本站小編為你精心準(zhǔn)備了動(dòng)力電池神經(jīng)網(wǎng)絡(luò)論文參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。

1神經(jīng)網(wǎng)絡(luò)和電池SOC簡(jiǎn)介

1．1BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介神經(jīng)網(wǎng)絡(luò)由大量簡(jiǎn)單的單元構(gòu)成的非線性系統(tǒng)，具有非線性映射能力，不需要精確的數(shù)學(xué)模型，擅長(zhǎng)從輸入輸出數(shù)據(jù)中學(xué)習(xí)有用知識(shí)［7］。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)基本單元。神經(jīng)元模型如圖1所示。由連接權(quán)、加法器和非線性激活函數(shù)這3種元素組成。1986年，Rumelhart及其研究小組在Nature雜志上發(fā)表誤差反向傳播(errorback-propagation)算法［8］，并將該算法用于神經(jīng)網(wǎng)絡(luò)的研究，使之成為迄今為止最著名的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法———BP算法［9］。由該算法訓(xùn)練的網(wǎng)絡(luò)，稱(chēng)為BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種正向的、各層相互連接的網(wǎng)絡(luò)。輸入信號(hào)首先經(jīng)過(guò)輸入層傳遞給各隱含層節(jié)點(diǎn)，經(jīng)過(guò)激發(fā)函數(shù)，將隱含層節(jié)點(diǎn)的輸出傳遞到輸出節(jié)點(diǎn)，最后經(jīng)過(guò)再經(jīng)過(guò)激發(fā)函數(shù)后才給出輸出結(jié)果，若輸出層的輸出和期望輸出之間的誤差達(dá)不到要求，則轉(zhuǎn)入反方向傳播，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修個(gè)神經(jīng)網(wǎng)絡(luò)各層的權(quán)值，使過(guò)程的輸出和神經(jīng)網(wǎng)絡(luò)的輸出之間的誤差信號(hào)達(dá)到期望值為止［10］。

1．2電池SOC的定義動(dòng)力電池的剩余電量，是指電池在當(dāng)前時(shí)刻，達(dá)到放電截止電壓前可以使用的電量。目前，國(guó)內(nèi)外普遍采用荷電狀態(tài)來(lái)表征電池的剩余容量［11］。電池的荷電狀態(tài)(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(dòng)力電池是一個(gè)非線性系統(tǒng)，其中電池的荷電狀態(tài)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(huán)境溫度以及電池的工作狀態(tài)等因素。(1)電池的充/放電倍率電池的放電電流的大小，會(huì)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(huì)隨著放電倍率的增加而降低［12］。(2)自放電自放電又稱(chēng)荷電保持能力，指在一定的條件下，當(dāng)電池處于開(kāi)路狀態(tài)時(shí)，電池對(duì)電量的儲(chǔ)存能力。電池在自放電的作用下，SOC值會(huì)隨著存儲(chǔ)時(shí)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(dòng)力電池的使用環(huán)境溫度發(fā)生變化時(shí)，電池的可用容量也會(huì)隨之發(fā)生變化。在溫度較低時(shí)，電池活性較低，電池可用容量降低;當(dāng)溫度升高時(shí)，電池活性增強(qiáng)，可用容量也隨之增多。因此，在預(yù)估電池的荷電狀態(tài)時(shí)，需要考慮到電池的溫度的影響。

2神經(jīng)網(wǎng)絡(luò)SOC估計(jì)器設(shè)計(jì)

2．1實(shí)驗(yàn)數(shù)據(jù)的獲取本研究的實(shí)驗(yàn)數(shù)據(jù)是在ADVISOR2002汽車(chē)仿真軟件上仿真得到的。ADVISOR(AdvancedVehicleSim-ulator，高級(jí)車(chē)輛仿真器)是由美國(guó)可再生能源實(shí)驗(yàn)室，在Matlab/Simulink軟件環(huán)境下開(kāi)發(fā)的高級(jí)車(chē)輛仿真軟件［13］。該軟件的界面友好、源代碼完全開(kāi)放，目前已經(jīng)在世界范圍內(nèi)廣泛使用。ADVISOR采用了前向、后向相結(jié)合的混合仿真方法。后向仿真方法是在假設(shè)車(chē)輛能滿足道路循環(huán)的請(qǐng)求行駛軌跡(包括汽車(chē)行駛速度、道路坡度和汽車(chē)動(dòng)態(tài)質(zhì)量)的前提下，計(jì)算汽車(chē)中各個(gè)部件性能的仿真方法，前向仿真是根據(jù)駕駛員行為調(diào)節(jié)部件，使得車(chē)輛各部件跟隨路面循環(huán)工況［14］。本研究在ADVISOR軟件搭建了某國(guó)產(chǎn)電動(dòng)汽車(chē)的仿真平臺(tái)。整車(chē)的主要技術(shù)參數(shù)如表1所示［15-16］。模擬行駛程序使用的測(cè)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(shí)間關(guān)系曲線如圖2所示。ECE工況、UDDS工況和HWFET工況均被廣泛應(yīng)用于電動(dòng)汽車(chē)性能測(cè)試。其中ECE工況為歐洲經(jīng)濟(jì)委員會(huì)汽車(chē)法規(guī)規(guī)定的汽車(chē)測(cè)試循環(huán)工況。ECE工況是用來(lái)測(cè)試車(chē)輛在城市低速道路下車(chē)輛的循環(huán)工況。其循環(huán)時(shí)間為195s，車(chē)輛行駛的路程為0．99km，最高車(chē)速為50km/h。UDDS工況是美國(guó)環(huán)境保護(hù)署制訂的城市道路循環(huán)工況，用來(lái)測(cè)試車(chē)輛在城市道路下行駛的各種性能的循環(huán)工況。其循環(huán)時(shí)間為1367s，行駛路程為11．99km，最高車(chē)速為91．25km/h。HW-FET工況為美國(guó)環(huán)境保護(hù)署制訂的汽車(chē)在高速公路上的循環(huán)工況，用來(lái)測(cè)試汽車(chē)在高速道路上車(chē)輛行駛的循環(huán)工況，其循環(huán)時(shí)間為767s，行駛路程為1．51km，最高車(chē)速為96．4km/h。在搭建的仿真平臺(tái)上，本研究進(jìn)行了仿真，其中電動(dòng)汽車(chē)使用的電池為鋰電池。虛擬電動(dòng)汽車(chē)共行駛了2329s，行駛的距離為14．49km。對(duì)電動(dòng)汽車(chē)的電池的充放電電流、電池溫度和電池的SOC進(jìn)行采集，得到結(jié)果如圖3～5所示。

