為提升新能源汽車的整車動(dòng)力性,、經(jīng)濟(jì)性以及安全性,，更精確估算車用鋰電池的荷電狀態(tài)值(SOC)，以純電動(dòng)汽車動(dòng)力鋰電池為研究對(duì)象,，采用遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò),解決了誤差逆?zhèn)鞑ゴ嬖诘氖諗克俣嚷?、全局范圍搜索能力弱、容易陷入局部極小值等缺陷,，同時(shí)建立了基于GA-BP算法的SOC值預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型,，通過仿真實(shí)驗(yàn)與傳統(tǒng)BP算法進(jìn)行對(duì)比，驗(yàn)證該算法兼顧神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度,、誤差小,、全局搜索能力并滿足動(dòng)力電池SOC值估算要求。
中文引用格式： 俞美鑫,，施衛(wèi),，蔣龍，等. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力鋰電池SOC估算[J].電子技術(shù)應(yīng)用,，2020,，46(1)：104-107，112.英文引用格式： Yu Meixin,，Shi Wei,，Jiang Long,，et al. SOC estimation of power lithium battery based on GA-BP neural network[J]. Application of Electronic Technique，2020,，46(1)：104-107,，112.
隨著能源危機(jī)和環(huán)境問題的日益嚴(yán)重，近些年來世界各國(guó)紛紛加大力度發(fā)展新能源汽車,，以減少對(duì)環(huán)境污染和對(duì)化石燃料的依賴,。鋰離子電池作為電動(dòng)汽車主流的儲(chǔ)能元件，其性能直接影響整車性能的表現(xiàn)[1] ,。而動(dòng)力電池為電動(dòng)汽車系統(tǒng)的關(guān)鍵部件,，以磷酸鐵鋰為正極材料的鋰電池因其高能量密度及耐高溫性能等優(yōu)點(diǎn)得到了廣泛的運(yùn)用。電池荷電狀態(tài)（SOC）是顯示電池運(yùn)行狀態(tài)的重要參數(shù),，決定了電動(dòng)汽車的可續(xù)駛公里數(shù),，國(guó)內(nèi)外目前已經(jīng)取得了海量的研究成果，如安時(shí)計(jì)量法,、開路電壓法放電試驗(yàn)法[2] 等,。這些方法的實(shí)現(xiàn)需要電池長(zhǎng)時(shí)間靜置或要求電流變化幅度不大的情況下方能得到精準(zhǔn)數(shù)據(jù)。 動(dòng)力鋰電池內(nèi)部復(fù)雜的電化學(xué)反應(yīng)和運(yùn)行狀況中不斷變化的各類因素之間的非線性關(guān)系致使傳統(tǒng)SOC值估算方法存在較大誤差,。而BP神經(jīng)網(wǎng)絡(luò)算法是一種模擬人腦學(xué)習(xí)技能的新型算法,，無需建立準(zhǔn)確的數(shù)學(xué)模型，通過分析輸入量和輸出量之間的對(duì)應(yīng)關(guān)系,，為輸出量建立模型,。因BP神經(jīng)網(wǎng)絡(luò)是基于誤差逆向傳播的多層前饋網(wǎng)絡(luò)特性[3] ，該算法收斂速度較慢且易陷入局部極小化,。而遺傳算法(GA)則是一種通過模擬自然界的選擇與生物進(jìn)化機(jī)理來尋找最優(yōu)解智能算法,，具有較強(qiáng)的收斂性和魯棒性，它與神經(jīng)網(wǎng)絡(luò)相結(jié)合恰好可以完美解決易陷入局部最優(yōu)點(diǎn)的問題,，并能明顯加快網(wǎng)絡(luò)收斂速度,。 GA-BP神經(jīng)網(wǎng)絡(luò)
1.1 GA算法
遺傳算法(Genetic Algorithm，GA)是模擬生物在自然環(huán)境中的遺傳和進(jìn)化的過程而形成的自適應(yīng)全局優(yōu)化搜索算法[4],。遺傳搜索算法可同時(shí)處理群體中的多個(gè)體以達(dá)到快速優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,，從而使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測(cè)函數(shù)輸出。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的要素包括群種初始化,、適應(yīng)度函數(shù),、選擇操作、交叉操作和變異操作[5] ,。 1.1.1 種群初始化
