18650动力电池的建模与估算研究

王增红，潘勇，李旭军，雷维新，潘俊安

（湘潭大学材料与光电物理学院，湖南湘潭411105）

王增红，潘勇，李旭军，雷维新，潘俊安

（湘潭大学材料与光电物理学院，湖南湘潭411105）

为了实现对18650动力电池荷电状态()的准确在线估算，将外界条件划分为12种情况，研究了有效电量、电池衰老及环境温度对电池的影响。建立了一个BP神经网络模型，在12种条件下对其进行样本学习训练，建立了一种能够适用于不同条件下的基于条件查找方法的估算模型。通过与传统方法对比，证明改进的估算方法具有更好的精度和实用性。

18650动力电池；荷电状态；BP神经网络；条件查找；有效电量

18650动力电池被广泛应用于电动汽车中，研究其性能对电动汽车的使用成本、节能和安全性至关重要。荷电状态(state of charge,SOC)作为电池特性最主要的影响因素，一直是电池管理中的研究热点。但是影响动力电池的因素很多，各因素之间关系十分复杂，且都具有时变、非线性等特点[1]。作为动力电池的内特性，不可能直接进行测量，只能通过对电压、电流、温度等一些直接测量的外特性参数来估计。研究者提出了不同的方案来实现测量，但各种方法都有其局限性，难以实现在线估计[2-3]。近年来，提出了一种智能化方案来估算电池容量，适合于的在线估计，一些成功的案例通过建立神经网络来学习放电曲线的特征，证明了使用神经网络估算剩余容量的可行性[4]。这种方法的主要优势表现为学习收敛速度快、抗干扰能力强和精度高。BP神经网络是至今为止应用最为广泛的神经网络，具有结构简单、非线性强、鲁棒性好、精度高等特点[5]，然而，传统BP算法只是考虑了单一条件下的学习模式，在测量过程中，遇到条件改变时，所测得的值与实际值将会出现较大偏差。

然而，电池在正常使用过程中，总电量不是固定的，同时，为了保护电池的寿命以及确保电池处于良好的性能状态，人们一般不会把电池使用到不能放出电量为止。

本文结合实际，研究了有效电量、电池衰老及环境温度这3个影响电池的主要因素，建立了一个实用性强的18650动力电池动态模型，以便简单合理地反映电池的当前状态及使用情况。即：

2 电池单体测试与算法模型的建立

本文以电量为1.3Ah、额定电压为3.7V的18650动力电池单体为测试对象。图1是电池在恒流放电过程中电压与剩余电量的关系，当电压降到约3.3V时，曲线会进入到一个迅速下降的阶段，俗称“马尾曲线”。原因是进入拐点后，电池内部的极化阻抗增大，使电池输出效率降低，进入过放电状态。在过放电过程中，容易给电池的负极带来不可逆的化学反应，对电池寿命带来极大的负面影响。因此在日常使用中，要尽可能避免发生过放电情况，于是将电池从拐点电压开始放出的总电量称为保护电量，即进入拐点后，值为0%。

图1 恒流放电过程中电压与剩余电量的关系

图2是电池在常温和不同循环次数下的充放电曲线。随着循环次数不断增加，电池的总电量持续下降。当循环次数从0变化到200次时，充放电曲线吻合较好，说明这段区间内衰老速度较小；当循环次数大于200次后，衰老速度明显加快；当循环次数大于500次时，总电量不足初始总电量的1/5，电池老化严重。根据图中各曲线分析，可以将循环次数对的影响划分为0～200次、200～300次、300～400次，400～500次4个阶段。

图2 常温不同循环次数下的充放电曲线

图3给出了不同温度下的电压与放电电量关系。为了确保电池有较好的使用性能和安全性能，本文只研究了0～50℃的温度范围。当外界温度处于25℃以上时，电压与放电电量曲线基本吻合，说明在这段区间内电池具有良好的稳定性。而当温度低于10℃后，电池性能明显降低。这是因为在低温状态下，电池内部材料的活性降低，内阻变大，影响了电池的总电量。根据图中各曲线分析，可以将外界温度对的影响划分?为0～10℃、10～25℃、25～50℃这3个阶段。

