【正文】 時的過充電。其反應原理如下： 陽極反應 ??? ???? HP b S OeH S OP 44 2b 陰極反應 OHSOPH S OHP b O 2442 2be23 ????? ??? 總反應 OHP b S OH S OOPPb 2442 222b ???? 鉛酸蓄電池是最早發(fā)明的二次電池，其開路電壓高，價格便宜，放電電壓平穩(wěn)，生產技術成熟，使用可靠，因此一直被范圍廣的應用。鋰離子電池性能較好，適用范圍也比較廣，具有 良好的應用前景，在未來將逐步占據(jù)電動汽車電池市場的主流地位。 對于鋰離子電池，工程中一般采用溫度系數(shù)的方法來對容量進行修正。 Peukert 經驗 公式如下： KtI ?n （ 35） 式中： I放電電流， A； t放電時間， h； n與電池類型有關的常數(shù)； K與活性物質有關的常數(shù)； 將 Peukert 方程兩邊都乘以 n1?I ，方程變?yōu)榱?KIIt n?? 1 ，方程左邊是放電電 流與時間乘積，在恒流放電的情況下實際上就是電池的放電容量 Q，所以方程又可以 寫成： KIQ n1?? （ 36） 由該方程可以看出，電池的放電容量 Q 是放電電流和常數(shù) n， K 的常數(shù)。它和人體中其他細胞的區(qū)別在于具有產生、處理和傳遞信號的功能。 圖 43 反饋型神經網絡 自組織網絡 電動汽車電池管理系統(tǒng)的設計 第 16 頁 共 33 頁 如圖 44 所示， Kohonen 網絡是最典型的自組織網絡。 基本的 BP 算法最大的問題是采用梯度法時的步長和勢態(tài)項系數(shù)是由經驗確定的。e 是網絡 誤差矢量， 則： eJIJJkwkw TT 1][)()1( ????? ? （ 47） 式中， I 為單位矩陣 ； ? 為系數(shù)，在計算過程中是自適應調整的。隱含層采用Transig 激活函數(shù) ， 輸出層采用 Purelin 線性激活函數(shù)。以具有兩個輸入變量，一個輸出變量的映射關系，即： Q(放電容量 )=f（ U,I） （ 52） 根據(jù) Kolmogorov 定理，給定任意連續(xù)函數(shù)，可以精確的用一個三層 BP 網絡實現(xiàn)，該網絡的第一層即輸入層有 n 個神經元，中間層有 (2n+1)個神經元，第三層即輸出層電動汽車電池管理系統(tǒng)的設計 第 23 頁 共 33 頁 有 m個神經元。 電動汽車電池管理系統(tǒng)的設計 第 29 頁 共 33 頁 保持測試的環(huán)境溫度不變，仍 為 25℃ ，在充放電測試儀上以放電倍率 、 、 對鋰離子動力電池進行測試，并自動記錄電池的電壓、電流和放電容量，測量步驟同上，將三組放電倍率下電池的電壓和電流數(shù)據(jù)輸入網絡，其輸出結果如下圖所示： 圖 514 下放電容量測量數(shù)據(jù)與預測數(shù)據(jù)的比較曲線 圖 515 下放電容量測量數(shù)據(jù)與預測數(shù)據(jù)的比較曲線 電動汽車電池管理系統(tǒng)的設計 第 30 頁 共 33 頁 圖 516 下放電容量測量數(shù)據(jù)與預測數(shù)據(jù)的比較曲線 從圖中可以看出，對放電容量的預測值與實驗所得的真實結果相差不大，最大相對誤差小于 7％，滿足對鋰離子動力電池容 量預測的要求。記得在做課題初期，感覺自己觸及的是一個全新的領域，不知從何做起，是她給了我啟發(fā)，引導我去尋找新的思路和方法。 （ 4）要獲得比較準確的電池電動勢值，需要將它靜置足夠長的時間，以提高精度。 