基于忆阻神经网络的锂电池SOC检测技术研究

王建军，马树才，张春梅

(1.张家口职业技术学院，河北张家口075000；2.河北北方学院信息科学与工程学院，河北张家口075000)

为了应对能源危机，世界各国纷纷研究绿色能源汽车，电动汽车就是其中的重点。电动汽车的能量全部或部分来自于蓄电池，而蓄电池的功率密度和储电容量决定着电动汽车的行驶速度和行驶里程，成为电动汽车能否真正走向市场的关键因素。因此开发高性能、低成本、寿命长的动力电池是发展电动汽车事业所必须解决的问题。

目前，应用于电动汽车的电池种类很多，主要有铅酸电池、镉镍电池、氢镍电池和锂电池，其中锂离子电池由于其高体积比、高质量比、无记忆效应、寿命长、绿色环保等优点成为研究的热点。据研究，未来将有2/3的电动汽车将使用锂电池。

本文首先从锂离子电池的电池性能参数入手，分析了各种参数对锂离子电池状态的影响，并选取SOC作为研究的重点，以忆阻神经网络模型为基础，构建了相应的SOC估值体系。

1 锂离子性能指标分析

锂电池的工作性能受诸多因素的影响，如电压、温度、老化程度等，因此，对电池进行有效的管理是电动汽车可靠运行的前提。电动汽车的电池管理是对电池组的电压、电流、温度和继电器状态进行实时检测，实现对电池有效的充放电控制、均衡监测、故障诊断、热管理等功能，保障电池能够工作在合理的参数范围内，同时通过电池组的荷电状态(SOC)和健康状态(SOH)进行评估。最终达到提高电池组使用效率、增加续驶能力、延长使用寿命、降低运行成本，提高电池可靠性的目的。

为了实现电池的有效管理，电池管理的主要技术有SOC估算、SOH估算和热管理。其中SOC是电动汽车运行过程中非常重要的参数，SOC参数可以为驾驶者提供电池能量供给状况，进行充放电管理，防止电池的过充与过放，从而保证车辆的可靠行驶、延长电池的使用寿命。因此，准确地检测SOC值是提高电动汽车利用效率的必要手段。但是由于电动汽车在使用过程中具有高度的非线性，而目前所使用的开路电压法、内阻法、放电实验法、Ah计量法、线性模型法、卡尔曼滤波法等[1]。均或多或少存在着缺陷。因此，研发精确度高、实时性强的SOC估算办法至关重要。

锂离子电池的电化学特性受到电压、电流、温度的影响很大，加之电动汽车的应用环境复杂，所以SOC值的估算是一个非线性数据计算过程，涉及到的参数很多，主要有电池的电压特性、内阻特性、效率特性、循环特性。

锂离子电池的电压特性主要是指开路电压(OCV)，由于锂离子电池的开路电压与SOC存在着一定的非线性关系，因此，利用这种特定的关系而形成的SOC估算方法是应用较为广泛的方法之一，但是，由于开路电压只有在电池静置一段时间后才可得到准确的数值，所以，这种方法并不适用于电池SOC值的实时估算。

锂离子电池的内阻分为直流内阻和交流内阻，而电池的直流内阻与SOC的关系在一定范围内呈线性，而且这种线性关系不随着温度的变化而变化，所以可依靠内阻法进行SOC值的测算，但是，由于电池内阻随着电池老化程度和循环次数的不同而有较明显的差别，所以参数状态复杂，已很少应用在SOC值的估算中。

锂离子的效率特性在SOC的估算中主要是指充放电效率，主要包括安时效率和瓦时效率两种，而较为常用的是安时效率。所谓的安时效率是指在规定的条件下，蓄电池放电期间给出的电量与恢复至初始充电状态所需电量的比值。这个定义在本质上与SOC的定义具有相同性，因此，利用安时效率来估算SOC也是常用的方法之一。在检测过程中需要取得SOC的初值并利用开环控制进行结果的调整。这种方法的缺陷是SOC的初值不易准确掌握且开环控制易积累出较多的误差。

