电动汽车锂电池荷电状态探究

摘要：电动汽车锂电池是一个高度复杂的非线性时变系统。为准确高效预测电动汽车锂电池荷电状态大小，建立基于径向基神经网络的电动汽车锂电池荷电状态预测模型，利用粒子群—人工蜂群算法优化训练径向基神经网络。仿真分析与对比实验表明，建立的锂电池荷电状态预测模型预测速度快、精确度高、实时性强，对于提高电动汽车锂电池的能量效率和使用寿命，具有一定的实际使用价值和指导意义。

关键词：径向基神经网络；粒子群-人工蜂群算法；锂电池；荷电状态；电动汽车

由于全球气候变暖以及各种极端天气的频繁出现，导致了一系列能源问题和环境问题，给工农业生产和生活等造成了重大影响，引起了国家和社会的高度重视。国家在大力推行太阳能、核能、生物化学能、风能等清洁新能源的使用与推广[1]。为减少城市污染，以新能源发电为主要动力的电动汽车受到了广泛关注和快速发展。锂电池体积小、容量大、使用寿命长，已成为新能源电动汽车的储能动力来源。电动汽车荷电状态（简称SOC）能及时反映锂电池中剩余的可用电量及潜在充放电策略的可靠性信息情况，帮助电动汽车驾驶人员及时了解续航里程。为了保障电动汽车的安全、稳定、可靠运行，提高电池使用效率，停止电池出现过充电和过放电现象，延长锂电池使用寿命，需要对电动汽车的锂电池荷电状态进行准确预测。由于锂电池内部结构复杂，具有高度非线性和时变性，一些学者便应用具有非线性映射处理能力的BP神经网络，对电动汽车锂电池加以动态预测，取得一定效果[2-4]。但相比较BP神经网络，径向基（RBF）神经网络逼近非线性能力和泛化能力更强，逼近精度更高，网络收敛速度更快，结构更简单，操作更容易。本文建立基于粒子群—人工蜂群算法优化径向基神经网络的电动汽车锂电池荷电状态预测模型，并通过MATLAB仿真实验分析和验证预测方法的有效性。

1电动汽车锂电池荷电状态预测模型

电动汽车锂电池荷电状态的大小表示为锂电池的剩余电量占额定电量（总的可用电量）的比值。影响电池荷电状态变化的最主要因素是电池的电压、电池温度以及电池的充/放电倍率。充/放电倍率反映了电池充放电电流大小，直接影响电动汽车电池容量，当增大电池放电倍率时，电池的放电容量将减小。电池温度对电池的可用容量产生直接影响，电池可用容量跟随温度呈正比关系变化。预测电动汽车锂电池荷电状态，将电池电流、电压、温度作为引起荷电状态变化的因子，利用径向基神经网络设计荷电状态预测模型，如图1所示。采取粒子群—人工蜂群算法优化径向基神经网络的结构参数，并对网络进行训练和测试，从而实现对电动汽车锂电池荷电状态的精准预测。对电动汽车锂电池检测采样电流（X1）、电压（X2）、温度（X3），采用归一化后的电流、电压、温度值即X1*、X2*、X3*作为径向基神经网络输入量，电动汽车锂电池荷电状态的大小作为径向基神经网络输出量。

2径向基神经网络及优化训练

2.1径向基神经网络

径向基神经网络结构组成含输入层、隐含层、输出层共3层前馈网络，其中隐含层仅为1层。它具有极强的非线性逼近性能，隐含层单元的激活函数采取径向基函数，径向基函数为高斯分布函数，径向基神经网络结构如图2所示。x1～xn为径向基神经网络输入，s1～sm为径向基神经网络输出，径向基神经网络网络第p个输出表示为：其中，ip代表隐含层与输出层之间的连接权值，iH表示第i个径向基函数，ic、i分别表示径向基函数的中心值和方差（宽度）值，i=1,2,…，k，k为径向基神经网络中隐含层的神经元个数。

