摘 要

随着汽车的普及，一次能源的消耗，人们逐渐在往电动汽车方面去发展。目前电动汽车中应用的电池为锂电池，而锂电池需要进行严格的管控才能发挥它的长处，因此对于锂电池的SOC估算是一个重要的研究对象，本文针对锂电池的SOC估算进行了以下工作内容：

（1）根据研究对象，对锂电池的原理和模型作分析，从SOC的定义出发去了解影响SOC估算的因素。分别从电流、温度、老化和自放电率的角度去分析对SOC估算的影响，最终在数据条件的限制下选择了电流和电压作为参考因素。

（2）在对比各种研究方法之后采用BP神经网络来估算锂电池对的SOC，通过在Matlab中建立仿真，分别从训练的精度、效率和稳定性方面分析网络的性能。针对精度方面，在最优情况下误差平均值为3.47%，基本在8%以内，误差还是较大，因此打算采用遗传算法来优化BP神经网络。

（3）利用遗传算法来优化BP神经网络，通过选择、交叉和变异操作来优化数据，对比优化前后输出结果和误差对比。在优化后误差平均值为2.6%，基本在6%以内，相对与没有优化的时候有了明显减少，但训练时间大大增加。

关键词：BP神经网络， SOC估算， GABP

Abstract

With the popularity of automobiles and the consumption of primary energy, people are gradually developing toward electric vehicles. At present, the battery used in electric vehicles is a lithium battery, and the lithium battery needs strict control to exert its advantages. Therefore, the SOC estimation of the lithium battery is an important research object. This paper has done the following work for the SOC estimation of the lithium battery. content:

(1) According to the research object, analyze the principle and model of lithium battery, and understand the factors affecting SOC estimation from the definition of SOC. The effects on SOC estimation were analyzed from the perspectives of current, temperature, aging and self-discharge rate, respectively. Finally, current and voltage were selected as reference factors under the constraints of data conditions.

(2)After comparing various research methods, the BP neural network is used to estimate the SOC of the lithium battery pair. The simulation results are established in Matlab, The performance of the network is analyzed from the aspects of training accuracy, efficiency and stability. In terms of accuracy, in the optimal case, the error average is 3.47%, which is basically within 8%, and the error is still large. Therefore, genetic algorithm is proposed to optimize BP neural network.

(3) The genetic algorithm is used to optimize the BP neural network, and the data is optimized by selection, crossover and mutation operations, and the output and error comparison before and after optimization are compared. After optimization, the average error is 2.6%, which is basically within 6%. There is a significant reduction in relative and no optimization, but the training time is greatly increased.

Key words: BP neural network, SOC estimation, GABP

目 录

摘要 I

Abstract II

第1章 绪论 1

1.1 研究背景 1

1.2 SOC估算国内外研究现状 1

1.3 研究内容及方法 3

第2章 锂离子电池特性 4

2.1 锂离子电池基本特征 4

2.2 影响SOC估算的锂离子因素分析 4

2.2.1 锂电池SOC定义 4

2.3 锂电池的基本模型 5

2.4 小结 6

第3章 基于BP神经网络的SOC估算 8

3.1 BP神经网络的原理及构建 8

3.1.1 BP神经网络的原理 8

3.1.2 BP神经网络流程 9

3.2训练样本数据获取与处理 10

3.2.1训练样本数据的获取 10

3.2.2 安时积分法估算锂电池SOC 11

3.2.3 训练数据归一化 13

3.3 BP神经网络结构对比测试 13

3.4基本BP神经网络的缺点及改进 20

3.5 小结 21

第4章 遗传算法优化BP神经网络估算SOC 23

4.1遗传算法原理 23

4.2 遗传算法的操作 23

4.3 遗传算法优化BP神经网络的流程 24

4.4 遗传算法优化BP神经网络结果对比 25

4.5小结 27

第5章 总结展望 28

5.1 总结 28

5.2 展望 28

致谢 30

参考文献 31

1. 绪论
   1. 研究背景

中国正处在发展和变革的时期，其能源前景将与过去截然不同。近年来，人们对中国发展的描述主要是强调中国的发展的步伐以及中国如何成功地使数亿人摆脱贫困。中国对各种能源的渴望，主要是煤炭和石油。但是中国的发展方式也正在发生转变，向更洁净的方式转变。