SOC的其它估算方法，例如卡尔曼滤波法存在着硬件要求高的缺点；而线性模型法不适用于电流变化较大的场合，所以目前对SOC值估算方法的研究大多集中在人工智能的方向上，基于神经网络的SOC估算方法就是其中之一。

2 基于BP神经网络技术的SOC技术分析

人工神经网络是人工智能的一个分支，神经网络由许多相互连接的节点组成，每个节点有许多输入量，对于每一个输入量都对应一个相应的权重，将这些输入量经加权求和后，再通过传递函数计算就会得到输出值，再传给下一层神经元。对于每一个节点存在着一个阈值b，用来对输入变量进行有效值规范。同时，整个网络还需要定义一个传递函数，该函数对输入变量的和值进行相应的计算，并将计算值作为输出值输出。

BP神经网络即误差反向传播网络，是目前应用最广的一种，具有简单、易行、计算量小、并行性强等优点。BP神经网络具有三层结构[2]，分别为输入层、隐含层、输出层组成(如图1所示)，输入层接受来自于实际情况中的采集数据，隐含层利用权值对输入值进行求和后，利用传递函数进行再次计算，直至得出输出值，将输出值与实际测量值进行对比后，得出相应的误差值，利用误差对前向传导过程进行分析，调整网络权值，再继续进行网络学习过程训练，直至误差缩小在规定的范围内。BP神经网络的传递函数必须处处可导，一般都使用双曲正切函数tagsig或对数双曲线函数logsig来完成。结合实际SOC值估算具体的计算过程如图2所示。

图1 三层BP神经网络结构

图2 BP神经网络SOC值计算流程

3 利用忆阻器对神经网络SOC算法的改进及仿真

神经网络的反复学习训练过程而造成的时间延迟一直是利用神经网络对SOC值进行估算的缺陷，所以加快神经网络的训练过程，利用特殊元件来减少权值的逐步靠近过程是解决问题的关键。而忆阻器就是具有这种功能的特殊元件。

忆阻器是一种具有记忆功能的非线性电阻，具有电不易失性、存储精度无限的基本特点，同时由于忆阻器内部变量设置合理，对采集数据可兼容数字和模拟两种模式。

基于神经网络的SOC估值算法可采取三种方式来实现权值的存储和调整，分别为模拟、数字和混合式。模拟方式采用电容来实现网络权值的存储，精度高，但是具有电容电易失性，需要增加刷新的设备；数字方式精度低，对于电动汽车的SOC值的估算很难达到要求；混合方式可克服模拟式与数字式的两种弊端，但是需要进行多次的A/D与D/A的转换，带来了额外的设备支出及产生了时间的延迟[2]。所以结合忆阻器的基本特点，利用忆阻器来存储权值可以使整个系统即具有高的精度，又可减少A/D与D/A转换过程，从而节省了权值的调整和传输时间，可以有效地提高BP神经网络的计算效率。

本例结合实际情况，选取1.5C倍率下的数据作为实验数据，设定误差指数为0.0001，输入Matlab程序进行仿真计算，网络训练250步，用时5 s，结果如图3所示，从图3中可见基于忆阻神经网络的SOC的预测值相比于传统神经网络的SOC的预测值与实验值吻合更好，精度更高。

图3 SOC的预测值与实验值对比图

4 总结

采用神经网络的方式进行电动汽车的SOC值的估算是目前的研究热点，而将忆阻器应用至神经网络，可以进一步使人工神经网络的硬件体系结构对网络的计算过程提供有效地支持。本文将忆阻器引入神经网络的神经元设计，可有效地改善传统神经元的结构，具有速度更快、功耗更低、体积更小、功能更强的基本特点，从而可以极大地促进以人工神经网络为基础的电动汽车电池管理技术的发展。

[1]刘浩．KF的电动汽车用锂离子电池SOC估算方法研究[D]．北京：北京交通大学，2010：11-12.

[2]康洪波，刘瑞梅．基于神经网络光伏发电预测模型的研究[J]．电源技术，2013，37(3)：447-449.