【導(dǎo)讀】離子電池組的有效管理亦成為保障電動汽車性能穩(wěn)定，安全可靠的關(guān)鍵。影響，且實時性要求高，成為電池管理的難點。RUL）預(yù)測作為電池管理的另一重要指標(biāo)，為保障電池的及時更換提供必要依據(jù)。但RUL預(yù)測是近年來才開始研究的課題，方法有限且缺乏深入分析比較。由于電池內(nèi)外部非線性因素的影響，同時考慮。的BP神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練算法。基于穩(wěn)態(tài)放電實驗，探討了電池容量與充放電倍率。等因素之間的關(guān)系。基于對電池各項參數(shù)與SOC內(nèi)在聯(lián)系的分析，選擇電流和電。壓作為BP網(wǎng)絡(luò)輸入，完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及SOC估計。實驗數(shù)據(jù)表明，提出的算。法能達(dá)到較好的估計精度。回歸滑動平均模型三種方法進(jìn)行電池RUL預(yù)測，根據(jù)預(yù)測結(jié)果比較各自優(yōu)缺點。最終數(shù)據(jù)驗證得到了準(zhǔn)確的RUL預(yù)測趨勢并有效提高了預(yù)測精度。子電池監(jiān)測系統(tǒng)，以滿足鋰離子電池管理的主要需求。壓、電流信號的采集，數(shù)據(jù)傳輸，數(shù)據(jù)存儲及上位機(jī)顯示等功能。

　　

【正文】 本身的結(jié)構(gòu)和裝配， 受 電池的 內(nèi)部的電解液、電極材料、隔膜、接線柱 影響 。 （ 2） 充放電倍率： 指 一 定 時間內(nèi)電池在放出額定容量所需電流 大小 ，以字母C 表示 ，即指電流的大小比率。 電池在充放電時，鋰離子依靠電解質(zhì)的濃度差在電子科技大學(xué)碩士學(xué)位論文 14 正負(fù)極之間傳遞，高倍率放電時，磁場強(qiáng)度大，極板附近快速生成生成物，無法順利擴(kuò)散，使電化學(xué)反應(yīng)受阻。相反，放電倍率越低，則電池所能放出的電量就越多。 （ 3） 自放電率： 是指電池 在開路條件下 保持 所儲存 電量的能力 。 由于 制作電池的原材料不可 避免的 總會有雜質(zhì)混在中間， 會消耗正負(fù)極的活性物質(zhì)，造成自放電，電池容量減少。濕度和溫度越高，自放電現(xiàn)象越明顯。 （ 4） 電池溫度：在一定的范圍內(nèi)，提高溫度可以使得電池內(nèi)部的氧化還原反應(yīng)加速，從而釋放更多電量。然而，溫度過高或過低也會導(dǎo)致電池性能下降。 （ 5） 電池壽命：電池完成一次完整的充放電過程被稱為一個周期， 隨著電池的使用，電池的容量逐漸減少， 當(dāng) 電池 容量衰減至失效閾值 之前 所經(jīng)歷的 周期數(shù)即為電池壽命。 電池的剩余電量與以上各個因素均有聯(lián)系， 并且電池管理系統(tǒng)多采用嵌入式，難以實現(xiàn)復(fù)雜算法， 要準(zhǔn)確的完成 SOC 估算具有較大難度。 常用 荷電狀態(tài) 估計方法 作為電池管理技術(shù) 的難點， 荷電狀態(tài) 往往 無法 直接測量得到，需要 測量 電池的其他參數(shù)（如：電流，電壓，溫度，內(nèi)阻等）估算 SOC 。下面，將對常用的幾種 SOC 估算方法 逐一進(jìn)行介紹 。 安時積分法又稱安時計量法，是最常用的 SOC 估計方法。若不考慮電池內(nèi)部結(jié)構(gòu)將其看作一個“黑箱”，則計算電池容量就是對流入或流出“黑箱”的電流求積分。 根據(jù)結(jié)合 SOC 的初始值，即可以得到其當(dāng)前值。設(shè) 起始狀態(tài)電池的 SOC 為0SOC[5]，則 0 01 tNSO C SO C IdC ??? ? (32) 式中： NC 為額定容量， I 為電池電流。