电动汽车锂离子电池检测技术的研究

马树才，范青，张晓，谢芳

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

马树才1，范青1，张晓1，谢芳2

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

安全、高效的电池是电动汽车的动力源。锂离子电池的荷电状态()是电动汽车能量管理的重要依据，对电动汽车的安全运行有着直接的影响。以磷酸铁锂电池为研究对象，充分考虑电池温度、充放电次数、电池老化等因素的影响，利用BP神经网络构建出锂离子电池预测模型，并经仿真证明了这种方法的精确度和可靠性。

电动汽车；锂离子电池；神经网络；荷电状态

电池是电动汽车的储能单元，其性能对电动汽车的发展具有重要的影响。电动汽车所用的动力电池种类很多，相比较而言，锂离子电池以其工作电压高、质量比能量和体积比能量大、自放电率低、无记忆效应、充放电效率高、循环寿命长和无污染性等优点，被认为是新一代电动汽车的理想动力源。电池的荷电状态()是电池管理系统的重要参数，是整个汽车的充放电控制策略和电池均衡工作的依据，正确地估算对于汽车的安全行驶具有重要的意义。

神经网络法是近几年研究较多的一种方法，它主要利用神经网络的非线性映射能力，而且不必建立精确的数学模型。因此，相对而言，它是一种非常适合于实现值估算的数学方法，但是该方法也存在一些弊端，需要在实际应用中加以改进。

2 基于BP神经网络技术的技术分析

神经网络是人工智能的一个分支，目前应用较多的是BP神经网络。BP神经网络，即误差反向传播算法，可以有效地解决在非线性连续函数求解过程中多层前馈神经网络的权值调整的问题[2]。

如图1所示，BP神经网络由3个部分组成，分别为输入层、隐含层和输出层。输入层由若干个变量组成，在网络中对应的是神经网络中的每一个神经元突触，大量的突触相互作用构成了一个复杂的神经网络输入体系。在值估算过程中，由于主要的预测问题是在不同充电倍率下与电压之间的关系，即=(,)，所以本例中输入变量为两个，矢量表示为[1，2]，1是实验的充电倍率，2是电池工作电压的数值。隐含层是神经网络的核心层，起到计算和调整神经网络权值的作用，以达到神经网络的传导过程极大地贴近实际情况。在隐含层中，存在着两值两函数的计算过程。两值是指网络权值和阈值，阈值决定输入值的范围，从而摒弃掉某次求值过程中的非常规输入，以保证输入值的有效性；权值表示输入层与隐层神经元之间的连接强度，从而决定了每个输入值的权重。两函数是指隐含层的求和单元和传递函数，求和单元是将输入变量利用权值和阈值整合成网络的学习样本初值，以便系统进行有效地训练；传递函数的输入来自于求和单元的输出值，即学习样本初值，这些初值依次输入网络所选的函数中进行计算，计算结果由输出层输出。传递函数的选取有一定的要求，要求该函数是连续或可导的，在实际构建神经网络的过程中，常常采用双曲正切函数tagsig或对数双曲线函数logsig来完成。隐含层节点数的确定需要在样本训练的过程中进行推算，数目太多会延长数据的传导过程，影响网络的收敛性和时效性，节点数太少又会造成网络不能建立复杂的映射关系，使网络培训效果差，容错性不理想，因此，结合实际情况确定隐含层结点数是神经网络准确输出的关键。隐含层节点数的经验公式很多，较常用的方法如式(3)～式(5)所示[3]。

图1 BP神经网络结构

训练好的网络就可以对其它值进行预测了。

3 仿真结果

本例选取1.5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2所示，从图2中可以看出在为0%～80%的范围内，预测绝对误差均在5%以内，预测值与实验值相当吻合，精度很好。

继续选用其它倍率进行实验，结果相同，这说明使用基于BP神经网络建立的预测模型具有良好的适应性，能够有效地通过电池电压来预测电池的值，结果满足精度要求，可以达到预期的目标。

4 总结

图2 25℃1.5倍率下预测值与实验值对比

本文采用BP神经网络来构建预测模型，并利用Matlab平台对预测结果进行了仿真。结果表明，该方法适应性强，能够有效地预测电池电压和值之间的映射关系，精度高，具有一定的推广价值。

本例的实验中只考虑了工作电压、充电倍率等因素，对环境温度、老化程度等其它因素未加考虑。在实际应用中，这些因素也要统筹合理的进行计算，最终达到依据电池实际所处状况进行预测的目的。

[1]李国康，段玲玲，王幼兰.电动汽车锂电池SOC预测方法研究[J].沈阳理工大学学报，2011(2)：5-6.

[2]齐智.利用人工神经网络预测电池SOC的研究[J].电源技术，2005(5)：326-327.

[3]邓华.动态电源管理预测算法研究[D].长沙：中南大学，2012：54-55.

Research on electric vehicles lithium-ion batterydetection technology

MA Shu-cai1,FAN Qing1,ZHANG Xiao1,XIE Fang2

Safe and efficient battery were the power source of electric vehicles.of lithium-ion battery was an important basis for electric vehicle energymanagement,and the safe operation of electric car was directly impacted. The LiFePO4battery was taken as the research object.Under the full consideration of influence to the battery temperature,charge and discharge times,battery aging and other factors,a predictivemodel of lithium-ionbased on BP neural network was built.The accuracy and reliability were proved by simulation.

EV;lithium-ion battery;neural network;

TM 912

A

1002-087 X(2014)10-1812-03

2014-05-10

国家科技部“农村医疗卫生服务平台与应用示范”项目(2012BAH05F04)

马树才(1967—)，男，河北省人，副教授，主要研究方向为电子信息工程。

张晓