车用电池模型研究

李多晴

（重庆交通大学，重庆 400074）

车用电池模型研究

李多晴

（重庆交通大学，重庆 400074）

由于社会和环境的需求，电动汽车市场规模不断扩大，对车用电池的研究也在不断加深。其中，电池模型的研究起着十分关键的作用，它关系到电池系统对SOC、SOH、工作参数曲线等信息的描述准确与否，进而关系到相关控制策略的执行，影响整车的参数和性能。文章介绍了三类电池模型——简化电化学模型、等效电路模型和神经网络模型。简化电化学模型采用数学方法描述电池内部的反应过程，等效电路模型使用电路网络模拟电池动态模型，神经网络模型是利用人工智能的方法模拟电池的运行。神经网络非线性、多输入多输出、泛化能力强的特点，尤为有利于描述电池这一高度非线性系统，是研究和应用的重点。

电动汽车；电池模型；人工智能；神经网络

CLC NO.: U463.6 Document Code: A Article ID: 1671-7988(2015)06-14-03

1、电池简介

电池是一种将化学能转化为电能的装置。目前汽车主要使用的电池有铅蓄电池、镍镉蓄电池、镍氢蓄电池、锂离子电池和燃料电池等。电池系统的性能优劣直接关系到汽车运行状态。然而电池结构、工作特性复杂，要了解电池的SOC、SOH、工作参数曲线等信息，须基于电池模型的建立。

2、电池模型

包括外电压、温度和工作电流等在内的参数是电池可以实时测量的外部特性参数。其中，电池工作电流主要受负载等外部条件控制和影响；电池温度与环境温度、工作电流、通风量和热管理等情况密切相关；电池的外电压包括开路电压、电流内阻上的欧姆压降和极化阻抗上的极化电压。通过建立电池模型，可以明确电池外部电气特性和内部状态的定量关系，进而根据电池的电压、电流、温度等外部变量计算出电池的内部状态。目前对电池研究的主要模型有电化学模型、等效电路模和神经网络模型三类。

2.1 简化电化学模型

简化电化学模型是基于电化学理论，采用数学方法描述电池内部的反应过程。

Peukert模型是Peukert方程基础上建立的。Peukert于1898年提出铅酸蓄电池的容量C或放电时间t与放电电流I之间关系式：Int=k 或 C=KI(1-n)，式中n为与蓄电池结构有关的常数，n=1.15-1.42；K（与蓄电池中活性物质的量有关）为常数。 Peukert方程表明，放电电流越大，蓄电池容量越小（但不适用于放电电流很小的情况）。

Shepherd模型是于1965年由C.M.谢菲尔德(Shepherd)提出的蓄电池端电压估算方程，即，式中，项用于校正初期放电时电压的剧烈下降；Es项代表蓄电池放电初始电压；C（1-SOC）是考虑空载电压随放电程度变化所引入的表达式；Ki（SOC）I用于表示电极板通道引起的压降；RiI项表示欧姆电压损失。Shepherd电池模型基于低电流状况下的恒电流放电研究，但是在电动汽车上，电池通常放电深度都比较低。

2.2 等效电路模型

等效电路模型本质上是电路网络，其电路元件由电阻、电容、恒压源等组成的典型的等效电路模型包括Rint模型、Thevenin等效电路模型、PNGV模型和RC模型。

Rint模型是由美国爱达荷国家实验室（INNEEL）设计的，用理想电压源描述电池的开路电压。Thevenin等效电路模型在Rint模型的基础上增加了一个电容和电阻。当电池有载荷时，其端电压的变化会体现出突变性和渐变性的双重特征；突变性是内阻表现出的特性，渐变性是极化电容表现的特性。PNGV模型是2001年《PNGV电池实验手册》中的标准性能电池的模型，同时也是2003年《FreedomCAR电池实验手册》中的标准性能电池的模型。它是对Thevein等效电路模型的提升，在原来的基础上增加电容，这样就可以更加准确的描述开路电压随负载电流的时间累积而产生的变化。RC模型利用大电容来模拟电池的储能特性，虽然和PNGV模型同是理论推导公式，但是RC模型更能够反映电池在动态工况下的性能。

2.3 神经网络模型

电池是一个高度非线性系统，而神经网络具有非线性、多输入多输出、泛化能力强的优点，这使得神经网络电池模型十分适合模拟电池的外特性。

2.3.1 基于BP神经网络的电池模型

BP网络是一种按误差逆传播算法训练的多层前馈网络。电流输入的BP神经网络模型是典型的三层BP网络，由输入层、输出层和隐含层组成。张万兴在分析动力电池特性的基础上，对某型号磷酸铁锂电池组进行电池组在不同放电倍率下放电、不同SOC下放电和循环工况下放电等试验，采用BP神经网络预测方法，建立了预测电池剩余容量的BP神经网络模型，再用cruise软件对BP神经网络电池模型在某款电动汽车上进行续驶里程仿真，通过与实际值比较，符合设计误差要求。

