运用DE-BP神经网络的混合动力电池SOC预测

林椿松，邓 涛

(重庆交通大学机电与汽车工程学院，重庆 400074)

电池荷电状态量 (state of charge，SOC)是混合动力汽车电池管理系统的重要指标，对电池组寿命以及能量管理策略有重要影响，因此准确估算 SOC 非常关键［1－5］。

SOC估算算法主要有容量积分、电池内阻、开路电压、卡尔曼滤波、神经网络等方法，但是均存在缺点:容量积分法产生的误差会被累积放大;开路电压法简单易行，但在电流波动较大时难以获得理想的效果［6－7］。另一方面，实际应用中电池的工作状态可能是频繁充、放电，电流波动较大，使用传统方法难以准确预估SOC。BP神经网络由于具有较强的泛化能力，在预测方面得到了广泛应用［8－13］，但是简单训练出来的神经网络不一定能得到全局最优解，故需要进一步优化。基于此，本文通过神经网络建立SOC预估模型，并通过全局优化算法——差分进化算法［14－15］优化神经网络权值与阈值，得到最优的SOC预估模型。

1 差分算法

差分进化算法(differential evolution，DE)是一种随机全局搜索算法，其实现步骤与其他进化算法类似，优点在于将一部分个体的差分信息作为个体扰动量，这样不仅能避免因扰动量给定不合适而不能搜索到全局最优的情况，还能自适应调整种群搜索方向。因此，差分算法在理论上优于其他进化算法。同时，进化过程中只需要种群差分信息，设定的参数少，流程简单，相比其他进化算法更容易实现。差分进化算法标准流程如图1所示。

图1 差分进化算法标准流程

差分进化算法中变异的数学描述为

交叉的数学描述为

选择策略为贪心法则，其数学描述为

2 BP-SOC预估模型

当BP神经网络的隐藏层在3层以上时，理论上可以模拟出任何模型，结构简单有效，因而得到了广泛应用，其拓扑结构如图2所示。

图2 BP神经网络拓扑结构

如图2所示，网络分为输入层、隐含层与输出层(其中隐含层可具有多层，但是过多会导致计算复杂以及出现过拟合现象)。将权重与阈值结合建立模拟系统，计算出输出值，再将此值与试验输出值对比计算出误差，根据误差反馈调整权值和阈值，再通过不断学习实现误差平方和最小，以此模拟真实输出值。该方法已得到广泛应用，并取得很好的效果，因此将其应用于SOC预测之中。BP-SOC预测模型从给定工况中采集电池电流、电压、温度及SOC值等4类数据，然后以此作为样本数据输入到BP神经网络之中进行训练，最终得到能够准确预测SOC值的BP网络;然后通过输入实际电池电流、电压与温度值就能快速得出SOC值。由于BP模型预测精度受到初始权值与阈值的影响而不能实现其最佳性能，因此，将差分进化算法应用于权值与阈值的优化中，以期实现其最优预测功能。算法流程如图3所示。

图3 DE-BP-SOC流程

3 试验样本数据采集

采用美国城市道路工况(urban dynamometer driving schedule，UDDS)作为试验工况，采集电池电压、电流、工作温度以及需求功率作为网络输入量，SOC值作为输出，建立BP神经网络SOC预测模型。将整个工况所采集的数据作原始样本，其中前1000个作为训练样本，剩下的作为测试样本，验证训练网络的准确性。试验样本数据如图4所示。

图4 试验样本数据

4 优化算法仿真

根据算法流程，在Matlab中编制算法代码，其中进化种群设置为40，进化代数为60，变异常数为0.8。将采集的样本数据代入算法中进行仿真，得到结果如图5所示。

图5 预测误差与预测结果

由图5可知:DE-BP-SOC算法预测值与试验值变化趋势非常接近，其误差小于3%，预测精度已能满足实际需要，相比于传统SOC预测方法具有更高的准确性。

5 结束语

建立了一种BP-SCO神经网络SOC预测算法，并通过差分进化算法得到了全局最优预测网络。优化结果表明，提出的算法预测效果误差满足需要，能进一步提高SOC预测的精度，为混合动力汽车SOC预测提供了一种有效的解决办法。

［1］程泽，张秋艳，刘继光.基于ICDKF的锂电池SOC在线估计［J］.电源技术，2015(3):518－520.

［2］李国进，董第永，陈双.磷酸铁锂电池的SOC预测［J］.计算机仿真，2015(3):163 －168.

［3］何代杰，王泽京，李庆东，等.微型纯电动汽车电池管理系统的设计与研究［J］.西南大学学报:自然科学版，2012(9):136－140.

［4］仝瑞军.动力锂电池梯次利用的关键技术研究［J］.客车技术与研究，2014(3):30－32.

［5］赵孟娜，米林，冯勇.基于神经网络的二次开发电动汽车电池SOC测试软件设计［J］.四川兵工学报，2012(3):95－98.

［6］彭涛，陈全世.并联混合动力电动汽车的模糊能量管理策略［J］.中国机械工程，2003，14(9):77?80.

［7］周红丽，何莉萍，钟志华，等.电动车用电池动态性能分析及剩余容量预测［J］.计算机仿真，2008，25(1):274?277.

［8］罗建春，晁勤，罗洪，等.基于LVQ-GA-BP神经网络光伏电站出力短期预测［J］.电力系统保护与控制，2014(13):89－94.

［9］安艳秋，陈举华，张洪才.基于进化神经网络的齿轮可靠性预测［J］.山东大学学报:工学版，2002(3):227－231.

［10］马健，盛魁.基于遗传BP神经网络组合模型的中药销售预测研究［J］.河北北方学院学报:自然科学版，2013(4):15－20.

［11］方一新.改进BP神经网络的EMG手指运动识别［J］.激光杂志，2014(9):92 －95.

［12］张兢，杨超，王猛.应用BP神经网络的受精蛋自动识别方法［J］.重庆理工大学学报:自然科学版，2013(7):80－83.

［13］宋超，宋娟.基于遗传算法优化和BP神经网络的短期天然气负荷预测［J］.工业控制计算机，2012(10):82－84.

［14］董宇，杨翊仁，鲁丽.应用有限差分法的轴向流作用下壁板的失稳分析［J］.重庆理工大学学报:自然科学版，2013(9):31 －34.

［15］汪慎文，丁立新，张文生，等.差分进化算法研究进展［J］.武汉大学学报:理学版，2014(4):283 －292.