随着人们经济的发展，中国正在成为汽车消费和生产大国，面临着节能减排的重大挑战。而国家也出台了一系列限制排量政策，使得各个厂商的大部分热销车型都不得不进行降杠处理，但是这仍不是解决本质问题的方法。从环保、经济和技术的角度来看，电动汽车发展的趋势将是不可阻挡。率先开发新能源，凝聚全国力量，争取新的制高点和技术支持，是国家战略方针。从政策的福利来看，电动汽车正在稳步发展，电动汽车与传统汽车的区别在于电力系统，电池是电动汽车的主要动力源和储能单元。电池的性能影响着电动车的整体性能，也是电动车辆设计和开发的重点和难点。在电池方面，锂电池的高能量密度、自放电率低和无记忆效率等优点[1]，逐渐取代传统电池的地位，成为最广泛使用的动力电池。但是锂电池也存在一定的缺点，不能过充、放电，因此对锂电池电量的管理成为一个重要的问题。电动汽车中有一个完整的电池管理系统，可以在线评估电池的状态，对评估的结果进行有效的调节，使使用者可以时刻了解到电动汽车的状态，采取适当的措施，达到更安全和更有效的目的。锂电池的荷电状态（SOC）可以反映电池的剩余电量，并且是电动汽车电池管理系统的一个重要参数。精确的 SOC 值可用于表征电池使用情况和充放电情况，并制定理想的电池充电和放电策略。它可以有效地管理电池本身，而不会过度的充电和放电，还可以监视电池的充电状态，同时实现对电池组中每个电池容量的合理分配，使每个电池的电量尽可能均匀的分配，提高效率的同时增加电池寿命。然而，在电池使用过程中，内部参数变化很大，环境复杂，使其成为一个高度非线性参数，不能直接测量，使得电池SOC估算成为一个热门研究对象。

• 1. SOC估算国内外研究现状

目前锂电池剩余电量（SOC）估算常用的方法如下：

（1）安时积分法：安时积分法是最常用的SOC估算方法，计算公式下：

(1.1)

利用一段时间内电流与时间的积分值与电池容量的比值可得到这段时间内放出的电量，其与起始SOC值得差值可得到剩余电量（SOC）。虽然方法简单便捷，但是也存在很多缺点，比如值不好确定，电流测量不准确会造成累计误差，放电效率需要通过大量实验获得经验公式等。传统方法会利用开路电压法的OCV-SOC曲线来获得，但是开路电压的获取必须通过几个小时以上的静置才能得到，不适用于在线估算。在传统的安时法估算的时候，只考虑了理想短暂状态下的估算，而没有考虑到锂电池在应用到实际后产生的各种状态参数的改变，杨文荣、朱赛飞等针对这些不足，对不同电流下的库伦效率和电池的总容量做出实时的修正，使得安时法能估算更为复杂的电池数据，实现短时间较精准的估算。

（2）开路电压法：电池在长时间静置的情况下，可以获得开路电压，而此刻的开路电压与充满电和充分放电的关系可得到SOC，因此可根据开路电压来估算SOC，公式如下：

(1.2)

其中为电池开路电压，a为充满电时的开路电压，b为充分放电的时开路电压。电池在通过几个小时等不确定的静置时间后得到一定的开路电压以及其对应的SOC，再对它们进行曲线拟合，从而得到OCV-SOC曲线，可利用此曲线通过开路电压来估算SOC值。但是也存在和明显的缺陷，电池的静置时间长而且不易确定静置时间，因此很少在应用于实际，但是可以与其他的估算方法结合使用[3]。

