改进的BP神经网络在电动汽车锂电池SOC估算中的研究

李江江，冯丽娟



改进的BP神经网络在电动汽车锂电池SOC估算中的研究

李江江1，冯丽娟2

（1.郑州科技学院电气工程学院，河南 郑州 450064；2.郑州财经技师学院，河南 郑州 450000）

文章利用具有自适应学习率和动量因子的梯度下降法对BP神经网络进行改进，从而对蓄电池的SOC进行估计。利用Matlab神经网络工具箱对该算法进行仿真研究，结果表明，改进的BP神经网络对电动汽车锂电池SOC的预测误差小，收敛速度快，预测结果达到了工业应用的精度要求。

BP神经网络；SOC；估算

引言

电动汽车荷电状态（State Of Charge，SOC）的准确估计对于其续航里程的判断和驾驶员的驾驶计划都具有重大指导意义。BP（Back Propagation）神经网络的可靠性高，广泛应用于智能控制领域[1]。但由于BP神经网络的学习率是固定的且其值一般较小，这导致了网络训练时间长，收敛速度慢的局面，本文提出改进的BP神经网络对电动汽车锂电池SOC进行估算。

1 BP神经网络

1.1 BP神经网络原理

图1 BP网络结构

BP神经网络是一种信息正向传播，误差反向传播的多层前向型网络[2-3]。常见模型结构如图1所示。

（1）第一层（输入层）：

（2）第二层（隐层）：

（3）第三层（输出层）：

1.2 BP神经网络学习规则

神经网络学习规则的实质是通过某些算法不断调整网络的权值，使网络的实际输出接近期望的输出[4-5]。对于BP神经网络而言，网络的权值和阈值的调整是通过“误差反传”的算法来实现的。这里假设网络的输入为=（1，2，……，n）时，网络的实际输出为=（1，2，……，m)，网络的期望输出为=（1，2，……，m)。则定义学习的目标函数为：

对于权值的调整，BP算法通过下式来使目标函数值达到最小：

其中，η为学习率。

具体说来，有：

其中：

2 锂电池放电特性实验

本研究采用12.8V，7.2Ah的磷酸铁锂电池组来替代真实车载动力电池组进行实验，对该电池组进行多次的放电实验，得到了其放电样本数据。其实验步骤如下：

（1）将磷酸铁锂电池组充电至电压稳定时，大约14V。静置1h后以0.38C的放电率恒流放电。

（2）用德康蓄电池修复仪SF100-S的锂电池充放电监测系统记录其放电过程中的电压、电流、电量值等。

（3）采用不同的放电倍率（0.5C，0.75C）重复（1）、（2）步骤。

分别将0.38C、0.5C、0.75C的放电电压和放电量通过计算整理并利用Matlab作图分析，最终得到其放电电压与SOC的对应关系如图2所示。

图2 锂电池放电电压与其SOC的对应关系

由图2知，放电电流越大，其端电压下降较快且保持其荷电状态值不变的时间也将缩短；放电电流越小，电压下降比较平缓，能在长时间内保持其端电压不变。总之，蓄电池的放电电流和电池端电压均与SOC有着密切的关系[6]。

3 系统仿真

本研究利用BP神经网络预测蓄电池的SOC值，将人工神经网络与电动汽车相结合，其算法是通过Matlab软件编程实现的。本研究将采集到的样本数据分为两组，一组用来训练网络，一组用来测试网络预测的能力。这里采用单隐含层的BP网络进行锂电池SOC的预测。由于输入数据是2维的向量，因此，输入层只有2个神经元，则中间层应该有5个神经元。而对于锂电池SOC的预测仅仅只有1个输出，所以，输出层只有1个神经元。因此，该网络结构为2*5*1的结构。

3.1 数据归一化

为了避免由于样本数据和目标数据的数量级差别太大造成网络的预测误差增大，首先对训练样本数据进行归一化处理，这里采用最大最小法对训练样本数据进行归一化，其公式为：

其中，x，x分别为数据序列中的最小数和最大数。

结合BP网络的设计原则且网络输出数据均在[0，1]之间，因此，输出层神经元的传递函数可以采用S型对数函数。

3.2 网络训练与测试

网络利用具有自适应学习速率能力且以梯度下降法进行学习的traingdx函数进行样本训练。训练次数设置为1000次，训练目标设置为0.001，BP神经网络的训练经过141次迭代后，达到了网络训练目标要求的精度。