图3 不同温度下电压与放电电量的关系

表1 外界温度和电池衰老对电池SOC值影响的条件划分

BP神经网络是通过对样本的“学习和训练”即可建立输入和输出的关系，学习过程是用算法对权值和阀值进行调整的过程；训练过程是对学习过的网络进行传播和误差输出计算，并决定是否继续进行学习。训练结束后，可对于外部激励给出相应的输出，因此可以实时反映电池动态特性。一组样本数据对应一种输入与输出的对应关系，即对应一种BP神经网络。

本文利用Matlab工具设计了一种2个输入、1个输出的BP神经网络模型。如表2所示，通过12种条件下采集的样本数据分别对BP神经网络模型进行训练，可得到12种BP神经网络，进而得到了一种新的估算模型。

表2 BP网络与外界条件的关系

3 实验结果和讨论

将电量为1.3Ah、额定电压为3.7V的18650动力电池单体处于条件(1,1)下进行恒流放电实验，将电压、放电电量的实测值作为数据源样本。从这些数据样本中抽取数据作为训练数据样本，其中输入为电压和放电电量，期望输出为该条件下考虑了有效电量对电池值影响后的值。

图4 工作流程

图5 均方误差与训练次数的关系

图5是均方误差与训练次数的关系图。从图中结果可以看出，样本数据在BP神经网络模型中训练时，训练次数不到500次时，均方误差便小于0.0001，训练2000次后，均方误差基本没有变化，说明此次设计的改进型BP神经网络误差收敛速度很快。

图6是实验测试结果与模型测试结果的对比图，从图6可知，实验测试结果曲线与模型测试结果曲线基本吻合。同时，在实验测试结果的曲线中，当电压小于3.35V时，值为0%，这是因为该条件下的保护电压为3.35V，为了避免电池出现过放电现象，当电池电压小于保护电压后，对应的剩余电量为保护电量，这说明建立的估算模型实用性较强。

图6 实验测试结果与模型测试结果对比

在条件(1,1)下得到的样本数据训练出来的BP神经网络，对应为估算模型中的BP(1,1)，其他条件下的BP神经网络同理可得。

将循环次数为375次的电池置于30℃环境温度下进行恒流放电实验，将其电压、放电电量作为测试数据源。在传统方法中，是对单一条件下数据进行训练得到的BP网络算法，即对应为BP(1,1)神经网络。依据改进的估算方法，通过对温度和循环次数的条件进行检索，选取了相匹配的BP(1,2)神经网络；分别将测试数据源置入BP(1,1)和BP(1,2)进行计算，得到两种不同的输出结果。从图7明显看出，传统模型下测得的曲线与实验测试结果曲线偏离较大，说明传统模型的误差较大，而改进模型结果曲线与实验测试结果曲线比较吻合，说明改进模型的误差较小，从而验证了新的估算模型具有较强的精度和实用性。

图7 不同模型结果与实验测试结果的对比

4 结束语

[1]PILLER S,PERRIN M,JOSSENA.Methods for state-of-charge determination and their applications[J].,2001,96(1):113-120.

[2]夏正鹏,汪兴兴,倪红军,等.电动汽车电池管理系统研究进展[J].电源技术,2012,36(7):1052-1054.

[3]SNIHIR I,REY W,VERBITSKIY E,et al.Battery open-circuit voltage estimation by amethod of statistical analysis[J].Journal of Power Sources,2006,159(2):1484-1487.

[4]罗玉涛,张宝觉,赵克刚.基于神经网络的动力电池组辨别方法[J].电源技术,2007,31(11):914-917.

[5]王伟.人工神经网络原理—入门与应用[M].北京:北京航空航天大学出版社,1995:67-89.

Modeling and estimation study on 18650 power battery

WANG Zeng-hong,PAN Yong,LI Xu-jun,LEI Wei-xin,PAN Jun-an

In order to achieve accurate on-line estimates on state of charge()of 18650 power battery,the effective power,cell aging and temperature influence were studied,and then the ambient conditions were divided into 12 kinds of situations.Meanwhile,a BP（Back Propagation）neural networkmodel was established by training at 12 different kinds of conditions,and a conditional search basedestimationmodel was established to adapt to differentmeasurement conditions.The improved estimationmethod was of better accuracy and practicability compared with the traditionalmethod.

18650 power battery;SOC;BP neural network;conditional search;effective power

TM 912

A

1002-087 X(2014)10-1809-03

2014-03-12

湖南省科技厅项目(2012GK4008)

王增红(1985—)，男，湖南省人，硕士研究生，主要研究方向为电池管理系统智能控制算法。