基于神经网络控制的快速充电方法探究

高金辉， 杨艳茜， 郑晓彦

(1.河南师范大学物理与电子工程学院，河南新乡453007；2.河南广播电视大学，河南郑州450008)

基于神经网络控制的快速充电方法探究

高金辉1， 杨艳茜1， 郑晓彦2

(1.河南师范大学物理与电子工程学院，河南新乡453007；2.河南广播电视大学，河南郑州450008)

随着蓄电池的广泛应用，对其充电方法的研究也不断深入，并取得了较多的科研成果，但是快速充电技术仍受到多方面的制约。提出了以神经网络算法和传统控制器相结合的智能充电技术，以BP网络算法训练神经网络。由于神经网络的自适应性，控制过程不依赖于模型，因此能对复杂的非线性、不确知的充电过程进行实时修正，并将此种方法应用于阶段充电法，通过仿真对比，证明了智能充电的有效性。

快速充电；神经网络；PID控制；BP算法；阶段充电法

近段时间以来环境污染越来越严重，全国各地PM2.5和PM10不断爆表，空气质量不断下降。随着车辆的日渐增多，汽车尾气排放成为一大污染源，为了我们生活的环境，使用环保节约的电动汽车是我们迫切需要的方式。而在中小城市中，电动自行车也已基本取代了自行车成为人们出行的主要代步工具，这两种新的代步工具的动力基本来源于蓄电池。现在采用的常规蓄电池充电方法在充电时间上普遍较长，不但延长了检测时间，而且限制了人们的使用，车主便对充电的快捷性和方便性提出了越来越高的要求。因此，在国内蓄电池技术的研发与应用中，随时充电和快速充电方法的研究占据重要的地位。本文论述了现有的充电方法，提出了一种结合神经网络的快速智能充电思路。

1 电池快速充电

对蓄电池而言，要实现快速、高效、无损的充电过程，一要提高充电速度，这是快速充电的先决条件；二要保证充电质量，只有合理的充电过程才不致折损电池的使用寿命。

1.1 理论依据

美国科学家马斯在大量的实验与研究的基础上提出了电池的“最佳充电曲线”，即著名的马斯三定律。它指出在蓄电池的整个充电过程中，若实际充电电流无限接近最佳充电曲线上的可接受充电电流，充电速度将明显加快，析气率也将控制在相对较低的范围内，这就是电池快速充电技术的理论依据。因此，快速充电过程要尽量满足马斯三定律，也就是充电电流的大小要能动态跟踪可接受充电电流的变化规律。

研究表明，蓄电池可接受的充电电流可以用图1所示的指数曲线表示，其函数表达式为：

图1 最佳充电电流曲线

1.2 快速充电方法比较

为了有效加快蓄电池的充电速度，缩短充电时间，并减轻极化现象，从而全面提升能量的使用效率，国内外一直不断加强对蓄电池快速充电方法的研究与实践。目前，国内蓄电池快速充电方法主要有以下几种[1]：

(1)常规充电方法：主要包括恒流充电法、恒压充电法和阶段充电法。其中，恒流充电法和恒压充电法由于其本身的缺点很少采用，阶段充电法比前两种常规充电法速度快，且析气量小，但是不易控制，前后两端包含恒流充电和恒压充电的缺点。

(2)脉冲充电方式：首先用脉冲电流对电池充电，然后停充一段时间，如此循环。这种充电法能够打破蓄电池充电曲线的限制，提高充电接受率，从而大大缩短充电时间，但是能量转换效率低，易造成极板活性物质脱落。

(3)间歇充电方法是建立在恒流充电和脉冲充电的基础上的一种快速充电方法。这种方法析气量少，能量效率高，速度快，但是控制硬件复杂，难以精确控制。

(4)智能充电法将一些智能技术和充电技术结合起来，以达到安全、可靠、省时、节能的充电过程，但是实现起来比较困难。随着近年来人工神经网络的发展，利用神经网络的自适应性，实现智能化充电成为一种新的方法和趋势。

2 神经网络及其应用

人工神经网络是由大量处理单元经广泛互连而组成的人工网络，是一个自组织、自适应的非线性动力系统，具有大规模并行协同处理能力，较强的容错能力、学习能力和联想能力，可以充分逼近任意连续有界非线性函数。

2.1 神经网络的应用

蓄电池具有非线性和分散性，而且每个电池的类型、容量、使用状态和保养均有差异，充电过程也不尽相同，因此很难以一种确定的充电方式或者一种精确的模型适用于所有蓄电池的充电，而具有自学习功能的神经网络通过训练学习可以实现对充电过程中蓄电池的电流、电压及温度变化的动态跟踪和实时校正。基于这种情况，本文提出一种新的以神经网络算法控制的快速充电方法，对充电过程进行实时修正，动态跟踪最佳可接受充电电流曲线，以保证安全、快速、高效的充电。

2.2 神经网络PID控制器设计

PID控制结构简单、实现容易且能对很多工业现象进行有效控制，因此成为工业控制过程中的一种常用控制方法。但当被控对象具有复杂的非线性特性时，常规PID控制难以建立精确的数学模型，不能达到满意的控制效果。针对上述常规PID控制的局限性，结合神经网络自身的优点提出一种控制策略——神经PID控制[2]。