在電流、溫度、 SOC 初始值準(zhǔn)確的前提下，可以通過簡單計算就得到短時間內(nèi) SOC 的可靠估計。但是該方法是一種開環(huán)預(yù)測，如果 SOC 初始值與電流不夠準(zhǔn)確，那么隨著電池使用時間的增加，累計誤差將會不斷 增大 ，最終嚴(yán)重影響 SOC 的估計結(jié)果， 導(dǎo)致 電池管理控制端得到錯誤的信號，誤導(dǎo)駕駛員的操作。 第三章 鋰離子電池荷電狀態(tài)估計 15 開路電壓法 開路電壓法是最簡單的 SOC 估算方法，電池在長時間靜置條件下，其端電壓與 SOC 有一定的對應(yīng)關(guān)系，開路電壓法的核心就是通過二者之間的函數(shù)關(guān)系來估計 SOC [22]。磷酸鐵鋰 電池 放電時，在放電過程的中間階段（ SOC 在 20%~80% 之間）， SOC 隨電池電壓變化 并 不明顯。所以在充放電的初期和末期，電池端電壓隨電量變化較大的區(qū)域，可以根據(jù)開路電壓（ OCV , O pe n Cir c uit V ol ta ge）估計 SOC 。SOCOCV 關(guān)系測量的準(zhǔn)確度對估算結(jié)果影響較大，估算前，需先將電池充分靜置，同時盡量避免靜置時間過長帶來的自放電效應(yīng)影響。 而 長時間靜置適 用 于駐車狀態(tài)下的 SOC 估計，不能對鋰離子動力電池進(jìn)行 SOC 實時估計，并且溫度變化對SOCOCV 的影響較大，有一定的局限性。通常，開路電壓法在充電的初期和末期精度較高，如果與其他估算方法 結(jié)合使用 ，可以一定程度上提高 SOC 的估算精度。 內(nèi)阻法 內(nèi)阻法估計 電池 的 SOC ，可以分為兩種方法： 直流內(nèi)阻法和 交流內(nèi)阻法 [23]。交流內(nèi)阻法通過阻抗測試儀記錄電壓、電流之間的函數(shù)關(guān)系，將交流信 號加在電池組兩端時，該函數(shù)是復(fù)變量?，F(xiàn)實中由于溫度，靜置時間及初始狀態(tài)的影響， SOC估計不夠精準(zhǔn)。直流內(nèi)阻法 通過計算短時間內(nèi)電池電壓與電流變化量的比值進(jìn)行估計，但由于鋰離子電池的直流內(nèi)阻小，與 SOC 的對應(yīng)性不強(qiáng)，常作為 SOC 的校正因子而很少直接用于估計。 卡爾曼濾波法 卡爾曼濾波 的基本思想是從最小方差的意義出發(fā)，對系統(tǒng)的狀態(tài)做最優(yōu)估計，近年來被用于 估 計鋰離子動力電池的 SOC 。卡爾曼濾波法可以解決 開路電壓法和電流積分法的缺陷， 將 電池建模為動態(tài)系統(tǒng)模型， 進(jìn)而 用卡爾曼濾波器預(yù)測 SOC 。該方法的 優(yōu)點在于，它能夠?qū)崟r 調(diào)整以適應(yīng)電池電壓和電流的變化，因此適合 電流變化比較劇烈的電動汽車 [23]。但是，卡爾曼濾波法也存在一定缺陷，即：電池模型的建立實現(xiàn)比較困難，復(fù)雜度較高，對硬件的要求 也很高，因此實際中 應(yīng)用范圍較窄 。 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)（ A rtific ia l N e u ra l N e tw o rk s, ANN ）是一個 模擬 大腦神經(jīng)結(jié)構(gòu)的數(shù)學(xué)模型 [25]。 它 類似 于 一個黑盒， 給定 輸入 ，在黑盒 內(nèi)部 進(jìn)行數(shù)據(jù)運(yùn)算 可以 得電子科技大學(xué)碩士學(xué)位論文 16 到相應(yīng)的輸出，具有高度的非線性描述能力。通過 網(wǎng)絡(luò)的 訓(xùn)練學(xué)習(xí)， ANN 可以解決 任何 復(fù)雜的 非線性系統(tǒng)建模 問題 。 鋰離子動力電池的 SOC 受到電池內(nèi)、外部 各因素 的影響，不僅影響因素多且情況復(fù)雜， 通過 神經(jīng)網(wǎng)絡(luò)對電池 復(fù)雜 的非線性特性進(jìn)行模擬 是行之有效的解決方案 。