電動汽車電池管理系統(tǒng)的設計 第 26 頁 共 33 頁 5． 4 網絡的測試 在對網絡進行訓練的基礎上，應用 BP 網絡進行測試。鋰離子動力電池的電流、電壓、溫度和內阻都對電池容量和 SOC 產生的影響。輸出層只有一個節(jié)點 (Y)， 并認為是 MH/Ni電池的放電容量。 BP 算法的改進主要有兩種途徑 ： 一種是采用啟發(fā)式學習算法 。 （ 3） 網絡的拓撲結構， BP 網絡一般主要由輸入層、隱層、輸出層組成，隱層中的每一個節(jié)點分別與輸入層和輸出層的每個節(jié)點連接。在各神經元之間不存在反饋。 由于電池內阻的在線測量是很困難的，所以常常采用離線的方法得到電池容量與SOH 的對應數(shù)據(jù) 表格，汽車運行中對充放電循環(huán)次數(shù)累積計數(shù)，然后根據(jù)表格來對總容量進行修正。 放電倍率因素 電池在不同放電倍率（即放電電流）下放電時，放出的電量是不一樣的。 一般來說，電池的中高溫放電容量明顯比低溫時放電容量大，這是因為高溫有利于電極材料中離子的擴散，提高了材料的動力學性能，同時電解液中電解質的電導率也隨著溫度的升高而增加，使得遷移內阻減小。 電動汽車電池管理系統(tǒng)的設計 第 9 頁 共 33 頁 鋰離子電池 由于金屬鋰位于元素周期表的第一主族第二位，在金屬中具有最負的標準電極電位 ()，以及最小的電化當量 ()，因而與適當?shù)恼龢O材料匹配構成的鋰電池，具有比能量高、電壓高的特點。燃料電池發(fā)動機的制造成本居高不下，這將制約著電動汽車的發(fā)展。電池外部因素也影響電池的壽命，如電池的充電參數(shù)，包括充電方式、充電電流、充電結束電壓；電池的放電參數(shù)，包括電池的放電電流、放電深度、脈沖電流等；電池的溫度；對電池維護的方式和頻率。 電動汽車電池管理系統(tǒng)的設計 第 6 頁 共 33 頁 美國的汽車公司在電動汽車產業(yè)化方面比來自日本的同 行遜色不少，三大汽車公司僅僅小批量生產、銷售過純電動汽車。 20世紀 70年代和 80年代的能源危機令電動車再次得到業(yè)界的重視。負載電壓法很少應用到實車上，但常用來作為電池充放電截止的判據(jù)。該方法需要電池長時間靜置，而電池恢復穩(wěn)定需要幾個小時甚至十幾個小時，測量不方便，所以只適用于電動汽車駐車狀態(tài)。而影響 SOC 準確計量的因素很多，其中開路電壓、自恢復效應、溫度、充放電電流、老化程度等都與 SOC 密切相關，本課題將對電動汽車電池 SOC 進行估算研究。 SOC 的理想定義和實車環(huán)境下的 SOC 的計算方法是有差別的。電池交流阻抗可用交流阻抗儀來測量，受溫度影響很大。所以準確估算電動汽車電池 SOC 對于電動汽車的發(fā)展有著非常重要的意義。 2． 2 電動汽車國內外發(fā)展現(xiàn)狀 目前我國電動汽車發(fā)展情況 經過 10 多年的努力，我國電動汽車自主創(chuàng)新取得了重要突破，自主開發(fā)的產品開始批量化進入市場，發(fā)展環(huán) 境逐步改善，產業(yè)發(fā)展具備了較好基礎，具有了加快發(fā)展的有利條件和比較優(yōu)勢。 在電池管理系統(tǒng)中，電池電壓的精確測量和剩余電量的準確預測是管理系統(tǒng)亟待突破的兩個技術關鍵。電池監(jiān)測和控制系統(tǒng)是一個隨車系統(tǒng)，因此電池的狀況是一個動態(tài)的過程。但鉛酸蓄電池作為動力蓄電池主要存在循環(huán)壽命短、電池自放電較強、比能量低等缺點。 