2．2數(shù)據(jù)預(yù)處理根據(jù)前文的分析，本研究的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練數(shù)據(jù)選擇如下。本研究選擇動(dòng)力電池的充放電電流和電池的溫度作為動(dòng)力電池神經(jīng)網(wǎng)絡(luò)的輸入，電池的SOC作為神經(jīng)網(wǎng)絡(luò)的輸出。在對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化操作。歸一化操作可以避免各個(gè)因子之間的量級(jí)差異，加快BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂，減少計(jì)算難度。對(duì)數(shù)據(jù)進(jìn)行如下操作。

2．3動(dòng)力電池SOC神經(jīng)網(wǎng)絡(luò)的訓(xùn)練SOC估計(jì)是根據(jù)動(dòng)力電池的電流、溫度的數(shù)值得到電池的SOC數(shù)值。使用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)估計(jì)器的目的是為了能夠逼近函數(shù)。本研究使用了BP神經(jīng)網(wǎng)絡(luò)模型來(lái)逼近動(dòng)力電池的電流、溫度和SOC之間的關(guān)系，其中BP神經(jīng)網(wǎng)絡(luò)的隱含層選擇tansig函數(shù)。學(xué)習(xí)算法使用基于數(shù)值最優(yōu)化理論的Levenberg-Marquardt算法作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。

3實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

為了驗(yàn)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(shí)驗(yàn)數(shù)據(jù)作為測(cè)試樣本數(shù)據(jù)來(lái)驗(yàn)證本研究得到的神經(jīng)網(wǎng)絡(luò)模型。這3種工況分別是:普銳斯工況(Prius工況，該種工況用來(lái)測(cè)試豐田普銳斯混合動(dòng)力汽車(chē)的行駛工況)，CYC_Nuremberg_R36工況(該種工況用來(lái)測(cè)試德國(guó)紐倫堡市36路公共汽車(chē)線路工況)和CYC_US06工況(該種工況用來(lái)考察測(cè)試車(chē)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(chē)在城市中行駛的加速、減速、低速和高速行駛的各種工況，測(cè)試混合工況如圖6所示。本研究對(duì)得到的測(cè)試數(shù)據(jù)同樣進(jìn)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(shí)際值和經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)得到的SOC估計(jì)值如圖7所示。通過(guò)求神經(jīng)網(wǎng)絡(luò)模型的輸出值和真實(shí)值之間的誤差值，來(lái)評(píng)價(jià)本研究的神經(jīng)網(wǎng)絡(luò)模型的精度。其計(jì)算公式如下式所示。得到的神經(jīng)網(wǎng)模型的估計(jì)值與動(dòng)力電池SOC的真實(shí)值之間的誤差如圖8所示。通過(guò)圖8可以看出，神經(jīng)網(wǎng)絡(luò)估計(jì)器的估計(jì)值與電池SOC的真實(shí)值之間絕對(duì)誤差的最大值為4%左右，符合動(dòng)力電池對(duì)SOC預(yù)測(cè)的精度要求。

4結(jié)束語(yǔ)

本研究利用反向傳播神經(jīng)網(wǎng)絡(luò)模型(BP神經(jīng)網(wǎng)絡(luò))對(duì)動(dòng)力電池的荷電狀態(tài)(SOC)進(jìn)行估計(jì)，研究了動(dòng)力電池的充放電電流、電池溫度和電池SOC之間的關(guān)系。本研究采用了目前使用廣泛的ADVISOR仿真軟件，通過(guò)搭建仿真平臺(tái)，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(shù)。BP神經(jīng)網(wǎng)絡(luò)的輸入是通過(guò)ADVI-SOR仿真平臺(tái)采集得到的電流值和溫度值，輸出是通過(guò)仿真平臺(tái)得到的動(dòng)力電池的荷電狀態(tài)(SOC)。最后得到的神經(jīng)網(wǎng)絡(luò)模型的輸出估計(jì)值與真實(shí)值之間的誤差的最大值為4%，符合電池SOC估計(jì)精度的要求。

作者：蔡信李波汪宏華聶亮單位：國(guó)網(wǎng)浙江省電力公司電動(dòng)汽車(chē)服務(wù)分公司