神经PID控制的结构如图2所示，包含两个神经网络：一个系统在线辩识器——NNI；一个自适应PID控制器——NNC。在这个系统中，由NNI进行在线辨识，通过对NNC的权系实时调整，使系统具有自适应性，从而实现对蓄电池的有效控制。

2.3 学习算法的选取

BP网络和RBF网络是应用最为广泛的神经网络模型，他们均可近似任何连续的非线性函数，且RBF网络的逼近性能高于传统的BP网络，但是通过对比研究发现，在相同的样本和精度要求下，RBF神经网络的复杂度要高于BP网络，为了快速充电的目的，NNI选用三层BP网络实现，如图3所示，非线性作用函数选用S型函数。

图2 神经PID控制框图

图3 BP网络结构模型

BP网络具有一层隐含节点，由于同层节点无任何耦合，所以从输入到输出是建立在梯度下降法基础上的非线性映射。

神经PID控制采用PID控制算法，若控制系统输入、输出采样序列为，系统误差为，则线性神经元NNC的输入为：

控制器输出为：

本控制器不需要被控对象精确的数学模型，并且可根据控制中的结果进行自学习，不断提高自身的适应性：先以马斯三定律进行网络训练，使控制器对论域内的任意输入都能以联想记忆的方法得到相对应的控制输出，鲁棒性强，能很好地满足系统的要求。

2.4 充电主电路分析

主电路采用AC-DC-DC变换电路，AC-DC部分通过变压器进行降压后整流得到直流电压U1。图4为AC-DC降压整流电路。

经过对几种方案的比较[4]，DC-DC部分采用Buck/Boost双向功率传输电路，如图5所示。当对蓄电池充电时，全控器件Q2关断，直流电压U1经过Q1、D2和L组成的Buck电路，并通过控制Q1的通断来控制输出电压的大小，从而控制蓄电池的充电电流和电压。当蓄电池需要去极化放电时，Q1关断，通过控制由Q1、L和D1组成的Boost电路对电容C1充电。当蓄电池去极化结束转入充电时，由于C1储存有去极化放电时的能量，电容两端电压很高，因此，C1又通过Buck电路将所储存的能量释放给蓄电池，当C1的电压低于设定值时，整流电路工作，由充电装置向蓄电池充电[5]。

图4 AC-DC降压整流电路

图5 DC-DC可逆电路

2.5 仿真结果及分析

在综合考虑现有充电方法和实验室条件的基础上，选用阶段充电法对蓄电池充电；以电流、电压和温度作为控制系统的三个输入；以12 V/3 A的蓄电池为实验对象；以1C的起始电流充电；由于电池充电器工作的最佳温度为25℃，而在0℃以下和45℃以上充电状况不佳甚至会影响电池的使用寿命，我们以此设置系统的限制温度。运用Matlab软件按照上述设计进行建模和仿真，可以得到一般定时器控制的充电电流曲线图和基于神经PID控制的充电电流曲线图[3]，如图6、7所示。

由上面两个仿真结果可以得出：定时器控制的阶段充电法虽然较易实现，但是无法动态跟踪电池的实际充电情况，导致充电过程中电流电压同步性较差。而神经智能控制下的阶段充电法电流分段数增加，梯度下降幅度减小，实际充电电流曲线更加接近最佳充电电流曲线。

图6 阶段充电电流曲线

图7 神经PID控制的阶段充电电流曲线

3 结论

采用本文所设计的神经网络控制策略，电池的实际充电电流曲线更加接近于最佳充电电流，实现了蓄电池的智能化快速充电，加之以温度控制的保护策略，保证了充电过程的安全性，延长了电池的使用寿命。

[1]王源.电动汽车用动力铅酸电池快速充电技术研究[D].哈尔滨：哈尔滨工业大学，2006.

[2]徐丽娜.神经网络控制[M].哈尔滨：哈尔滨工业大学出版社，1999.

[3]刘华栋，艾德峰，孟德荣.基于模糊神经网络的铅酸蓄电池快速充电系统设计[J].电源技术应用，2010,9(13):24-27.

[4]李敬兆.采用神经网络预测和变结构模糊控制的铅酸蓄电池最优充电技术研究[D].合肥：合肥工业大学，2003.

[5]HSIEH G C,CHEN L R,HUANG G S.Fuzzy-controlled Li-ion battery charge system with active state-of-charge controller[J].IEEE Transactions on Industrial Electronics,2001,48(3):585-589.

Research of fast-charging method based on neural network control

With the extensive use of storage battery,more and more deeply research of its charging methods were acquired up.Many scientific research achievements were achieved.But fast charging technology was still restricted by many aspects.An intelligent charging technology by combine Neural Network Algorithm with the traditional controller was put forward.Because NNC didn't depends on the mathematical models,it could do the real-time correction in the complicated,nonlinear uncertain charging process,so this new method was put into section of charging.Via compare the simulation results,the efficient,rapid and non-loss battery charging were realized.

fast charging；neural network；PID control；BP algorithm；section of charging method

TM 912

A

1002-087 X(2016)03-0597-03

2015-08-12

河南省重点科技攻关项目(132102210043)

高金辉(1962—)，男，河南省人，教授，硕士生导师，主要研究方向为新能源系统控制及电路系统设计。