動力電池神經網絡論文范文

本站小編為你精心準備了動力電池神經網絡論文參考范文，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。

1神經網絡和電池SOC簡介

1．1BP神經網絡簡介神經網絡由大量簡單的單元構成的非線性系統，具有非線性映射能力，不需要精確的數學模型，擅長從輸入輸出數據中學習有用知識［7］。神經元是神經網絡基本單元。神經元模型如圖1所示。由連接權、加法器和非線性激活函數這3種元素組成。1986年，Rumelhart及其研究小組在Nature雜志上發表誤差反向傳播(errorback-propagation)算法［8］，并將該算法用于神經網絡的研究，使之成為迄今為止最著名的多層神經網絡學習算法———BP算法［9］。由該算法訓練的網絡，稱為BP神經網絡。BP神經網絡是一種正向的、各層相互連接的網絡。輸入信號首先經過輸入層傳遞給各隱含層節點，經過激發函數，將隱含層節點的輸出傳遞到輸出節點，最后經過再經過激發函數后才給出輸出結果，若輸出層的輸出和期望輸出之間的誤差達不到要求，則轉入反方向傳播，將誤差信號沿原來的連接通路返回，通過修個神經網絡各層的權值，使過程的輸出和神經網絡的輸出之間的誤差信號達到期望值為止［10］。

1．2電池SOC的定義動力電池的剩余電量，是指電池在當前時刻，達到放電截止電壓前可以使用的電量。目前，國內外普遍采用荷電狀態來表征電池的剩余容量［11］。電池的荷電狀態(SOC)是電池的剩余電量與電池的額定電量的比值。

1．3影響電池SOC的因素動力電池是一個非線性系統，其中電池的荷電狀態受到很多種因素的影響，主要包括電池的充/放電倍率、自放電、環境溫度以及電池的工作狀態等因素。(1)電池的充/放電倍率電池的放電電流的大小，會影響電池的容量。在其他條件相同的情況下，電池的放電容量會隨著放電倍率的增加而降低［12］。(2)自放電自放電又稱荷電保持能力，指在一定的條件下，當電池處于開路狀態時，電池對電量的儲存能力。電池在自放電的作用下，SOC值會隨著存儲時間的增加而減小。(3)溫度首先，鋰離子電池正常工作的溫度有一定的要求。動力電池的使用環境溫度發生變化時，電池的可用容量也會隨之發生變化。在溫度較低時，電池活性較低，電池可用容量降低;當溫度升高時，電池活性增強，可用容量也隨之增多。因此，在預估電池的荷電狀態時，需要考慮到電池的溫度的影響。

2神經網絡SOC估計器設計

2．1實驗數據的獲取本研究的實驗數據是在ADVISOR2002汽車仿真軟件上仿真得到的。ADVISOR(AdvancedVehicleSim-ulator，高級車輛仿真器)是由美國可再生能源實驗室，在Matlab/Simulink軟件環境下開發的高級車輛仿真軟件［13］。該軟件的界面友好、源代碼完全開放，目前已經在世界范圍內廣泛使用。ADVISOR采用了前向、后向相結合的混合仿真方法。后向仿真方法是在假設車輛能滿足道路循環的請求行駛軌跡(包括汽車行駛速度、道路坡度和汽車動態質量)的前提下，計算汽車中各個部件性能的仿真方法，前向仿真是根據駕駛員行為調節部件，使得車輛各部件跟隨路面循環工況［14］。本研究在ADVISOR軟件搭建了某國產電動汽車的仿真平臺。整車的主要技術參數如表1所示［15-16］。模擬行駛程序使用的測試路程是ECE工況、UDDS工況和HWFET工況混合行駛工況，其速度與時間關系曲線如圖2所示。ECE工況、UDDS工況和HWFET工況均被廣泛應用于電動汽車性能測試。其中ECE工況為歐洲經濟委員會汽車法規規定的汽車測試循環工況。ECE工況是用來測試車輛在城市低速道路下車輛的循環工況。其循環時間為195s，車輛行駛的路程為0．99km，最高車速為50km/h。UDDS工況是美國環境保護署制訂的城市道路循環工況，用來測試車輛在城市道路下行駛的各種性能的循環工況。其循環時間為1367s，行駛路程為11．99km，最高車速為91．25km/h。HW-FET工況為美國環境保護署制訂的汽車在高速公路上的循環工況，用來測試汽車在高速道路上車輛行駛的循環工況，其循環時間為767s，行駛路程為1．51km，最高車速為96．4km/h。在搭建的仿真平臺上，本研究進行了仿真，其中電動汽車使用的電池為鋰電池。虛擬電動汽車共行駛了2329s，行駛的距離為14．49km。對電動汽車的電池的充放電電流、電池溫度和電池的SOC進行采集，得到結果如圖3～5所示。

