基于bp神经网络的锂电池组soc估算

第58卷 第1期Vol. 58 No. 1
2020年1月
January 2020农业装备与车辆工程
AGRICULTURAL EQUIPMENT & VEHICLE ENGINEERING
doi:10.3969/j.issn.1673-3142.2020.01.025
基于BP神经网络的锂电池组SOC估算
贾海峰，李聪
（201620 上海市 上海工程技术大学 汽车工程学院）
[摘要]电池荷电状态（SOC）的精确估计是电动车辆的核心技术之一，对影响电池荷电状态的因素进行
分析归纳后，采用经典反向传播神经网络（BP神经网络）算法的动力电池SOC估计方法。

利用高级车辆
仿真软件ADVISOR对电动汽车典型行驶工况进行模拟，得到动力电池组电压、电流、平均温度和荷电状
态数据，样本数据经归一化处理后导入神经网络模型中训练和测试，结果表明，该算法能有效提高SOC
估算精度，具有较好的收敛性和鲁棒性，SOC估计误差范围能减小到4%以内，满足实际应用的需求。

[关键词] 动力电池组；SOC；估算算法；预测精度
[中图分类号] TM912；U469.72 [文献标识码] A [文章编号] 1673-3142(2020)01-0105-04
SOC Estimation of Lithium Battery Pack Based on BP Neural Network
Jia Haifeng, Li Cong
(School of Automotive Engineering, Shanghai University of Engineering and Technology, Shanghai 201600, China) [Abstract] Accurate estimation of state of charge is one of the core technologies of electric vehicle. After analyzing and summarizing the influencing factors of the charge state of the battery, the SOC estimation method of power battery based on back propagation neural network (BP neural network) was proposed. The ADVISOR, an advanced vehicle simulation software, was used to simulate typical driving conditions of electric vehicles, the voltage, current, average temperature and state of charge data of the power battery pack were obtained. After normalization, the sample data were imported into the neural network model for training and testing. The results show that this algorithm can effectively provide SOC estimation accuracy and has good convergence and robustness. SOC estimation error range can be reduced to within 4%, which meets the need of practical application.
[Key words] power battery pack; state of charge; estimation algorithm; prediction accuracy
0 引言
随着能源危机和环境污染问题日益严峻，发展新能源汽车是行业趋势。

电动汽车作为新能源汽车的主体，电池管理系统是电动汽车的重要组成部分，用于监控电池的状态。

电池荷电状态（SOC）作为电池管理系统的核心功能，反映电池的剩余电量，代表汽车的可续驶里程，研究电池SOC估计问题可为驾驶员提供驾驶参考，具有重要意义。

目前国内外常用的SOC估计方法有以下几种：安时积分法、开路电压法、内阻法、卡尔曼滤波及其衍生算法等[1-3]。

这些方法对模型要求高，而且适用性低。

SOC与电池电压、电流和温度等参数不是线性关系，这给SOC的精准估计带来困难。

神经网络作为一种智能算法，可以逼近多个输入输出参数函数，网络自身具有非线性、容错性和鲁棒性等特点，适用于电池SOC预测[4]。

本文采用经典BP神经网络算法进行SOC估算，建立神经网络SOC估计模型，在MATLAB 中搭建仿真平台，通过导入训练样本数据训练。

经验证表明，该方法估算精度能保持在4%以内。

1 BP神经网络原理和电池SOC
1.1 BP神经网络原理
BP神经网络是一种“信号前向传递、误差反向传播”的网络模型，一般采用3层结构，即输入层、隐含层和输出层[5-6]，每一层均由若干非线性处理单元组成，相邻层之间通过突触权阵连接起来。

由于隐含层的存在，可以较好地处理非线性问题。

输入数据信号从输入层进入神经网络，经隐含层处理并且向前传播直至进入输出层。

层与层之间有两种信号在传递。

一种是工作信号，它是施加输入信号后向前传播直到在输出端产生，前一层的输出作为下一层的输入，网络结构如图1所示。

从图1可以看出，X(m)是输入变量，Y(n)是
收稿日期: 2018-12-07 修回日期: 2018-12-17
106
农业装备与车辆工程 2020年
输出变量，w ij 是输入层到隐含层的连接权值，w jk 是隐含层到输出层的连接权值。

各层的单元输出满足如下方程：
,,,P W X j l 12j ij i j i m 1g v i =+==d n
/ (1)
,,,T W P k n 12k j k l
1
jk
g c i =+=d n / (2)
式中：σ——隐含层的激活函数，一般为单调可微的logsig 函数或tansig 函数；γ——输出层的激活函数，一般为线性purelin 函数。