個(gè)體編碼方式為實(shí)數(shù)編碼,，每個(gè)實(shí)數(shù)作為一個(gè)染色體的一個(gè)基因位，可免去編碼解碼步驟，便于遺傳操作簡(jiǎn)化,。實(shí)數(shù)串分為四部分,，分別為由輸入層至隱含層權(quán)值W1 、隱含層至輸出層權(quán)值W2 ,、隱含層閾值B1 ,、輸出層閾值B2 。 1.1.2 適應(yīng)度函數(shù)
由個(gè)體得到BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值,，再用訓(xùn)練數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后預(yù)測(cè)系統(tǒng)輸出,，將期望輸出與預(yù)測(cè)值之間的誤差絕對(duì)值記作個(gè)體適應(yīng)度F，如式(1)所示：
其中n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)個(gè)數(shù),，yi 為i點(diǎn)期望輸出值,，oi 為i點(diǎn)預(yù)測(cè)輸出值，k為系數(shù),。 1.1.3 選擇操作
此方案選擇的輪盤賭法是在適應(yīng)度比例的選擇策略下完成的,，單個(gè)個(gè)體被選擇的概率pi 如下：
式中，神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的適應(yīng)度值為Fi ,，種群個(gè)體數(shù)目設(shè)定為N。 1.1.4 交叉操作
因個(gè)體使用實(shí)數(shù)編碼,，故選擇實(shí)數(shù)交叉法,，第L個(gè)染色體al 和第K個(gè)染色體kl 在j位的交叉操作情況如：
1.1.5 變異操作
隨機(jī)抽取個(gè)體i的第j個(gè)基因變異，變異結(jié)果如式(5)所示：
式中,，amin 為基因aij 的下限值,，amax 為基因aij 的上限值，0≤r≤1,。 1.2 BP神經(jīng)網(wǎng)絡(luò)
BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是由輸入層,、輸出層和隱含層構(gòu)成的，具有“信號(hào)向前傳遞,、誤差反向傳播”的網(wǎng)絡(luò)模型特征[6] ,，是一種前饋型多層感知器。在信號(hào)向前傳遞中,，輸入信號(hào)從輸出層經(jīng)隱含層逐次處理,，直至輸出層每一次神經(jīng)元狀態(tài)會(huì)影響下一層神經(jīng)元狀態(tài)，如若輸出層得出數(shù)值與期望值不同,，則轉(zhuǎn)入反向傳播階段,，再根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)的閾值和權(quán)值，從而使BP神經(jīng)網(wǎng)絡(luò)輸出層不斷向期望值逼近[7] ,。汽車動(dòng)力鋰電池的SOC值與放電電流,、電池電壓、電池正極溫度均存在非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)首先使用經(jīng)遺傳算法優(yōu)化后的輸入輸出參數(shù)對(duì)其進(jìn)行訓(xùn)練,，再通過訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的輸出值,，判斷誤差范圍是否在合理區(qū)間內(nèi)，最終確定該算法在動(dòng)力電池SOC值預(yù)測(cè)上的可行性,。 建立GA-BP算法的動(dòng)力電池SOC估算模型必須分別確定BP神經(jīng)網(wǎng)絡(luò)和遺傳算法中的各設(shè)計(jì)參數(shù),。 2.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與GA-BP運(yùn)算參數(shù)確定
在建立BP神經(jīng)網(wǎng)絡(luò)前，首先建立網(wǎng)絡(luò)結(jié)構(gòu)框架,。根據(jù)理論研究表明,，在兩組非線性相關(guān)的輸入和輸出數(shù)據(jù)中，若其他各條件選擇合理,，一般三層BP神經(jīng)網(wǎng)絡(luò)就能滿足設(shè)計(jì)的精度要求,，同時(shí)輸入與輸出參數(shù)的選擇直接影響神經(jīng)網(wǎng)絡(luò)輸入層與輸出層節(jié)點(diǎn)數(shù)目和變換函數(shù)類型，選擇合理的輸入?yún)?shù)能夠獲得良好的網(wǎng)絡(luò)性能,，同時(shí)可以提高網(wǎng)絡(luò)的訓(xùn)練速度和精度等,，輸入?yún)?shù)的選擇一般遵循的基本原則是選擇對(duì)網(wǎng)路輸出影響大、容易測(cè)量且輸入變量之間無相關(guān)性或相關(guān)性較小的參數(shù),。