2．2數據預處理根據前文的分析，本研究的神經網絡模型訓練數據選擇如下。本研究選擇動力電池的充放電電流和電池的溫度作為動力電池神經網絡的輸入，電池的SOC作為神經網絡的輸出。在對神經網絡訓練之前，對訓練數據進行歸一化操作。歸一化操作可以避免各個因子之間的量級差異，加快BP神經網絡訓練的收斂，減少計算難度。對數據進行如下操作。

2．3動力電池SOC神經網絡的訓練SOC估計是根據動力電池的電流、溫度的數值得到電池的SOC數值。使用神經網絡設計估計器的目的是為了能夠逼近函數。本研究使用了BP神經網絡模型來逼近動力電池的電流、溫度和SOC之間的關系，其中BP神經網絡的隱含層選擇tansig函數。學習算法使用基于數值最優化理論的Levenberg-Marquardt算法作為神經網絡的學習算法。

3實驗驗證及結果分析

為了驗證模型的有效性，本研究采用了另外3種工況混合的行駛工況的實驗數據作為測試樣本數據來驗證本研究得到的神經網絡模型。這3種工況分別是:普銳斯工況(Prius工況，該種工況用來測試豐田普銳斯混合動力汽車的行駛工況)，CYC_Nuremberg_R36工況(該種工況用來測試德國紐倫堡市36路公共汽車線路工況)和CYC_US06工況(該種工況用來考察測試車輛在高速情況下的行駛狀況)。以上3種工況基本上能夠模擬出汽車在城市中行駛的加速、減速、低速和高速行駛的各種工況，測試混合工況如圖6所示。本研究對得到的測試數據同樣進行歸一化處理。模型的輸入為電池的電流和溫度，模型的輸出為SOC值。最后，得到的電池SOC的實際值和經過神經網絡得到的SOC估計值如圖7所示。通過求神經網絡模型的輸出值和真實值之間的誤差值，來評價本研究的神經網絡模型的精度。其計算公式如下式所示。得到的神經網模型的估計值與動力電池SOC的真實值之間的誤差如圖8所示。通過圖8可以看出，神經網絡估計器的估計值與電池SOC的真實值之間絕對誤差的最大值為4%左右，符合動力電池對SOC預測的精度要求。

4結束語

本研究利用反向傳播神經網絡模型(BP神經網絡)對動力電池的荷電狀態(SOC)進行估計，研究了動力電池的充放電電流、電池溫度和電池SOC之間的關系。本研究采用了目前使用廣泛的ADVISOR仿真軟件，通過搭建仿真平臺，將ECE、UDDS和HWFET3種典型工況混合仿真，采集得到電池的電流、溫度和SOC等參數。BP神經網絡的輸入是通過ADVI-SOR仿真平臺采集得到的電流值和溫度值，輸出是通過仿真平臺得到的動力電池的荷電狀態(SOC)。最后得到的神經網絡模型的輸出估計值與真實值之間的誤差的最大值為4%，符合電池SOC估計精度的要求。

作者：蔡信李波汪宏華聶亮單位：國網浙江省電力公司電動汽車服務分公司