1.2 电池SOC 的定义
SOC 指的是一定标准条件下，电池的剩余可用容量与这块电池在相同条件下的额定容量的比值[7]。

SOC 的数学表达式为
SOC Q Q T
= (3)
式中：Q T ——电池的剩余可以放出的容量；Q 0 ——相同条件下电池的额定容量。

1.3 影响电池SOC 估算的工况因素
动力电池是一个非线性系统，电池在工作时内部发生复杂的电化学反应[8]。

在实际使用中，除了外部物理量的测量精度存在误差和估计算法可以实现有限的精度外，影响电池荷电状态估算的工况因素还有很多。

要实现高精度对电池荷电状态进行估算的目标，则需要对各种影响因素的作用进行综合分析。

影响电池SOC 估算精度的主要因素有以下3点：
（1）充放电倍率
电池的充放电电流的大小，会影响电池的容量。

当电池使用大倍率电流放电时，电池端电压衰减就较快，于是电池很快到达截止电压，然而在放电结束静置一段时间后，电池又可以以小倍率电流继续放电。

（2）环境温度
锂电池的正常工作是有一定的温度要求的，当环境温度变化时，锂离子电池的使用特性和电
池可用容量也随之发生变化。

低温环境下，电池
放电会很快到达截止电压，可放出的电量较少；当温度升高时，电池活性增强，电池的使用特性会逐渐提高，可用容量也随之增多。

（3）电池的循环寿命
电池充放电次数增多会导致电池实际可用容量的下降，并且电池内阻也会增大，当电池的实际容量降至80%时，即可认为电池报废[9]。

2 BP 神经网络SOC 估算模型的建立
本文采用“三输入一输出”结构，将电池电压、放电电流和温度作为输入量，电池SOC 作为输出端[10]，网络结构如图2所示。

其中BP 神经网络隐含层的激活函数选择tansig 函数，输出层的激活函数选择puleli 函数。

通过比较BP 神经网络各种训练函数后，选择收敛速度较快的trainlm 函数作为训练函数。

3 实验数据获取
参考某纯电动汽车电池组数据，在ADVISOR 中基于GM_EV1车型构建容量为65 kW ·h、输出电压为460 V 的锂离子电池组。

结合电动汽车在驾驶中的不同路况，选择ECE，UDDS 和HWFET混合工况下的电池组数据作为训练样本。

该混合工况模拟电动汽车总共行驶时间为2 329 s，行驶路程为14.49 km。

通过对电动汽车电池组的电压、充放电电流、温度和SOC 进行数据采集，结果如图3、图4所示。

为验证模型的有效性，选择2个NEDC 循环工况数据作为模型测试样本，NEDC 工况作为欧洲循环工况的代表，能较好地贴近实际驾驶情况，以证明模型的有效性和鲁棒性。

在将样本数据导入模型训练之前，要对样本数据进行归一化处理，归一化处理可避免输入数据的单位不一样和数据范围较大问题，加快BP 神经网络的收敛速度，缩短训练时间，对数据归一化处理公式
图2 网络结构图
Fig.2 Network structure diagram
图1 BP 神经网络三层结构模型
Fig.1 BP neural network three-layer structure model
隐含层
输入层X （1）Y （1）
X （2）
X （m ）
Y （n ）
W ij
W jk
输出层
107
第58卷第1期
max min min
y x =-- (4)
式中：y ——归一化处理后数据；x ——原始数据；min——原始数据中的最小值；max——原始数据中最大值。

4 仿真与结果分析
将归一化处理后的样本数据导入网络模型进行训练。

首先对模型进行初始化，对权值的初始化选择不大于1的随机小数，随后输入训练样本数据，包括电池组电压、电流、平均温度和SOC。

解出隐含层和输出层的输出。

计算误差后，判断其是否满足要求。

若满足，则训练结束；若不满足，则依次计算隐含层单元误差、求误差梯度和修正权值后，返回再次循环，直至误差满足要求则训练结束。

训练流程图如图5所示。

设定最大训练迭代次数为300次，学习率为0.001，训练目标值设置在0.001，经过50步的训练后，网络可以达到设计的精度要求。

随后，以上述训练好的神经网络模型为基础，输入测试样本，通过对比实际值和神经网络预测输出值，检验该神经网络的有效性和收敛性。

实验结果如图6、图7所示。

图6所示，通过对电池实际输出值曲线和神
经网络预测值曲线进行对比可知，两条曲线表现出较好的跟随性。

图7中，SOC 误差曲线更直观验证了该算法的精准性，曲线显示预测误差均在4%以内，符合动力电池对SOC 估计和控制的精度要求。

贾海峰 等 ：基于BP 神经网络的锂电池组SOC 估算
图5 训练流程图
Fig.5 Training flow chart
图3 混合工况电池组数据
Fig.3 Battery pack data of hybrid working condition
500 450
400
0 500 1 000 1 500 2 000 2 50022.522.0 21.5 21.020.520.0
100
500-50
0 500 1 000 1 500 2 000 2 5000 500 1 000 1 500 2 000 2 500
电池组电压
电池组电流
电池组平均温度图4 电池组SOC 图
Fig.4 Battery pack SOC diagram
1.000.95 0.90
0.850.800.750.70
0 500 1 000 1 500 2 000 2 500
t /s
S O C
图6 SOC 跟踪曲线Fig.6 SOC tracking curve
1.00
0.95
0.90
0.850.800.750.70
0 500 1 000 1 500 2 000 2 500
t /s
S O C
电池实际输出值神经网络预测值
图7 SOC 误差曲线Fig.7 SOC error curve
0 500 1 000 1 500 2 000 2 500
t /s
432
10-1-2-3
-4
e r r o r /%
（下转第112页）
112农业装备与车辆工程 2020年
从报告中可以看出齿形方面做了齿顶修缘，齿轮齿向方面做了鼓形修形、齿向修形，能够将大载荷主要集中在齿轮齿面中间的部位，减少偏载对齿面的影响，使齿轮传动更稳定，获得的修形报告验证了修形误差被减小。