人工神經(jīng)網(wǎng)絡(luò)估計電池 SOC ， 通常 采用典型的三層 網(wǎng)絡(luò) 結(jié)構(gòu) 。 其中 隱含層神經(jīng)元個 數(shù)則與問題 的 復(fù)雜度有關(guān) ， 一般問題越復(fù)雜，隱含層所使用的節(jié)點 數(shù)越多，對非線性模型的描述也越精確。 除了開路電壓法，安時積分法，內(nèi)阻法，卡爾曼濾波法和人工神經(jīng)網(wǎng)絡(luò)法之外，電化學(xué)阻抗頻譜 法、數(shù)學(xué)模型法、線性模型法、負(fù)載電壓法等，也是常見的鋰離子電池 SOC 估計方法 [26]。這幾種方法各有利弊：由于電池 SOC 與開路電壓之間存在近似線性關(guān)系， SOC 可以通過開路電壓來大致 進(jìn)行 估計，但這種估計 方法精度較低；安時積分法與開路電壓法結(jié)合，可以提高 SOC 的 估計精度。 作為 SOC估計的兩種新方法 ： 卡爾曼濾波是通過估計誤差 協(xié)方差矩陣 的 遞歸方程來估計SOC ，算法復(fù)雜且對硬件要求高。而人工神經(jīng)網(wǎng)絡(luò)是基于實驗數(shù)據(jù)的方法，不需要對電池內(nèi)部結(jié)構(gòu)進(jìn)行建模， 通過訓(xùn)練數(shù)據(jù)建立有效的網(wǎng)絡(luò)模型， 在訓(xùn)練數(shù)據(jù)較多的情況下，神經(jīng)網(wǎng)絡(luò)法是一種有效的 SOC 估計方法 。 基于人工神經(jīng)網(wǎng)絡(luò)的荷電狀態(tài)估計 人工神 經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)（ A rtific ia l N e u ra l N e tw o rk s, ANN ） 是模擬 人類 智能的一條重要途徑，來自于美國學(xué)者 Rosenblatt 在 1957 年 提出 的感知器模型，是一種模仿 生物神經(jīng) 結(jié)構(gòu)和功能的 計算模型 。 它 從微觀上對人腦抽象以反映人腦的學(xué)習(xí)、記憶 、聯(lián)想 等 功能 。 神經(jīng)網(wǎng)絡(luò) 的基本單元 是神經(jīng)元 ， 多數(shù)情況下神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ) 上 自適應(yīng) 的 改變內(nèi)部結(jié)構(gòu)，是一種 學(xué)習(xí) 系統(tǒng) 。 人工神經(jīng)網(wǎng)絡(luò)原理 人工神經(jīng)網(wǎng)絡(luò)由 神經(jīng)元聯(lián)結(jié) 而成 ， 圖 31 就是簡化的神經(jīng)元 ， 其 多 輸入 、單 輸出 的 結(jié)構(gòu) 關(guān)系可表示為 [25]： 1ni ji j ij W X ????? (33) ? ?iiY f ? (34) 第三章 鋰離子電池荷電狀態(tài)估計 17 ? ? ?f ?1X2XnX i?? iYniW2i1iW 圖 31 人工神經(jīng)元結(jié)構(gòu) 其 中， 1X , 2X , , nX 是神經(jīng)元 （也稱結(jié)點） i 的 n 個 輸入； i? 表示 神經(jīng)元 i 的偏置（閾值） ； jiW 表示從 結(jié)點 j 到 結(jié)點 i 之間 的連接權(quán)值； ??f 表示 激活 函數(shù) （ 傳遞 函數(shù)） ， 主要作用是對輸入、輸出進(jìn)行傳遞， 是神經(jīng)網(wǎng)絡(luò)的核心，其并將輸出限定在有限范圍內(nèi)，通常是連續(xù)而非線性的 ，反映了神經(jīng)元的非線性信息處理特性 。