電動汽車鋰電池荷電狀態探究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了電動汽車鋰電池荷電狀態探究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：電動汽車鋰電池是一個高度復雜的非線性時變系統。為準確高效預測電動汽車鋰電池荷電狀態大小，建立基于徑向基神經網絡的電動汽車鋰電池荷電狀態預測模型，利用粒子群—人工蜂群算法優化訓練徑向基神經網絡。仿真分析與對比實驗表明，建立的鋰電池荷電狀態預測模型預測速度快、精確度高、實時性強，對于提高電動汽車鋰電池的能量效率和使用壽命，具有一定的實際使用價值和指導意義。

關鍵詞：徑向基神經網絡；粒子群-人工蜂群算法；鋰電池；荷電狀態；電動汽車

由于全球氣候變暖以及各種極端天氣的頻繁出現，導致了一系列能源問題和環境問題，給工農業生產和生活等造成了重大影響，引起了國家和社會的高度重視。國家在大力推行太陽能、核能、生物化學能、風能等清潔新能源的使用與推廣[1]。為減少城市污染，以新能源發電為主要動力的電動汽車受到了廣泛關注和快速發展。鋰電池體積小、容量大、使用壽命長，已成為新能源電動汽車的儲能動力來源。電動汽車荷電狀態（簡稱SOC）能及時反映鋰電池中剩余的可用電量及潛在充放電策略的可靠性信息情況，幫助電動汽車駕駛人員及時了解續航里程。為了保障電動汽車的安全、穩定、可靠運行，提高電池使用效率，停止電池出現過充電和過放電現象，延長鋰電池使用壽命，需要對電動汽車的鋰電池荷電狀態進行準確預測。由于鋰電池內部結構復雜，具有高度非線性和時變性，一些學者便應用具有非線性映射處理能力的BP神經網絡，對電動汽車鋰電池加以動態預測，取得一定效果[2-4]。但相比較BP神經網絡，徑向基（RBF）神經網絡逼近非線性能力和泛化能力更強，逼近精度更高，網絡收斂速度更快，結構更簡單，操作更容易。本文建立基于粒子群—人工蜂群算法優化徑向基神經網絡的電動汽車鋰電池荷電狀態預測模型，并通過MATLAB仿真實驗分析和驗證預測方法的有效性。

1電動汽車鋰電池荷電狀態預測模型

電動汽車鋰電池荷電狀態的大小表示為鋰電池的剩余電量占額定電量（總的可用電量）的比值。影響電池荷電狀態變化的最主要因素是電池的電壓、電池溫度以及電池的充/放電倍率。充/放電倍率反映了電池充放電電流大小，直接影響電動汽車電池容量，當增大電池放電倍率時，電池的放電容量將減小。電池溫度對電池的可用容量產生直接影響，電池可用容量跟隨溫度呈正比關系變化。預測電動汽車鋰電池荷電狀態，將電池電流、電壓、溫度作為引起荷電狀態變化的因子，利用徑向基神經網絡設計荷電狀態預測模型，如圖1所示。采取粒子群—人工蜂群算法優化徑向基神經網絡的結構參數，并對網絡進行訓練和測試，從而實現對電動汽車鋰電池荷電狀態的精準預測。對電動汽車鋰電池檢測采樣電流（X1）、電壓（X2）、溫度（X3），采用歸一化后的電流、電壓、溫度值即X1*、X2*、X3*作為徑向基神經網絡輸入量，電動汽車鋰電池荷電狀態的大小作為徑向基神經網絡輸出量。

2徑向基神經網絡及優化訓練

2.1徑向基神經網絡

徑向基神經網絡結構組成含輸入層、隱含層、輸出層共3層前饋網絡，其中隱含層僅為1層。它具有極強的非線性逼近性能，隱含層單元的激活函數采取徑向基函數，徑向基函數為高斯分布函數，徑向基神經網絡結構如圖2所示。x1～xn為徑向基神經網絡輸入，s1～sm為徑向基神經網絡輸出，徑向基神經網絡網絡第p個輸出表示為：其中，ip代表隱含層與輸出層之間的連接權值，iH表示第i個徑向基函數，ic、i分別表示徑向基函數的中心值和方差（寬度）值，i=1,2,…，k，k為徑向基神經網絡中隱含層的神經元個數。