3． 2 影響電池 SOC 的因素 準確估算電池 SOC，可以提高動力電池的能量效率，延長電池的使用壽命。假定在理想狀態(tài)下，用電流積分法（安時法）計算電量的公式如下： dttt ti ???00 )()t()t( （ 32） 式中： )(TQ t 時刻的電池電量； )(0tQ t 時刻的電池電量，這里假設 t0 時刻的電量為滿電量； 若考慮溫度對容量的影響，在溫度 T 時電池的初始容量變?yōu)?)0t(QmT ，總容量變?yōu)?0QmT ( Tm 是與溫度有關的溫度系數(shù)， 0Q 是標準溫度下的總容量）。為了確定常數(shù) n， K 的值，需要用兩種放電率 1I ， 2I 進行放電實驗，記錄兩種放電電流的放電時間 1t 和 2t ，于是根據(jù)式（ 36）得到如下兩式： KtIn ?11 , KtI ?2n2 （ 37） 分別 取對數(shù)得到： KtIn lglglg 11 ?? , KtIn lglglg 22 ?? （ 38） 聯(lián)立兩式求解可得到 n 的值： 1212 lglg lglgn II tt ??? （ 39） 將 n 帶入 Peukert 方程即可得到 K 的值。生物神經元主要有由細胞體、樹突、軸突和突觸組成。 Kohonen 認為，當神經網絡在接受外界輸入時，網絡將會分成不同的區(qū)域，不同區(qū)域具有不同的響應 特征，即不同的神經元以最佳方式響應不同性質的信號激勵，從而形成一種拓撲意義上的特征圖，該圖實際上是一種非線性映射。步長和勢態(tài)項的系數(shù)選取不好會使訓練時間過長甚至會引起完全不能訓練其原因 :一是網絡的麻痹現(xiàn)象，一是局部最小。 電動汽車電池管理系統(tǒng)的設計 第 20 頁 共 33 頁 如果比例系數(shù) μ=0， 則為牛頓法 ； 如果 μ 取值很大 ,則接近梯度下降法 ， 每迭代成功一步 ， 則 μ 減小一些 ， 這樣在接近誤差目標的時候 ， 逐漸與牛頓法相似。 激活函數(shù)是一個神經元及網絡的核心 ， 網絡解決問題的能力與功效除了與網絡的結構有關 ， 在很大程度上取決于所采用的激活函數(shù)。一個三層的前向網絡具有對任意精度連續(xù)函數(shù)的逼近能力。 上述實驗表明，我們建立的 BP 網絡具有較好的適應性，已經較為有效的預測了鋰離子動力電池電壓、電流和放電容量間的映射關系。從課題開始到論文完稿的這段時間里，我與王業(yè)琴老師進行過多次交流和探討。 （ 3）如果以神經網絡模型作為基礎，結合其他 SOC 的估計方法，或許能夠更準確的得到電池組的 SOC。可以應用我們建立的神經網絡模型進行 SOC 估算。這是由于鋰離子在電池內的擴散 速度較慢，隨著放電電流的增加，電池內的濃差極化增大，由電池的固有內阻所引起的電壓降也增加，從而使電池的放電容量相應下降。 輸入層的輸入矢量為 [X1,X2]， 其中 X1 是電池的放電電流的數(shù)值 (I)， X2 是電池放電電壓的數(shù)值 (U)。 圖 46 BP 網絡的學習方法示意圖 LM 算法 在實際應用中，由于基本 BP 算法收斂速度慢，因此出現(xiàn)了許多改進算法。然后，在輸入層加上輸入信號，經正向傳播后，便得到期望輸出的近似值。輸入模式經過各層的順次變換后，由輸出層輸出。 隨著電池循環(huán)次數(shù)的增加，會出現(xiàn)充放電容量下降和電池內阻增加的現(xiàn)象，它們的變化趨勢與電池的健康狀 態(tài)（ State of Health,SOH） 有相