(shù)據(jù)拓展的方法能夠較好地減小噪聲帶來(lái)的影響，且在整個(gè)估計(jì)過(guò)程中比EKF 算法具有更好的穩(wěn)定性。

4 結(jié)論

在鋰電池SOC估計(jì)算法的實(shí)際應(yīng)用中，傳感器噪聲對(duì)估計(jì)過(guò)程的影響是無(wú)法忽略的。為了更好地了解并降低這種影響，本文通過(guò)對(duì)測(cè)試集注入噪聲的方式，分別討論了不同類(lèi)型的噪聲對(duì)于BP 神經(jīng)網(wǎng)絡(luò)估計(jì)器的影響，并使用一種將電壓、電流噪聲進(jìn)行組合創(chuàng)建的拓展訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練，有效降低了噪聲對(duì)SOC估計(jì)的影響。具體結(jié)果為：

(1)在對(duì)測(cè)試集注入噪聲后，BP 神經(jīng)網(wǎng)絡(luò)估計(jì)器的MAE與RMSE相比無(wú)噪聲狀況均有所增大。最大噪聲工況、高斯噪聲工況的MAE分別增大0.368 9%與0.271 9%，增大幅度分別為62.7%與46.2%。說(shuō)明傳感器噪聲會(huì)對(duì)SOC的估計(jì)精度產(chǎn)生較大影響。對(duì)比僅加入電流噪聲與僅加入電壓噪聲的兩種工況，可以了解到SOC估計(jì)誤差對(duì)于電壓噪聲更加敏感。

(2)通過(guò)拓展訓(xùn)練集的方法對(duì)具有相同結(jié)構(gòu)與神經(jīng)元數(shù)量的BP 神經(jīng)網(wǎng)絡(luò)估計(jì)器進(jìn)行重新訓(xùn)練后，在含有同樣噪聲的測(cè)試環(huán)境下MAE與RMSE均有所下降，最大噪聲、僅電流噪聲、僅電壓噪聲與高斯噪聲的MAE分別下降0.196 7%，0.073 4%，0.386 3%與0.203 5%，精度的提高幅度分布為33.4%，12.5%，65.6%與34.6%，且與EKF 算法的MAE相比降低了0.366 8%，精度提高了35.8%。