在汽車動(dòng)力鋰電池SOC神經(jīng)網(wǎng)絡(luò)輸出參數(shù)選擇中,，電池端電壓、電池放電電流和電池正極溫度都可以通過單片機(jī)采集,，CAN數(shù)據(jù)傳輸收集到,，且三者與鋰電池SOC值聯(lián)系緊密，故將動(dòng)力電池的電壓,、溫度,、電流作為神經(jīng)網(wǎng)絡(luò)三個(gè)輸入變量，鋰電池的SOC值作為BP神經(jīng)網(wǎng)絡(luò)的唯一輸出端變量,。從而訓(xùn)練樣本可以表達(dá)為[V I T SOC]的向量形式,，V為電池端電壓、I為電池充放電電流,、T為電池正極溫度,、SOC為剩余電量[8] ，如圖1所示,。
BP神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)可根據(jù)一般經(jīng)驗(yàn)確定,，通過試驗(yàn)得到一個(gè)較合理的結(jié)果。常用經(jīng)驗(yàn)公式為：
其中,，m為輸出節(jié)點(diǎn)數(shù),；n為輸入節(jié)點(diǎn)數(shù)；P為隱藏層節(jié)點(diǎn)數(shù),；a為1～10之間的整數(shù),，結(jié)合網(wǎng)絡(luò)預(yù)測(cè)精度,，在這里取a=4，故隱藏層節(jié)點(diǎn)個(gè)數(shù)為6,。 遺傳算法種群規(guī)模設(shè)定為50,，遺傳疊代次數(shù)為100次，變異概率為0.09,，交叉概率為0.4,。 2.2 GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建
GA-BP神經(jīng)網(wǎng)絡(luò)框架構(gòu)建的核心思想就是將遺傳算法的啟發(fā)式尋優(yōu)和全局優(yōu)化特征運(yùn)用于神經(jīng)網(wǎng)絡(luò)閾值和權(quán)值的訓(xùn)練，再通過BP算法的誤差逆?zhèn)鞑ヌ卣鬟M(jìn)一步反饋優(yōu)化,，最終達(dá)到智能尋優(yōu)目的[9] ,。基本結(jié)構(gòu)框圖如圖2所示,。
數(shù)據(jù)采集及試驗(yàn)結(jié)果分析 本文選取的汽車動(dòng)力電池為磷酸鐵鋰電池,，試驗(yàn)平臺(tái)為江蘇理工學(xué)院與中德諾浩公司合作開發(fā)的電池管理試驗(yàn)臺(tái)架，如圖3所示,。
電池放電試驗(yàn)參數(shù)經(jīng)飛思卡爾MC9S12中央處理器運(yùn)算后通過CAN通信協(xié)議傳輸信號(hào),，經(jīng)MCGS組態(tài)軟件實(shí)現(xiàn)電池電壓數(shù)據(jù)采集實(shí)時(shí)更新，如圖4所示,。
電池額定電壓為3.2 V,，額定容量為60 Ah，內(nèi)阻≤2 mΩ,，過充保護(hù)電壓3.65±0.05 V,，放電截止電壓為2.5±0.05 V，放電工作溫度為-20 ℃～60 ℃,，充電工作溫度為-10 ℃～55 ℃[10] 。在額定溫度(20±5 ℃)情況下,，先用1/3C(20 A)恒流充電,，電池電壓到達(dá)3.65 V時(shí)靜置2小時(shí)，放電過程分別采用1/3C,、1/2C的放電電流進(jìn)行放電試驗(yàn),，到達(dá)設(shè)定時(shí)間后停止放電，在放電時(shí)段分別隨機(jī)采集電池的放電電流,、電壓,、溫度、剩余電量值,，歸一化處理制作成樣本數(shù)據(jù),，如表1所示。
選取1至12號(hào)組樣本作為訓(xùn)練樣本數(shù)據(jù),，13至16組用作測(cè)試樣本數(shù)據(jù),，運(yùn)用MATLAB工具箱搭建網(wǎng)絡(luò)模型，通過樣本學(xué)習(xí)得到最優(yōu)化的閾值和權(quán)值，帶入兩組測(cè)試樣本中測(cè)試該算法的可行性[11] ,。設(shè)置已使用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率為0.01,，均方差為0.000 001，迭代次數(shù)為5 000次,。將隨機(jī)初始BP神經(jīng)網(wǎng)絡(luò)與經(jīng)遺傳算法優(yōu)化過的權(quán)值和閾值兩種情況下的訓(xùn)練誤差曲線做對(duì)比[12] ,，如圖5、圖6所示,。
