神經網絡建模的電池健康狀態評估范文

本站小編為你精心準備了神經網絡建模的電池健康狀態評估參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：

鋰離子寬的電壓平臺和嚴重的兩端極化不利于SOH的估算，但電池的健康狀態對電池壽命有著重要的影響。為了解決鋰離子電池壽命預測困難的問題，通過對鋰離子電池外特性進行的分析，在安時積分法的基礎上，采用BP神經網絡算法對鋰離子電池進行建模，并將此模型帶入K-均值算法中。系統的實現功能是對電池健康狀況進行準確的評估。經過實驗數據的驗證，證明了這種算法的準確度，為電池管理系統穩定工作提供保證。

關鍵詞：

電動汽車；鋰離子電池；健康狀態；K-均值算法

隨著世界汽車人均持有量的不斷攀升，能源危機越來越威脅著人類，巨大的環境問題和能源問題已成為世界關注的焦點。為了解決這些問題，世界各國特別是汽車工業發達的國家，正致力于“零污染交通工具”的開發，最終電動汽車被推向了歷史的舞臺。然而電動汽車能否得到大力的推廣，很大程度上受到了動力電池的限制[1]。SOH（state-of-health）是用來描述電池壽命的重要參數之一，進而，電池健康狀態的預測則是其中一個非常重要的部分。為了在使用安全性的基礎上，充分發揮出動力電池的動力性能[2]，因此研究鋰離子電池的健康狀態具有十分重要的意義。近年來，我國也在積極開展汽車鋰離子電池的研究，且在電池研制和電池評估方面取得了一定的成果。本文將分為5個章節來闡述對電池健康狀態的預測。

1K-均值算法

將物理或抽象對象的集合分成由類似的對象組成的多個類的過程被稱為聚類。由聚類生成的一組數據對象的結合被稱為簇[3]。這些對象不同于其他簇中的對象，但是和同一個簇中的對象彼此相似。K-均值（K-Means）聚類算法是著名的劃分聚類分割方法[4]。劃分的原理是：隨機從數據集中選取K個點，每個點初始的代表每個簇的中心，然后計算剩余各個樣本到聚類中心的距離，將它賦給最近的簇，隨后重新計算每一個簇的平均值，不斷重復，直到相鄰兩次調整沒有明顯變化，此時聚類形成的簇已經收斂。算法終止條件：①沒有對象被重新分配給不同的聚類。②聚類中心不在變化。③誤差平方和局部最小如式。

2建立電池的BP人工神經網絡模型

國內外對鋰離子電池的阻抗狀態也有相關研究。電池的老化過程伴隨著電池內阻的變化，一般認為電池由于在充放電的過程中發生不可逆的化學變化導致反應的鋰離子損失，再加上內部結構的鈍化，比如說SEI膜的形成并且增厚，正極和負極的變換等等。因此本文可以通過預測內阻來估算電池的健康狀況如式。

2.1神經網絡模型的建立人腦中有1000億個神經元，結構異常復雜。正因為人腦結構錯綜復雜才使得被抽象出來的人工神經網絡具有信息并行處理的能力，自學能力和推理能力。人工神經網絡由大量的神經元連接而成，通過模擬人的大腦神經處理信息的方式，進行信息平行處理和非線性轉換的網絡系統。在其多重分類當中，BP人工神經網絡（BPArtificialNeuralNetworkAlgorithm）是一種多層前饋神經網絡，它的名字源于網絡訓練中，通過調整網絡訓練權值的訓練算法是反向傳播算法（BP神經網絡學習算法）。神經網絡模型的結構一般分為輸入層（輸出實驗數據）、輸出層（輸出預測數據）以及隱含層（對實驗數據的加權處理）。上下層之間實現全連接，在相同層直接無連接，介于輸入層于隱含層神經元之間為網絡的權值，表現為兩個神經元的鏈接強度。通常還在整合信息的過程中添加一個閥值，主要模仿生物必須達到一定的閥值才能被觸發的原理，然后將整合過的信息作為該神經元的輸入。當樣本被提供給神經元后，神經元的輸出值從輸入層經過中間層（隱含層）向輸出層傳播，在輸出層各個神經元獲得輸入響應，遵照減少網絡輸出與實際輸出樣本之間的誤差的方向，從輸出層反向經過各個中間層回到輸入層，逐步修正各個鏈接權值，這種算法被稱為“誤差反向傳播算法”，也叫做BP神經網絡算法[7]。通過以上介紹，本文建立一個典型的3輸入2輸出的人工神經網絡。如果利用電池的外特性參數來充當輸入層，則可以得到基于人工神經網絡的鋰離子電池BP神經網絡模型。如圖1所示為建立的BP神經網絡拓撲結構[8]。

