锂离子电池SOC估算法方法研究_1000027531841711.pdfVIP

第36卷第03期数字技术与应用Vol.36No.3

March2018

2018年3月DigitalTechnologyApplication2018年第03期

应用研究DOI:10.19695/12-1369.2018.03.50

锂离子电池SOC估算法方法研究

12

黄湘云宋金莲

(1.广东省电子电器研究所,广东广州510400;2.广州番禺职业技术学院机电工程学院,广东广州511430)

摘要:锂电池的荷电状态SOC(StateofCapacity)估算具有重要意义。本文采用神经网络与等压降放电时间法结合,提出了一种SOC估

算方法。本文详细分析了影响SOC的参数及各种估算SOC的模型方法,提出了神经网络与等压降放电时间法相结合对锂电池SOC进行估

算。使用NASA的锂电池充放电实验数据做了SOC的预测,实验结果表明最大预测误差值为3%,估算测试时间为7分钟,证明该算法的有效

性和可行性。

关键词:锂电池；SOC估算；神经网络

中图分类号:TM912文献标识码:A文章编号:1007-9416(2018)03-0099-01

锂电池污染低、能量高、安全性高,已成为电动汽车的主要动力数不作为神经网络的输入参数。放电截止电压每次放电循环中略有

来源。电池荷电状态(StateofCapacity,SOC)是电动车动力电池不同,因此把放电截止电压作为输入参数之一,刚开始放电时的初

系统中最重要的一项性能指标。对锂电池的SOC值进行有效估算是始放电电压也是每次放电循环中都略有不同,所以也列入输入参

动力电池应用和安全性研究的重点难点。锂离子电池的模型主要有数。神经网络的输入层选取等压降放电时间(t)、初始放电电压(Vh)和

两类,一类是依托大量锂离子电池的实验数据,另一类是通过分析放电截至电压(Vl)三个神经元。输出参数是SOC。

锂离子电池的微观电化学特性,借助计算机建立微观模型。常用的隐含层与传递函数的确定:选择简单前馈网络中的BP神经网

SOC估算模型包括RINT模型、THEVENIN模型和PNGV模型等。这路,对非线性函数具有较好的拟合效果。为增加训练精度,隐层设计

些方法受环境和测量条件影响大,估算SOC偏差较大,不适合实际为3层,每层10个神经元。传递函数影响系统的鲁棒性和收敛速度,经

应用。新型的SOC估算方法有人工神经网络法、卡尔曼滤波法、粒子过多次试验,三隐层都选择tansig函数。另外,选取trainbr函数作为

滤波算法等,能更精确地估算SOC,更利于筛选电池。其中,神经网学习函数,最大训练步数设为1000,训练精度设为0.001,训练速度设

络算法用大量数据作为学习样本对网络进行训练。它的黑箱特性在为0.01。

对复杂的电池内部结构和影响因素难以分析的时候具有独特优势。训练样本与验证样本选取:在选取的电池中,5、6、7、18号电池

本文基于NASA提供的数据,选择神经网络模型和等压降放电时间循环次数较多,实验终止时SOC较低,只有60%左右,而36号电池实

法作为SOC的估算方案,锂离子电池放电循环实验数据进行了分验结束SOC较高,约75%,因此把5、6、7、18号电池的数据作为训练样

析