对于网络的预测能力的测试，将预先留下的一组用于预测网络能力的测试样本数据加入该BP网络，利用已训练完毕的BP网络得到测试样本的预测输出，再与实际的测量值作差得到网络的预测误差值。由于中间层（隐含层）的神经元的数目对网络的预测性能的影响非常大，并且其个数也不容易确定。本研究根据多次试验，得到了中间层神经元数目与预测误差之间的关系，并确定中间层神经元个数为5时，网络的预测误差最小且预测性能最好。

4 结果分析

图3 改进的BP神经网络的SOC预测误差变化

常见的BP神经网络虽然其预测结果在可接受范围内[7]，但是由于学习率是固定的且其值一般较小，这导致了网络训练时间长，收敛速度慢的局面，改进后的BP神经网络加入了自适应学习率和动量因子的梯度下降算法函数traingdx进行网络训练，网络训练时间缩短的同时，自适应性得到提高，且预测SOC结果精度得到进一步的提高，相对误差较低，满足了汽车行驶工况对SOC估算的要求，对于常见的BP神经网络方法对蓄电池SOC的估算，这里以2C放电率为例，随着时间的增长，SOC误差也在逐步增大，最大误差超过6%，已经超出最新标准5%的界限。改进后的BP神经网络不仅收敛速度得到缩短，而且SOC估算误差也有所降低，如图3所示，蓄电池SOC整体估算误差在4%以内，满足现有工况标准。

5 结论

本文利用改进的BP神经网络对电动汽车锂电池的SOC进行预测，将锂电池的放电电压和电流作为网络的训练样本数据，仿真中采用具有自适应学习率和动量因子的梯度下降算法函数traingdx进行网络训练，最终得到了2：5：1的BP网络结构，达到了自适应学习率、预测误差小、收敛速度快的效果，最后与常见BP神经网络方法对蓄电池SOC估算的结果做对比分析，得出改进的BP神经网络的SOC的估算结果精度在4%以内，与之前相比得到了进一步提高，对电动汽车续航里程的判断起到积极作用。

[1] 蔡信,李波,汪宏华,聂亮.基于神经网络模型的动力电池SOC估计研究[J].机电工程.2015(01).

[2] 周美兰,王吉昌,李艳萍.优化的BP神经网络在预测电动汽车SOC上的应用[J].黑龙江大学自然科学学报.2015(01).

[3] 时玮,姜久春,李索宇,贾容达.磷酸铁锂电池SOC估算方法研究[J].电子测量与仪器学报.2010(08).

[4] 尹安东,张万兴,赵韩,江昊.基于神经网络的磷酸铁锂电池SOC预测研究[J].电子测量与仪器学报.2011(05).

[5] 周美兰,赵强,周永勤.改进的PSO-BP神经网络估算磷酸铁锂电池SOC[J].哈尔滨理工大学学报.2015(04).

[6] 陈富安,李江江.汽车用铅酸蓄电池SOC预测研究[J].电源技术,2017,41(04):583-584.

[7] 杜涛,李爱魁,马军,刘飞.动力电池SOC预估方法研究进展[J].电源技术.2015(04).

The improved BP neural network in SOC prediction research of the lithiumbattery of the electric car

Li Jiangjiang1, Feng Lijuan2

( 1.College of Electrical Engineering, Zhengzhou University of Science and Technology, Henan Zhengzhou 450064;2.Zhengzhou Finance and Economics Technician College, Henan Zhengzhou 450000 )

This paper uses gradient descent method with adaptive and momentum factor to improve the BP neural network, and to estimate the battery SOC. Using neural network toolbox of the Matlab simulate algorithm research, the results show that the improved BP neural network for SOC prediction error of lithium battery is small, fast convergence speed, and it can obtain the forecast results of industrial application accuracy.

BP Neural Network; SOC; estimate

TP212.6; U469.72

A

1671-7988(2018)21-19-03

TP212.6; U469.72

A

1671-7988(2018)21-19-03

李江江，河南洛阳人，就职于郑州科技学院电气工程学院，研究方向：电动汽车驱动控制技术、电池管理技术。

10.16638/j.cnki.1671-7988.2018.21.007