（3）卡尔曼滤波法：卡尔曼滤波算法的核心是最优估计，先对输入量进行一个估算，然后对其进行修正，以达到最优估计[4]。算法需要建立电池的动态模型，电池模型的选择很大程度上决定这SOC关算的精度，因此在使用卡尔曼滤波算法的时候必须慎重选择电池的建模，而目前常用的电池建模有Thevenin模型、PNGV、模型Rint模型以及非线性模型等。卡尔曼滤波算法的主要应用对象是线性问题，而SOC估算是一个高度非线性问题，因此韩忠华等人提出扩展卡尔曼滤波（EKF），对SOC估算的非线性系统线性化，它解决了安时积分难以确定初始值的问题，估算精度有所提高[5]。虽然EKF进行了线性化，但是误差精度不够，谢广等人又提出了无迹卡尔曼滤波（UKF）[6]，改变线性化规则，采用卡尔曼滤波框架，没有忽略高阶项，因此精度较EKF有所提高。

（4）神经网络算法：它是对人脑神经网络进行建模，神经元之间不同的连接方式构成不同的神经网络，在锂电池的SOC估算领域大多数使用的是BP神经网络，这是一个前馈式神经网络，需要通过大量的数据进行大量的迭代训练达到预期效果。BP神经网络的训练数据以及训练方法的选择决定着训练的精度。L.Wang 等使用神经网络将电池的荷电状态分成不同的等级，估算结果精确度很高，但使用的节点数过多，导致训练时间较久[7]。R. E. White 等将电池的电流和电压作为神经网络的输入层，由于没有考虑逼得因素的影响，精度不是很好[8]。虽然对输入选择不同的数据进行训练能改善神经网络的优化效果，但是权值和阈值同样在很大程度上影响训练的精度，黄磊等通过遗传算法对神经网络随机产生的权值和阈值进行全局优化，再用优化后的权值和阈值对BP神经网络进行仿真，误差有所减少[9]。

• 1. 研究内容及方法

在时代背景的推动下，电动汽车已经成为不可阻挡的趋势，因此针对锂离子电池的特性，对它的缺点进行相应分析并采取一定的优化措施。根据众多的实际应用可以知道锂电池的不耐过充、放的缺点，而解决的办法也很简单，只需要对锂电池的电量进行管理，可以准确的了解锂电池的电量，就可以根据锂电池的电量进行相应的操作，以达到控制锂电池电压的目的。

主要工作如下：

(1)首先在进行锂电池的估算之前，需要对锂电池的基本工作原理以及其特性作了解，好对后面SOC估算的训练数据做好选择，以及对数据的分析。

(2)根据本文所选择的估算方法，对神经网络的基本原理进行了解，并根据SOC的定义以及电池的特性分析选择神经网络的输入层和输出层，而输入层则没有明确的要求。分别对训练函数、隐层个数和隐层层数来对比网络的性能，对比训练的误差平均值、标准差和时间来评估网络的精度、效率和稳定性。

(3)在前期的BP神经网络中权值和阈值都是程序本身随机产生的，而BP神经网络本身的特性，当训练陷入极小值的时候导致训练结果与最优值存在一定差距，导致训练误差精度不够。针对这个不足，采用遗传算法先对BP神经网路的权值和阈值进行优化，遗传算法的变异能力使得其寻找最优值的精度很高，可以弥补神经网络本身的不足，单训练时间大大增加。