2.2徑向基神經網絡優化訓練

采取徑向基神經網絡對電動汽車鋰電池荷電狀態進行預測。根據需要，確定徑向基神經網絡輸入神經元n=3，分別對應鋰電池的電流、電壓、溫度值；徑向基神經網絡輸出神經元m=1，對應鋰電池荷電狀態的大小。徑向基神經網絡的隱含層神經元個數k根據實際需要通過n和m確定。徑向基神經網絡的良好運行與結構參數ci、δi、ip的科學設計選取關系較大，在此利用粒子群—人工蜂群算法優化徑向基神經網絡。粒子群—人工蜂群算法優化徑向基神經網絡的大致方法如下[5][6]：第1步：初始化參數。設定粒子群數量N，慣性權重的初始值ω1與終值ω2，學習因子C1、C2；粒子群算法、人工蜂群算法的最大迭代次數tmax、limit。第2步：粒子群等分為G組，每組含B個粒子（N=G×B）。第3步：估算粒子適應度，保存各組的最優粒子Gij。第4步：按（3）（4）分別計算粒子速度Vij和位置Xij，更新得到每組全局最優粒子Gij。)(**)(**22111tijtjtijtijtijtijXPRCVV　XGRC（3）11tijtijtijVXX（4）其中慣性權重根據（5）式推算而得，即：第5步：由各組最優粒子Gij形成人工蜂群，而且作為人工蜂群算法的初始粒子。第6步：設定人工蜂群算法的初始迭代次數NP=0，引領蜂根據（6）式規則不斷更新位置去搜尋蜜源，并對搜尋的蜜源適應度加以評價。其中，Fiti、fi分別為第i個蜜源的適應度與適應值。第7步：將引領蜂尋找的新蜜源適應度與原蜜源進行比較，如果新蜜源的適應度值大于原蜜源，那么原蜜源的位置由新蜜源位置來取代；否則不變且NP+1。第8步：由式(8)測算各蜜源位置概率P，根據此概率跟隨蜂選擇引領蜂搜尋的新蜜源，計算其適應度值。第9步：將跟隨蜂的新蜜源與原蜜源的適應度值進行比較，如果新蜜源的適應度值大于原蜜源，那么原蜜源的位置便由新蜜源位置取代，否則不變而且NP+1。第10步：當人工蜂群算法的迭代次數NP高于限定值limit時，輸出全局最優蜜源個體。第11步：全局最優蜜源個體對應為徑向基神經網絡的最優結構參數ci、δi及ip并代入網絡，通過輸入樣本訓練網絡，最終網絡輸出均方誤差（適應度）J為最小，從而得到電動汽車徑向基神經網絡的荷電負荷預測模型。徑向基神經網絡的期望輸出與實際輸出的均方誤差與粒子群—人工蜂群算法的適應度互為倒數，即：式中，qju、sju分別表示第j個訓練樣本在第u個網絡輸出節點處的期望輸出與實際輸出值，m為網絡輸出神經元數（m=1），d為用于訓練的樣本數。粒子群—人工蜂群算法優化訓練徑向基神經網絡流程如圖3所示。

3仿真實驗分析

3.1參數設置與樣本選取

粒子群—人工蜂群算法的初始化參數為：粒子群數量N為80，粒子群分成5組，每組16個。慣性權重初始值ω1和終值ω2分別為1.2和0.4，學習因子C1、C2均為2；粒子群算法和人工蜂群算法的最大迭代次數tmax、limit分別為250、150，誤差目標精度設定為10-4。這里徑向基神經網絡的輸入信號為電池電壓、電流、溫度，它們量綱不同，而且數據之間差異較大時會影響網絡訓練精度和速度。為此通過如（10）式的歸一化數學處理，將網絡輸入的電池電流、電壓、溫度值限定在0～1區間。minmaxmin*XXXXXii（10）其中，Xi表示檢測值，Xi*表示歸一化處理后的數值，Xmax、Xmin分別表示Xi的最大值和最小值，i=1,2,3。實驗用選取的磷酸鐵鋰電池容量為1.8Ah，額定電壓為3.6V。采取Neware公司的充放電測試儀，在常溫下分別選擇0.3C、0.8C、1.2C、4.5C四種放電倍率進行恒流放電。在每種放電倍率下都各自采集100組電池電壓、電池溫度、電池荷電狀態，用來作為徑向基神經網絡的訓練樣本，其中電池的放電倍率（電流）、電壓、溫度作為網絡訓練輸入,檢測的電池荷電狀態大小作為網絡訓練輸出，400組訓練樣本如表1所示（列出部分數據）。

3.2網絡訓練

徑向基神經網絡拓撲結構設計為3—8—1，借助工具軟件MATLAB，利用表1中400組訓練數據，采取粒子群—人工蜂群算法優化訓練徑向基神經網絡。當網絡訓練達到126步時，目標誤差便滿足精度要求，網絡訓練時間短、精度高，網絡訓練誤差曲線如圖4所示。

3.3網絡測試

選取除訓練樣本以外的80組數據（每種放電倍率各取20組）作為測試樣本，用于測試上述訓練好的徑向基神經網絡，測試結果如表2所示（因版面限制，只列部分數據）。電池荷電狀態的網絡預測值與電池實際荷電狀態的平均相對誤差為1.48%，相對誤差最大值僅為4.75%，網絡預測值比較接近鋰電池的實際荷電狀態大小。

3.4對比實驗

為驗證粒子群—人工蜂群算法優化訓練徑向基神經網絡的性能，采用表1中的400組訓練樣本分別以粒子群算法、人工蜂群算法優化訓練徑向基神經網絡，并利用表2同樣的80組測試樣本進行測試實驗，最后再與粒子群—人工蜂群算法加以比較研究。不同優化算法性能指標如表3所示。由表3分析結果明顯看出，粒子群—人工蜂群算法的優化性能最優，訓練速度最快，訓練誤差最小，測試精度最高。

4結論

為了改進電動汽車鋰電池荷電狀態預測方法，利用粒子群—人工蜂群算法優化訓練徑向基神經網絡，建立電動汽車鋰電池荷電狀態預測模型。網絡訓練仿真與測試實驗分析表明，基于粒子群—人工蜂群算法優化徑向基神經網絡模型預測電池荷電狀態的精度高、速度快，為電動汽車鋰電池的荷電狀態估算及其能源管理提供嶄新途徑。但電動汽車鋰電池的荷電狀態預測面臨新的問題和挑戰，如鋰電池內阻、電池老化參數對荷電狀態預測會產生一定影響，仿真實驗一般在實驗室環境下進行，而在雨雪、冷熱、潮濕等不同天氣條件下如何對鋰電池荷電狀態進行科學準確預測，有待于今后深入研究。

作者:喬維德 單位:無錫開放大學科研與發展規劃處