2.2BP人工神經網絡模型的特點BP人工神經網絡充分利用了神經網絡的非線性，自學習性等特點，結合實驗數據來建立各種參數之間的關系。BP神經網絡的訓練機制，不僅適用于機器學習的算法方面，在眾多其他領域也有重要應用，比如用BP網絡解析個人成才歷程，有利于多角度思考問題，避免思維狹隘和定勢，在知識點交叉的十字路口，甚至有意想不到的收獲。

3鋰離子電池的健康評估

根據對鋰離子電池所做的實驗數據，再根據安時積分法算出SOC值，導入到算法中去得到輸出值。然而任何方法得到的結果都會與實際健康狀態結果存在的差距就是預測誤差，預測誤差應該反應出結果的準確性。

3.1鋰離子電池輸入參數的確定對鋰離子電池進行如圖2放電實驗，以5A左右的電流進行放電試驗。利用安時積分法如式（3），算出電池的SOC如圖3。得到電池外特性數據后進行建模。其中，SOC0為充放電起始狀態；CN為電池的額定容量；I為電池電流；η為充放電效率，根據經驗公式，此處取1。

3.2BP人工神經網絡建模結果將電流（I）、SOC、放電深度（DOD）輸入建好的神經網絡模型中預測出開路電壓（OCV）和電池電阻r如圖5-圖10所示?？梢杂^測到預測輸出和期望輸出的開路電壓（OCV）和內阻誤差都很小。當電池老化以后，安時積分法的試用范圍沒有變化，但是對于BP神經網絡算法的影響較大，因為所建立的電池模型參數隨著電池老化的改變而改變，尤其是成組的實驗電池模型產生的累積誤差會使得實驗準確性下降。

3.3利用K-均值算法進行預測將建模以后的輸出開路電壓值和內阻阻值帶進已經編好的K-均值算法里得到如圖11。得到兩個聚類點ctrs1（0.006246,3.2293）和ctrs2（0.006278,3.2343）。

4檢驗預測精度

取100組實驗獲得的內阻數據，利用得到的聚類點放入實驗數據中。觀察聚類的準確度，結果如圖12所示。通過放入的實驗數據和預測的聚類點的組合，發現聚類點可以精確聚類出所要得到的兩個簇。

5結論

針對電池的健康狀態難以評估這個問題，本文設計開發了電動汽車健康評估系統。運用神經網絡建立電池模型，K-均值進行預測。可為目前電動汽車基于外特性來評估健康狀況提供更為準確的條件，從而有效的解決了健康狀態難以評估的問題，同時提供了準確快速的預測方法。①隨著電池不斷地放電實驗，內阻不斷的增大，SOH不斷增大。為了得到準確的SOH值，可以通過預測內阻的變化來預測SOH。②我們觀察到神經網絡建立電池模型誤差能達到0.2%，所以運用神經網絡可以很準確的建立電池模型。③通過實驗數據對得出聚類值的檢驗可以得出，運用K-均值算法可以對電池SOH進行準確預測。

參考文獻：

[1]陳三省.基于動態貝葉斯網絡的鋰離子電池SOH估計[D].杭州電子科技大學，2014.

[2]Zou,Zhongyue,Xu,Jun,Mi,Chris,Cao,Binggang,Chen,Zheng,“EvaluationofModelBasedStateofChargeEstimationMethodsforLithium-IonBatteries”,ENERGIES,5065-5082,Aug2014.

[3]陶新民，徐晶，楊立標，劉玉.一種改進的粒子群和K均值混合聚類算法[J].電子與信息學報，2010，01：92-97.

[4]劉靖明，韓麗川，侯立文.基于粒子群的K均值聚類算法[J].系統工程理論與實踐，2005，06：54-58.

[5]卓金武MATLAB在數學建模中的應用[M].二版.北京：北京航天航空大學出版社，2014.

[6]ZhengChen,BingXia,ChrisMi,andRuiXiong,“LossMinimizationBasedChargingStrategyResearchforLithium-ionBattery”,IEEETransactionsonIndustryApplications,Mar.2015.

[7]譚曉軍電動汽車動力電池管理系統設計[M].廣州：中山大學出版社，2011.

[8]尹安東，張萬興，趙韓，江昊.基于神經網絡的磷酸鐵鋰電池SOC預測研究[J].電子測量與儀器學報，2011，05：433-437。

作者：蘇曉波 孫猛猛 潘二東 舒星 李沛森 張海洋 李曉宇 單位：昆明理工大學交通工程學院