對于每個神經(jīng)元而言，激活函數(shù)至關(guān)重要。選取不同的激活函數(shù)，往往對神經(jīng)網(wǎng)絡(luò)的性能會有不同的影響。 常見的激活函數(shù)見 表 31，有對數(shù)雙 曲線函數(shù) ? ?logsig n ，雙曲正切函數(shù)? ?tansig n ，線性函數(shù) ? ?purelin n ，其中 ? ?logsig n 和 ? ?tansig n 都屬于 Sigmoid （簡稱 S 型）激活函數(shù) [25]。 在上述三種函數(shù)中，對數(shù) 雙曲線函數(shù) 因為連續(xù)可導(dǎo)便于計算處理， 應(yīng)用最為廣泛。 表 31 神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù) 對數(shù)雙曲線函數(shù) ? ?logsig n 雙曲正切函數(shù) ? ?tansig n 線性函數(shù) ? ?purelin n ? ?? ?1 / 1 a exp n? ? ? ? ?? ?2 / 1 e x p 2 1an? ? ? ? ? an? 人工神經(jīng)網(wǎng)絡(luò)特點 人工神經(jīng)網(wǎng)絡(luò)（ A rtific ia l N e u ra l N e tw o rk s, ANN ）是對自然神經(jīng)網(wǎng)絡(luò)（ Natural Neural Networks）的模擬和抽象，能夠模擬大腦的某些機(jī)理。相比傳統(tǒng)的復(fù)雜計算模型和方法，人工神經(jīng)網(wǎng)絡(luò)具有如下優(yōu)點 [27]： 電子科技大學(xué)碩士學(xué)位論文 18 （ 1）自學(xué)能力 ：這是人工神經(jīng)網(wǎng)絡(luò)最為重要的優(yōu)點。通過對已有訓(xùn)練樣本的學(xué)習(xí)，人工神經(jīng)網(wǎng)絡(luò)能夠?qū)斎?、輸出之間的內(nèi)在聯(lián)系進(jìn)行刻畫，掌握其規(guī)律。對于數(shù)據(jù)預(yù)測有特別重要的意義。 （ 2）自適應(yīng)性：人工神經(jīng)網(wǎng)絡(luò)另一突出 特點是能夠?qū)ξ?知 或不確定的系統(tǒng)進(jìn)行自適應(yīng)。 該功能 是通過神經(jīng)網(wǎng)絡(luò)對于其權(quán)值和閾值的不斷自我調(diào)節(jié)來實現(xiàn)的。 （ 3）魯棒性：人工神經(jīng)網(wǎng)絡(luò)由眾多神經(jīng)元組成，每個神經(jīng)元都對整個網(wǎng)絡(luò)做出貢獻(xiàn)但又不足以單獨決定網(wǎng)絡(luò)特性。因此，某個或某些神經(jīng)元的失效并不會影響整個網(wǎng)絡(luò)的有效性。 （ 4）非線性能力： 當(dāng) 所選取的神經(jīng)元足夠多 時 ，人工神經(jīng)網(wǎng)絡(luò) 理論上是 能夠無限逼近任意的非線性系統(tǒng)。 （ 5）并行分布式處理能力：眾多神經(jīng)元并行的分布 處理，賦予人工神經(jīng)網(wǎng)絡(luò)極強(qiáng)的信息處理能力，使其可以 快速運(yùn)算大 量 數(shù)據(jù)。 根據(jù)人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)以及學(xué)習(xí)規(guī)則等， 目前已發(fā)展到 40 多 種人工神經(jīng)網(wǎng)絡(luò)模型。其中 常見 有： 誤差反向傳播 （ BP , Back Pr opagation）網(wǎng)絡(luò)、 Hopfield網(wǎng)絡(luò)、 自組織映射、 Hamming 神經(jīng)網(wǎng)絡(luò) 等。 