基于神经网络建模和K―均值算法的电池健康状态评估.doc

基于神经网络建模和K―均值算法的电池健康状态评估 　　摘要： 锂离子宽的电压平台和严重的两端极化不利于SOH的估算，但电池的健康状态对电池寿命有着重要的影响。为了解决锂离子电池寿命预测困难的问题，通过对锂离子电池外特性进行的分析，在安时积分法的基础上，采用BP神经网络算法对锂离子电池进行建模，并将此模型带入K-均值算法中。系统的实现功能是对电池健康状况进行准确的评估。经过实验数据的验证，证明了这种算法的准确度，为电池管理系统稳定工作提供保证。 　　Abstract： The wide voltage platform and the polarization at the ends of lithium ion is bad for the SOH estimation， the health state of battery has an important influence to the battery life-span. In order to solve the prediction difficulties of the lithium ion battery life， the outside features of the lithium ion battery are analyzed. Based on ampere-hour integral method， BP neural network algorithm is used to carry out the modeling of lithium ion battery， and this model is brought into K-Means algorithm. The accomplished function of the system is to accurately evaluate the health state of battery. Through the experimental data validation， the accuracy of this algorithm is proved. It ensures the stable work of battery management system. 　　关键词： 电动汽车；锂离子电池；健康状态；K-均值算法 　　Key words： electromobile；lithium ion battery；health；K-Means algorithm 　　中图分类号：TM912 文献标识码：A 文章编号：1006-4311（2016）02-0102-04 　　0 引言 　　随着世界汽车人均持有量的不断攀升，能源危机越来越威胁着人类，巨大的环境问题和能源问题已成为世界关注的焦点。为了解决这些问题，世界各国特别是汽车工业发达的国家，正致力于“零污染交通工具”的开发，最终电动汽车被推向了历史的舞台。然而电动汽车能否得到大力的推广，很大程度上受到了动力电池的限制[1]。SOH（state-of-health）是用来描述电池寿命的重要参数之一，进而，电池健康状态的预测则是其中一个非常重要的部分。为了在使用安全性的基础上，充分发挥出动力电池的动力性能[2]，因此研究锂离子电池的健康状态具有十分重要的意义。近年来，我国也在积极开展汽车锂离子电池的研究，且在电池研制和电池评估方面取得了一定的成果。本文将分为5个章节来阐述对电池健康状态的预测。 　　1 K-均值算法 　　将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类生成的一组数据对象的结合被称为簇[3]。这些对象不同于其他簇中的对象，但是和同一个簇中的对象彼此相似。K-均值（K-Means）聚类算法是著名的划分聚类分割方法[4]。划分的原理是：随机从数据集中选取K个点，每个点初始的代表每个簇的中心，然后计算剩余各个样本到聚类中心的距离，将它赋给最近的簇，随后重新计算每一个簇的平均值，不断重复，直到相邻两次调整没有明显变化，此时聚类形成的簇已经收敛。算法终止条件：①没有对象被重新分配给不同的聚类。②聚类中心不在变化。③误差平方和局部最小如式（1）[5]： 　　2 建立电池的BP人工神经网络模型 　　国内外对锂离子电池的阻抗状态也有相关研究。电池的老化过程伴随着电池内阻的变化，一般认为电池由于在充放电的过程中发生不可逆的化学变化导致反应的锂离子损失，再加上内部结构的钝化，比如说SEI膜的形成并且增厚，正极和负极的变换等等。因此本文可以通过预测内阻来估算电池的健康状况如式（2）[6]： 　　其中Rnew为崭新的电池的内阻，Rold为完全老化的电池内阻，Rnow为待测电池的内阻。又