4 结束语
按照传动模型计算初步的齿轮修形量，结合Romax完成齿轮修形。

在对齿轮进行修形研究的过程中发现，齿向和齿形叠加修形的效果优于单独修形，仅对大齿轮进行修形时，传动误差幅值下降了36%，仅对小齿轮进行修形时，传动误差幅值下降了10.8%，同时对两个轮齿的不同齿面进行拓扑修形，修形效率得到了很大提高。

修形后的齿轮传动误差降低了84.9%，齿轮的最大接触应力降低了9%，验证了齿轮齿面的载荷分布情况也有所改善。

参考文献
[1] 孙建国,林腾蛟,李润方,等.渐开线齿轮动力接触有限元
分析及修形影响[J].机械传动,2008(2):57-59,1.
[2] 蒋进科,方宗德,贾海涛.对角修形斜齿轮设计与数控磨齿
研究[J].机械工程学报,2014,50(19):158-165.
[3] 沈云波,程文冬,刘玄.基于啮合要求的面齿轮拓扑修形齿
面主动设计[J].兰州理工大学学报,2016,42(3):41-45.
[4] 史若男,张瑞亮,王铁,等.基于Romax的齿轮弹性变形修
形的研究[J].机械传动,2015,39(4):24-26．
[5] 汪中厚,宋小明,何伟铭,等.斜齿轮成形磨削齿向修形齿
面模型构造与误差评价[J].中国机械工程,2015,26(21):2841-2847.
[6] 王婧.齿轮承载能力相关系数的数值仿真分析[D].北京:北
京交通大学,2015.
[7] 彭国民,康黎云,任海军.变速箱齿轮传递误差分析与优化
[C]//2010中国汽车工程学会年会论文集.北京:机械工业出
版社,2010.
[8] 杨龙,李应生,王志强,等.齿廓修形对齿轮齿面温度影响
分析[J].机械传动,2011,35(8):15-19.
作者简介 钱晓琦（1994— ），硕士研究生，研究方向：齿轮动力学。

E-mail：2540176079@
（b）
图11 齿轮修形报告
Fig.11 Report on gear modification
（a） 优化前齿形齿向 （b） 优化后齿形齿向
（上接第107页）
5 结语
本文采用反向传播神经网络（BP神经网络）的锂离子电池组SOC估算方法，研究了动力电池组电压、电流和温度与电池SOC之间的关系。

采用使用广泛的高级车辆仿真软件ADVISOR仿真软件搭建仿真平台，将几种典型工况混合仿真，采集得到电池组的电压、电流、温度和SOC参数数据。

将采集的数据输入设定好的BP神经网络进行训练。

经测试验证，该BP神经网络算法能较好地对动力电池SOC进行估算，算法克服了传统算法过度依赖电池模型的局限性，具有一定工程应用性。

参考文献
[1] 李哲,卢兰光,欧阳明高.提高安时积分法估算电
池SOC精度的方法比较[J].清华大学学报:自然科学
版,2010,50(8):1293-1296,1301.
[2] 汪永志,贝绍轶,汪伟,等.基于粒子滤波算法的动力电池
SOC估计[J].机械设计与制造工程,2014,43(10):69-73. [3] 杨文荣,朱赛飞,陈阳,等.基于改进安时积分法估计锂离
子电池组SOC[J].电源技术,2018,42(2):183-184+246.
[4] 高建树,尤修民,郑娇.人工神经网络和安时法电池SOC估
计[J].电源技术,2016,40(9):1842-1844.
[5] 史峰,王小川,郁磊.MATLAB神经网络30个案例分析[M].
北京:航空航天大学出版社,2011.
[6] 黄妙华,严永刚,朱立明.改进BP神经网络的磷酸铁锂
电池SOC估算[J].武汉理工大学学报:信息与管理工程版,2014,36(6):790-793.
[7] 王光英.电动汽车锂离子电池建模与SOC估计研究[D].济南:
济南大学,2017.
[8] 刘玥.锂电池荷电状态估计算法的研究[D].杭州:浙江大
学,2018.
[9] 熊瑞.动力电池管理系统核心算法[M].北京:机械工业出版
社,2018.
[10] 雷肖,陈清泉,刘开培,等.电池车电池SOC估计的径向基
函数神经网络方法[J].电工技术学报,2008,23(5):81-87.
作者简介 贾海峰（1994— ），男，硕士研究生，研究方向：电动汽车电池管理系统。

E-mail:582545965@
通信作者李聪（1977— ），女，副教授，研究方向：新能源汽车技术。

E-mail: licong@。