BP 網(wǎng)絡(luò)憑借 結(jié)構(gòu)簡單 、 較強(qiáng)的非線性能力和魯棒性等 優(yōu)點 ，在實際中被廣泛應(yīng)用。因此，本文將采用 BP 網(wǎng)絡(luò)對電池進(jìn)行建模， 將實驗數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 誤差反向傳播網(wǎng)絡(luò) BP網(wǎng)絡(luò)結(jié)構(gòu) 誤差反向傳播 （ BP , Back Pr opagation） 網(wǎng)絡(luò)本質(zhì)上按梯度法（ gradient approaches ）求其目標(biāo)函數(shù)（ obje ctiv e functio n） ： 誤差平方和 達(dá)到最小值 的算法 ，其結(jié)構(gòu)如 圖 32 所示。 BP 神經(jīng)網(wǎng)絡(luò)包括一個或多個隱含層（ hide layer ），一個 輸入層（ input layer ），一個 輸出層（ output layer ） ， 可以視為 n 維輸入到 m 維輸出之間的映射，這個映射是非線性的。輸入層負(fù)責(zé)接收外界輸入信息，經(jīng)隱含層各節(jié)點處理后，傳遞到輸出層，由輸出層輸出信息處理結(jié)果。這個傳遞過程是一個正向過程。當(dāng)訓(xùn)練輸出結(jié)果與實際結(jié)果不一致時，將二者之間的誤差從輸出層反向傳播回隱含層、輸入層，并不斷更新權(quán)值，直到學(xué)習(xí)次數(shù)已達(dá)到預(yù)設(shè)值，或誤差達(dá)預(yù)設(shè)范圍內(nèi) ，則停止訓(xùn)練 [28]。 第三章 鋰離子電池荷電狀態(tài)估計 19 ............. ..輸入輸出1x2xnx1y2ymy輸 入 層 隱 含 層輸 出 層 圖 32 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) BP網(wǎng)絡(luò)算法 以一個典型的 BP 神經(jīng)網(wǎng)絡(luò)為例，該網(wǎng)絡(luò)的輸入層、隱含層和輸出層分別包含有 n 個、 p 個和 q 個神經(jīng)元。 樣本數(shù)據(jù)個 數(shù)為 1,2, ,km? ；激活函數(shù)為 ??f ； 輸入向量 ? ?12, nx x x x? ； 期望輸出向量 ? ?12, qd d d d? ； 輸入層與隱含層的連接權(quán)值為 ihw ；隱含層各神經(jīng)元的閾值為 hb ； 隱含層輸入向量 ? ?12,iph hi hi hi? ； 隱含層 輸出向量 ? ?12,oph ho ho ho? ； 隱含層與輸出層的連接權(quán)值為 hov ；輸出層各神經(jīng)元的閾值為 oc ； 輸出層輸入向量 ? ?12,iqy yi yi yi? ； 輸出層輸出向量 ? ?12,oqy yo yo yo? ； BP 標(biāo)準(zhǔn)算法具體實現(xiàn)步驟如下 [28]： （ 1） 對 BP 網(wǎng)絡(luò)的權(quán)值 ihw 、 hov 和閾值 hb 、 oc 進(jìn)行初始化，從（ 1, 1）區(qū)間內(nèi)產(chǎn)生隨機(jī)數(shù)，分別賦予上述參數(shù)，同時，設(shè)定最大學(xué)習(xí)次數(shù) T 和誤差要求 e 。 令 當(dāng)前 學(xué)習(xí)次數(shù) t=1 和 k=1 。 （ 2） 向網(wǎng)絡(luò)輸入第 k 個訓(xùn)練數(shù)據(jù) ? ? ? ? ? ? ? ?? ?12, nx k x k x k x k? 及 其 期望輸出? ? ? ? ? ? ? ?? ?12, qd k d k d k d k? 。 （ 3） 得到隱含層和輸出層各神經(jīng)元的輸入、 輸出： ? ?1 1 , 2 , ,nh