1. 锂离子电池特性

通过了解锂电池的内部工作原理以及其基本特征，再根据锂电池的SOC定义，可以为后面神经网络算法估算锂电池SOC输入层做出选择。

2.1 锂离子电池基本特征

锂离子内部正负极材料的特殊晶体结构，使得电池在充放电过程中锂离子的运动而不会产生结构上的变化，使得锂电池可以循环使用。锂电池的正负极材料因为需要在充放电过程中不会导致结构的变化，则必须选择能在进行锂离子的脱离和嵌入不会改变结构的物体[10]。在锂电池的正极需要在充电的时候放出锂离子，因此一般选择为锂离子的化合物，负极材料需要在充电的时候能嵌入锂离子，而且在放电时又能脱离锂离子不改变结构，一般采用石墨材料。在充电过程中，锂离子充正极的锂离子化合物中脱离出来，然后经过只能离子通过聚合物隔膜进入到可以运输锂离子的电解液中，然后再经过聚合物隔膜进入负极与石墨材料进行结合，这是锂电池充电的过程，而在充电过程刚好与放电相反。锂离子电池的结构如图1.1.

图1.1 锂电池结构示意图

在充放电过程锂电池的内部的化学反应如下：

充电时正极反应： (2.1)

负极反应： (2.2)

放电时与充电状态刚好相反，式中N为Fe、Co、Ni等。

2.2 影响SOC估算的锂离子因素分析

2.2.1 锂电池SOC定义

锂电池SOC一般认为是锂电池的剩余可用电量与总可用电量的比值，这是电流在进行恒流充放电的情况下才适用的，不然电池的总电量是变化的[11]，即：

（2.3）

2.2.2 影响SOC估算因素影响分析

（1）放电电流的影响

根据SOC的定义知道如果影响到电池的电量就会影响锂电池的SOC，而锂电池在不同的放电电流的情况下电池的总可用容量也会不一样。比如本次应用训练的数据，在以0.5c的大电流放电的情况下的总容量是41.808Ah，而在0.1c的小电流放电的情况下容量是35.063Ah，两者之间的误差还是很大的，如果用同一个容量来计算，肯定会产生一定的误差，因此放电电流是一个影响锂电池SOC的重要因素。

（2）自放电的影响

虽然锂电池的自放电率相较别的电池是是比较低的，但是还是会存在自放电。锂电池充放电的本质是发生化学反应，在不使用电池的情况下，内部材料也会因为自身活性而进行化学反应，这是电池本身内部发生的化学反应，是很难估测的，当发生自放电的时候不会对电池的总容量产生影响，但会对剩余电量产生影响，所以也会影响锂电池的SOC估算。

（3）温度的影响

从电池的充放电原理可知，在整个过程其内部都是依据化学反应来实现的。在化学反应中，温度是一个至关重要的因素，温度的高低会影响其中锂离子的活性，锂离子活性的变化会影响到正负极之间的浓度差，从而导致电流的变化，回到了第（1）点提到的问题。

（4）老化的影响

就如我们日常使用的手机锂电池，随着我们使用次数的增加，我们会发现使用的越久越来越不耐用，这是因为电池的在经过多次循环使用后电池的总容量会有不同程度的损耗，这给锂电池的SOC估算提高了难度。锂电池的老化现象普遍存在，技术手段难以改善，而且很在通过电池的数据获取到电池的老化影响，电池的老化影响是一个长时间的变化过程，很难估算到老化的影响，但是电池的老化得在考虑范围内。

2.3 锂电池的基本模型

很多方法在进行锂电池SOC估算的时候都需要用到锂电池的模型来估算，虽然本次估算的方法没有用到锂电池的建模，但是通过锂电池的模型能够了解电池的基本运行规律。

(1)理想模型

图1.2 理想模型

理想模型把电池当作一个电压源串联一个电阻，没有考虑到电池内部在实际过程中的各种动态参数。

(2)Thevenin 模型

Thevenin模型相对于理想模型增加了一个RC回路，这个RC回路来表示电池的极化电阻的极化电容，通过这个极化电阻和极化电容可以模拟出电池的动态参数。

（3）基于阻抗的电路模型

通过阻抗的方式来表现电池的交流特性，但是拟合的过程比较复杂 。

(4)基于运行时的电池模型

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：