明顯看出經(jīng)GA-BP算法優(yōu)化過的網(wǎng)絡(luò)當(dāng)訓(xùn)練次數(shù)接近6次時(shí),，誤差很小且已達(dá)到目標(biāo)要求精度。遺傳算法優(yōu)化過程中適應(yīng)度變化過程和GA-BP算法的訓(xùn)練狀態(tài)圖如圖7,、圖8所示,。
隨機(jī)抽取測(cè)試樣本中的兩組電池試驗(yàn)數(shù)據(jù)，將電池SOC的實(shí)際值分別經(jīng)BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)算法仿真后的數(shù)據(jù)進(jìn)行對(duì)比,，如表2所示,。
由表2可知，經(jīng)過遺傳算法訓(xùn)練后的BP網(wǎng)絡(luò)相比誤差逆?zhèn)鞑ニ惴▽?shí)現(xiàn)了對(duì)電池SOC精準(zhǔn)估算,，克服了傳統(tǒng)算法應(yīng)過度依賴建立數(shù)學(xué)模型的弊端,，為實(shí)現(xiàn)動(dòng)力電池SOC的精確估算提供了一種新途徑。 本文選用運(yùn)用于純電動(dòng)汽車的60 Ah的磷酸鐵鋰鋰電池為研究對(duì)象,，針對(duì)影響電池SOC值的復(fù)雜非線性關(guān)系影響因素,，提出了將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，提升收斂速度和迭代過程的平穩(wěn)性,，從而達(dá)到迅速獲取權(quán)值和閾值的目的,，并在所得試驗(yàn)數(shù)據(jù)的基礎(chǔ)上進(jìn)行仿真試驗(yàn)，驗(yàn)證了GA-BP神經(jīng)網(wǎng)絡(luò)算法在動(dòng)力鋰電池SOC估算中具有良好的全局搜索能力,、高度的魯棒性優(yōu)勢(shì)和準(zhǔn)確性,。 參考文獻(xiàn)
[1] 孫濤，龔國(guó)慶,，陳勇.鋰電池參數(shù)辨識(shí)模型的設(shè)計(jì)與研究[J].電子技術(shù)應(yīng)用,，2019，45(3)： 127-130.
[2] 李世光,，汪洋,，王建志，等.基于改進(jìn)EKF算法的鋰電池SOC預(yù)估研究[J] .電子技術(shù)應(yīng)用,，2017,，43(9)： 87-89，97.
[3] 劉冰,，郭海霞.MATLAB神經(jīng)網(wǎng)絡(luò)超級(jí)學(xué)習(xí)手冊(cè)[M].北京： 人民郵電出版社,，2014.
[4] 包子陽,，余繼周，楊杉.智能優(yōu)化算法及其MATLAB[M].北京： 電子工業(yè)出版社,，2018.
[5] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分[M].北京： 北京航空航天大學(xué)出版社,，2010.
[6] 呂聰穎.智能優(yōu)化方法的研究及應(yīng)用[M].北京： 中國(guó)水利水電出版社，2014.
[7] 趙剛,，孫豪賽,，羅淑貞.基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池SOC估算[J].電源技術(shù)研究與設(shè)計(jì)，2016(4)： 818-819.
[8] 周美蘭,，趙強(qiáng),，周永勤.改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)估算磷酸鐵鋰電池SOC[J].哈爾濱理工大學(xué)學(xué)報(bào)，2015(4)： 892.
[9] 黃妙華,，嚴(yán)永剛,，朱立明.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的磷酸鐵鋰電池SOC估算[J].武漢理工大學(xué)學(xué)報(bào)，2014(12)： 790-793.
[10] 高文敬.動(dòng)力電池SOC估算方法研究與BMS開發(fā)[D].淄博： 山東理工大學(xué),，2018.
[11] 程澤華.基于人工神經(jīng)網(wǎng)絡(luò)的MATLAB接觸線磨耗預(yù)測(cè)型研究[D].北京： 中國(guó)鐵道科學(xué)研究院,，2018.
[12] 譚霞.基于GA優(yōu)化的MIV-BP神經(jīng)網(wǎng)絡(luò)連續(xù)血壓無創(chuàng)監(jiān)測(cè)方法研究[D].重慶： 重慶大學(xué)，2018.
作者信息:
俞美鑫,，施 衛(wèi),，蔣 龍，王 浩
(江蘇理工學(xué)院 機(jī)械工程學(xué)院,，江蘇 常州213000)
原創(chuàng)聲明： 此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載。