2.3.2 基于径向基函数神经网络电池模型

径向基函数网络（RBF网络）具有可逼近任意的非线性函数的特性、良好的泛化能力，和很快的学习收敛速度，可以用来分析比较复杂的系统。米林等人研究径向基函数神经网络方法实现对电动汽车动力电池SOC估计，对实验结果进行了分析和总结。实验结果表明: 电池 SOC估计模型可以通过蓄电池的工作电压、工作电流和表面温度参数来估计蓄电池的荷电状态实时值，采用径向基函数神经网络方法可以大大提高 SOC值的精度。

2.3.3 基于PID的神经网络的电池模型

PID神经网络是是一种采用反向学习算法且能以任意精度逼近任意连续变化量动态的前向神经网络，它在神经网络的基本拓扑结构上发展起来的，不同之处是隐含层中融入PID控制规律。胡春华等人通过建立PID神经网络模型，将PID神经网络算法用于磷酸铁锂电池的SOC估算中，通过反向算法学习和训练SOC估算模型，采用前向和反向算法。对电池SOC容量进行估算，最后结果最大相对误差的绝对值处于较理想区间，精度较高。

2.3.4 基于Elman 神经网络的电池模型

Elman网络具有与多层前向网络相似的多层结构，可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，它是由 J. L. Elman提出来的。韩丽等人基于 Elman 神经网络方法电池劣化程度预测建立模型；其次通过遗传算法对预测模型中的初始权值和阈值进行优化；然后根据浅度放电的测量数据进行劣化程度的预测；最后通过和实测数据的对比，该模型对电池劣化程度预测准确度较高。

2.3.5 基于小波神经网络电池模型

小波神经用络是基于小波变换而构成的神经网络模型，即用非线性小波基取代通常的神经元非线性激励函数，而小波变换具有时频局部特性和变焦特性。付主木等基于先进小波神经网络建立电池SOC预测模型，通过数学方法推导证明了小波神经网络的收敛性，并利用大量混合动力汽车动力电池在行驶过程中充放电的运行参数对神经网络进行网络训练，使得模型仿真结果精度有效提高。

3、总结

简化电化学模型的优点是简单易用，缺点是对其他影响电池性能的因素考虑不足，限制了模型在电动汽车中的广泛应用。等效电路模型对于电池的各种工作状态有较好的适用性，并且可以推导模型的状态空间方程，便于分析和应用。神经网络非线性、多输入多输出、泛化能力强的特点很适用于精确描述电池模型，尤其以误差反向传播神经网络（BP神经网络）理论最为完备；虽然具有比前两类电池更为复杂，但是在智能技术不断发展和人类社会对电动汽车电池技术要求越来越来高的大背景下越来越具有发展价值。

[1] 赵航，史广奎.混合动力电动汽车技术[M].北京：机械工业出版社，2012.

[2] 张万兴.电动汽车动力电池剩余电量和续航里程预测研究[D].硕士学位论文，合肥:合肥工业大学，2012.04:29-42.

[3] 米林，赵孟娜，秦甲磊，吴旋.基于径向基函数神经网络的电动汽车动力电池SOC模型[J].重庆理工大学学报（自然科学版），2011,25（10）：11～15.

[4] 胡春花，何仁，王润才，俞剑波.基于PID神经网络的车用锂电池SOC估算[J].汽车技术.2012,10:36-43.

[5] 韩丽，戴广剑，李宁.基于GA-Elman神经网络的电池劣化程度预测研究[J].电源技术，2013.2:249-250，309.

[6] 付主木，赵瑞.基于先进小波神经网络的HEV动力锂离子电池SOC估计[J].东南大学学报（英文版），2012,4：300-204.

Car battery model study

Li Duoqing
(Chongqing Jiaotong University, Chongqing 400074)

As the requirement of society and environment,the scale of electronic vehicle market increase,and so does the research of battery.The research of battery model plays a key roel role among this ,because it has a strong relationship with the accuracy of the description of SOC,SOH and running parameter bight.Forthermore,it relates to the execution of relative control strategy and vehicle parameter and function .This passage introduces 3 battery model——simplied electrochemical model , equivalent circuit model and NNs model. Simplied electrochemical model describes reaction in the battery using math tools, equivalent circuit model simulates dynamic model by electric circuit and NNs model sumulates work of battery using artificial intelligence. Unlinear,multiply-inputed ,multiply-outputed and generalized NNs is specially fit for describing quite unlinear system—battery,so it is a key point for researching and applying.

electric vehicle; battery model; artificial intelligence; NNs

U463.6

A

1671-7988(2015)06-14-03

李多晴，就读于重庆交通大学车辆工程专业，研究方向为新能源汽车。