2.2径向基神经网络优化训练

采取径向基神经网络对电动汽车锂电池荷电状态进行预测。根据需要，确定径向基神经网络输入神经元n=3，分别对应锂电池的电流、电压、温度值；径向基神经网络输出神经元m=1，对应锂电池荷电状态的大小。径向基神经网络的隐含层神经元个数k根据实际需要通过n和m确定。径向基神经网络的良好运行与结构参数ci、δi、ip的科学设计选取关系较大，在此利用粒子群—人工蜂群算法优化径向基神经网络。粒子群—人工蜂群算法优化径向基神经网络的大致方法如下[5][6]：第1步：初始化参数。设定粒子群数量N，惯性权重的初始值ω1与终值ω2，学习因子C1、C2；粒子群算法、人工蜂群算法的最大迭代次数tmax、limit。第2步：粒子群等分为G组，每组含B个粒子（N=G×B）。第3步：估算粒子适应度，保存各组的最优粒子Gij。第4步：按（3）（4）分别计算粒子速度Vij和位置Xij，更新得到每组全局最优粒子Gij。)(**)(**22111tijtjtijtijtijtijXPRCVV　XGRC（3）11tijtijtijVXX（4）其中惯性权重根据（5）式推算而得，即第5步：由各组最优粒子Gij形成人工蜂群，而且作为人工蜂群算法的初始粒子。第6步：设定人工蜂群算法的初始迭代次数NP=0，引领蜂根据（6）式规则不断更新位置去搜寻蜜源，并对搜寻的蜜源适应度加以评价。其中，Fiti、fi分别为第i个蜜源的适应度与适应值。第7步：将引领蜂寻找的新蜜源适应度与原蜜源进行比较，如果新蜜源的适应度值大于原蜜源，那么原蜜源的位置由新蜜源位置来取代；否则不变且NP+1。第8步：由式(8)测算各蜜源位置概率P，根据此概率跟随蜂选择引领蜂搜寻的新蜜源，计算其适应度值。第9步：将跟随蜂的新蜜源与原蜜源的适应度值进行比较，如果新蜜源的适应度值大于原蜜源，那么原蜜源的位置便由新蜜源位置取代，否则不变而且NP+1。第10步：当人工蜂群算法的迭代次数NP高于限定值limit时，输出全局最优蜜源个体。第11步：全局最优蜜源个体对应为径向基神经网络的最优结构参数ci、δi及ip并代入网络，通过输入样本训练网络，最终网络输出均方误差（适应度）J为最小，从而得到电动汽车径向基神经网络的荷电负荷预测模型。径向基神经网络的期望输出与实际输出的均方误差与粒子群—人工蜂群算法的适应度互为倒数，即：式中，qju、sju分别表示第j个训练样本在第u个网络输出节点处的期望输出与实际输出值，m为网络输出神经元数（m=1），d为用于训练的样本数。粒子群—人工蜂群算法优化训练径向基神经网络流程如图3所示。

3仿真实验分析

3.1参数设置与样本选取

粒子群—人工蜂群算法的初始化参数为：粒子群数量N为80，粒子群分成5组，每组16个。惯性权重初始值ω1和终值ω2分别为1.2和0.4，学习因子C1、C2均为2；粒子群算法和人工蜂群算法的最大迭代次数tmax、limit分别为250、150，误差目标精度设定为10-4。这里径向基神经网络的输入信号为电池电压、电流、温度，它们量纲不同，而且数据之间差异较大时会影响网络训练精度和速度。为此通过如（10）式的归一化数学处理，将网络输入的电池电流、电压、温度值限定在0～1区间。minmaxmin*XXXXXii（10）其中，Xi表示检测值，Xi*表示归一化处理后的数值，Xmax、Xmin分别表示Xi的最大值和最小值，i=1,2,3。实验用选取的磷酸铁锂电池容量为1.8Ah，额定电压为3.6V。采取Neware公司的充放电测试仪，在常温下分别选择0.3C、0.8C、1.2C、4.5C四种放电倍率进行恒流放电。在每种放电倍率下都各自采集100组电池电压、电池温度、电池荷电状态，用来作为径向基神经网络的训练样本，其中电池的放电倍率（电流）、电压、温度作为网络训练输入,检测的电池荷电状态大小作为网络训练输出，400组训练样本如表1所示（列出部分数据）。

3.2网络训练

径向基神经网络拓扑结构设计为3—8—1，借助工具软件MATLAB，利用表1中400组训练数据，采取粒子群—人工蜂群算法优化训练径向基神经网络。当网络训练达到126步时，目标误差便满足精度要求，网络训练时间短、精度高，网络训练误差曲线如图4所示。

3.3网络测试

选取除训练样本以外的80组数据（每种放电倍率各取20组）作为测试样本，用于测试上述训练好的径向基神经网络，测试结果如表2所示（因版面限制，只列部分数据）。电池荷电状态的网络预测值与电池实际荷电状态的平均相对误差为1.48%，相对误差最大值仅为4.75%，网络预测值比较接近锂电池的实际荷电状态大小。

3.4对比实验

为验证粒子群—人工蜂群算法优化训练径向基神经网络的性能，采用表1中的400组训练样本分别以粒子群算法、人工蜂群算法优化训练径向基神经网络，并利用表2同样的80组测试样本进行测试实验，最后再与粒子群—人工蜂群算法加以比较研究。不同优化算法性能指标如表3所示。由表3分析结果明显看出，粒子群—人工蜂群算法的优化性能最优，训练速度最快，训练误差最小，测试精度最高。

4结论

为了改进电动汽车锂电池荷电状态预测方法，利用粒子群—人工蜂群算法优化训练径向基神经网络，建立电动汽车锂电池荷电状态预测模型。网络训练仿真与测试实验分析表明，基于粒子群—人工蜂群算法优化径向基神经网络模型预测电池荷电状态的精度高、速度快，为电动汽车锂电池的荷电状态估算及其能源管理提供崭新途径。但电动汽车锂电池的荷电状态预测面临新的问题和挑战，如锂电池内阻、电池老化参数对荷电状态预测会产生一定影响，仿真实验一般在实验室环境下进行，而在雨雪、冷热、潮湿等不同天气条件下如何对锂电池荷电状态进行科学准确预测，有待于今后深入研究。

作者:乔维德 单位:无锡开放大学科研与发展规划处