神经网络建模的电池健康状态评估范文

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。

关键词：

电动汽车；锂离子电池；健康状态；K-均值算法

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。

1K-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。

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。

2.1神经网络模型的建立人脑中有1000亿个神经元，结构异常复杂。正因为人脑结构错综复杂才使得被抽象出来的人工神经网络具有信息并行处理的能力，自学能力和推理能力。人工神经网络由大量的神经元连接而成，通过模拟人的大脑神经处理信息的方式，进行信息平行处理和非线性转换的网络系统。在其多重分类当中，BP人工神经网络（BPArtificialNeuralNetworkAlgorithm）是一种多层前馈神经网络，它的名字源于网络训练中，通过调整网络训练权值的训练算法是反向传播算法（BP神经网络学习算法）。神经网络模型的结构一般分为输入层（输出实验数据）、输出层（输出预测数据）以及隐含层（对实验数据的加权处理）。上下层之间实现全连接，在相同层直接无连接，介于输入层于隐含层神经元之间为网络的权值，表现为两个神经元的链接强度。通常还在整合信息的过程中添加一个阀值，主要模仿生物必须达到一定的阀值才能被触发的原理，然后将整合过的信息作为该神经元的输入。当样本被提供给神经元后，神经元的输出值从输入层经过中间层（隐含层）向输出层传播，在输出层各个神经元获得输入响应，遵照减少网络输出与实际输出样本之间的误差的方向，从输出层反向经过各个中间层回到输入层，逐步修正各个链接权值，这种算法被称为“误差反向传播算法”，也叫做BP神经网络算法[7]。通过以上介绍，本文建立一个典型的3输入2输出的人工神经网络。如果利用电池的外特性参数来充当输入层，则可以得到基于人工神经网络的锂离子电池BP神经网络模型。如图1所示为建立的BP神经网络拓扑结构[8]。

2.2BP人工神经网络模型的特点BP人工神经网络充分利用了神经网络的非线性，自学习性等特点，结合实验数据来建立各种参数之间的关系。BP神经网络的训练机制，不仅适用于机器学习的算法方面，在众多其他领域也有重要应用，比如用BP网络解析个人成才历程，有利于多角度思考问题，避免思维狭隘和定势，在知识点交叉的十字路口，甚至有意想不到的收获。

3锂离子电池的健康评估

根据对锂离子电池所做的实验数据，再根据安时积分法算出SOC值，导入到算法中去得到输出值。然而任何方法得到的结果都会与实际健康状态结果存在的差距就是预测误差，预测误差应该反应出结果的准确性。

3.1锂离子电池输入参数的确定对锂离子电池进行如图2放电实验，以5A左右的电流进行放电试验。利用安时积分法如式（3），算出电池的SOC如图3。得到电池外特性数据后进行建模。其中，SOC0为充放电起始状态；CN为电池的额定容量；I为电池电流；η为充放电效率，根据经验公式，此处取1。

3.2BP人工神经网络建模结果将电流（I）、SOC、放电深度（DOD）输入建好的神经网络模型中预测出开路电压（OCV）和电池电阻r如图5-图10所示。可以观测到预测输出和期望输出的开路电压（OCV）和内阻误差都很小。当电池老化以后，安时积分法的试用范围没有变化，但是对于BP神经网络算法的影响较大，因为所建立的电池模型参数随着电池老化的改变而改变，尤其是成组的实验电池模型产生的累积误差会使得实验准确性下降。

3.3利用K-均值算法进行预测将建模以后的输出开路电压值和内阻阻值带进已经编好的K-均值算法里得到如图11。得到两个聚类点ctrs1（0.006246,3.2293）和ctrs2（0.006278,3.2343）。

4检验预测精度

取100组实验获得的内阻数据，利用得到的聚类点放入实验数据中。观察聚类的准确度，结果如图12所示。通过放入的实验数据和预测的聚类点的组合，发现聚类点可以精确聚类出所要得到的两个簇。

5结论

针对电池的健康状态难以评估这个问题，本文设计开发了电动汽车健康评估系统。运用神经网络建立电池模型，K-均值进行预测。可为目前电动汽车基于外特性来评估健康状况提供更为准确的条件，从而有效的解决了健康状态难以评估的问题，同时提供了准确快速的预测方法。①随着电池不断地放电实验，内阻不断的增大，SOH不断增大。为了得到准确的SOH值，可以通过预测内阻的变化来预测SOH。②我们观察到神经网络建立电池模型误差能达到0.2%，所以运用神经网络可以很准确的建立电池模型。③通过实验数据对得出聚类值的检验可以得出，运用K-均值算法可以对电池SOH进行准确预测。

参考文献：

[1]陈三省.基于动态贝叶斯网络的锂离子电池SOH估计[D].杭州电子科技大学，2014.

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

[3]陶新民，徐晶，杨立标，刘玉.一种改进的粒子群和K均值混合聚类算法[J].电子与信息学报，2010，01：92-97.

[4]刘靖明，韩丽川，侯立文.基于粒子群的K均值聚类算法[J].系统工程理论与实践，2005，06：54-58.

[5]卓金武MATLAB在数学建模中的应用[M].二版.北京：北京航天航空大学出版社，2014.

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

[7]谭晓军电动汽车动力电池管理系统设计[M].广州：中山大学出版社，2011.

[8]尹安东，张万兴，赵韩，江昊.基于神经网络的磷酸铁锂电池SOC预测研究[J].电子测量与仪器学报，2011，05：433-437。

作者：苏晓波 孙猛猛 潘二东 舒星 李沛森 张海洋 李晓宇 单位：昆明理工大学交通工程学院