基于Kalman滤波和BP神经网络的锂电池单体健康状况估计模型研究

曾迪　汪秋婷

摘 要：本文以磷酸铁锂电池作为研究对象，从单体电池模型的建立与优化入手，分析高容量锂电池模型的参数特征，利用Kalman滤波（KF）和BP神经网络迭代计算模型参数和单体电池SOH值，借助先进测试仪器得到可靠的实验数据，结合仿真手段验证新模型和新算法的可行性与有效性。

引言

锂离子电池的SOH是指在一定条件下电池所能充入或放出电量与电池标称容量的百分比，精确估计电池组SOH值，可以预测电池的剩余可用寿命（Remaining Useful Life， RUL）[1，2]。高容量锂电池属于功率型电池，表征健康状况和容量衰减程度的常用指标包括电池可用容量，直流电阻和交流阻抗[3，4]。当前循环寿命估计方法的研究主要分成两类：一方面，侧重于实用性的估计方法，包括放电试验法、内阻法、电化学阻抗分析等[5]；另一方面，侧重于模型仿真的估计方法，包括耐久性开环电池的方法和基于模型的闭环方法，前者直接预测容量减弱和内阻的变化，后者是在研究电池老化机理的基础上，建立容量衰减与电池内部参数、温度、倍率、放电深度、自放电等参数的函数关系[6]。汪秋婷等提出将抗差无迹Kalman滤波法（R-UKF）应用于电池模型参数的估计过程中。该方法是一种最优化自同归数据处理算法[7]，通过对状态变量进行实时最优估计。本文以磷酸铁锂电池作为研究对象，从单体电池模型的建立与优化入手，分析高容量锂电池模型的参数特征，利用Kalman滤波和BP神经网络迭代计算模型参数和单体电池SOH值，借助先进测试仪器得到可靠的实验数据，结合仿真手段验证新模型和新算法的可行性与有效性。

1 基于KF的单体电池SOH估计

本文提出基于单体电池SOC值的电池组寿命预测方法，该方法将不同采样时间点的端电压值和当前SOC值进行函数联系，并结合D-KF估计电池组模型参数和SOH值。根据等效模型和等效电路方程，电池组电压变化值与SOC值之间的关系式为：

2 基于BP神经网络的单体电池SOH估计

本文设计基于BP网络的Simulink仿真结构如图1所示，锂离子单体SOH估计算法步骤可归纳如下：

（1）初始化，选定一个结构合理的网络，置所有可调参数（权和阈值）为均匀分布的较小数值；

（2）对每个输入样本作前向计算、反向计算和权值修正；

（3）输入新的样本，直到Ep达到预定要求，训练时各周期样本的输入顺序要重新随机排序。

3 实验结果

本文采用KF和BP神經网络两种方法，对磷酸铁锂电池单体SOH值进行估计。其中，通过采集在室温15℃ 下单体电池电流/温度的600组数据。研究了输出电流和工作温度的变化曲线。在仿真实验中BP的三个系数分别为kp=0.2，ki =1，kd =0.3。学习效率η 为0.5，惯性指数α 为0.2，通过对300组输入/输出数据进行训练，用另外的300组数据进行检验。实验结果表明，BP网络控制系统能够很好地通过电堆温度输出理想的电堆温度，相比于KF算法具有更小的超调量和更好的动态响应。

4 结论

本文采用KF算法和BP神经网络算法，对单体电池SOH模型进行建立，并利用磷酸铁锂电池单体电流和温度的数据进行SOH值的估计。结果显示，BP网络控制器的优点是结构简单，参数少，宜于实际的实验操作，并且也能满足实验精度的要求，同时超调量比较小，到达稳定状态所需的时间也较短。控制器充分发挥了可以将锂电池单体的SOH估计结果很好的控制在理想的范围内，满足了系统的稳态和动态性能要求。

参考文献：

[1] Han X B， Ouyang M G， Lu L G， et al. A comparative study of commercial lithium-ion vehicle： Capacity loss estimation[J]， Journal of Power Sources， 2014， 268： 658-669.

[2] Dave Andre， Christian Appel， et. al. State of Health and Charge Measurements in Lithium-ion Batteries Using Mechanical Stress[J]， Journal of Power Sources， 2014， 269： 7-14.

[3] Zheng Chen，Chunting Chri Mi，Yuhong Fu，et al.Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications[J]， Journal of power sources， 2013， 240：184-192.

[4] Yang FF， Xing YJ， Wang D， Kwok-Leung Tsui. A comparative study of three model-based algorithms for estimating state-of-charge of lithium-ion batteries under a new combined dynamic loading profile[J]， Applied Energy 2016，164：387-399.

[5] Guangzhong Dong， Xu Zhang， et al. A Method for State of Energy Estimation of Lithium-ion Batteries Based on Neural Network Model[J]， Energy， 2015， 90（1）： 879-888.

[6] 刘大同， 周建宝， 郭力萌， 彭宇. 锂离子电池健康评估和寿命预测综述[J]， 仪器仪表学报， 2015， 36（1）： 58-61.

[7] 商高高， 朱晨阳. 基于双重卡尔曼滤波器电池荷电状态的估计[J]， 重庆理工大学学报（自然科学）， 2014， 28（6）： 1-7.

作者简介：

曾迪，男，1996-- 出生， 本科生，浙江大学城市学院，主要研究方向为锂电池应用

基金项目：浙江省自然科学基金（LQ16F010004）