基于LFOA?GRNN模型的矿用锂电池SOC预测

陈德海 丁博文 潘韦驰

摘  要： 针对矿用电动汽车锂电池SOC预测易受到工况环境影响、建模复杂、预测误差大等问题，该文将电池端电压、放电电流、环境温度、湿度作为SOC的表征因子，构成样本集以训练广义回归神经网络（GRNN），再引入具有Levy飞行特征的双子群果蝇优化算法（LFOA）优化GRNN的平滑因子σ。LFOA结合了Levy飞行搜索和果蝇优化算法的优点，全局搜索能力更强，收敛速度更快。仿真结果表明，经LFOA优化的GRNN能更快地搜索到合适的σ，并有效预测电池任一充放电状态下的SOC，与FOA?GRNN模型比较，LFOA?GRNN模型预测精度更高、时间更短，最大绝对误差不超过0.03，具有较好的工程应用价值。

关键词： 矿用锂电池; SOC预测; GRNN; LFOA; 模型建立; 仿真分析

中图分类号： TN86?34; TM912.9                 文献标识码： A                       文章编号： 1004?373X（2020）06?0115?04

Mining lithium battery SOC prediction based on LFOA?GRNN model

CHEN Dehai， DING Bowen， PAN Weichi

（Jiangxi University of Science and Technology， Ganzhou 341000， China）

Abstract： In allusion to the problem that the state of charge （SOC） prediction of the lithium battery of the mine electric vehicles， which is susceptible to the environmental impact of the working conditions， has complex modeling， large prediction error， etc.， in this paper， the battery terminal voltage， discharge current， ambient temperature and humidity are taken as the characterization factors of SOC to form a sample set to train the generalized regression neural network （GRNN）. The double subgroup drosophila optimization algorithm （LFOA） with Levy flight characteristics is introduced to optimize the smoothing factor σ of GRNN. In combination with the advantages of Levy flight search and drosophila optimization algorithm， LFOA has stronger global search ability and faster convergence speed. The simulation results show that the LFOA?optimized GRNN can search for the appropriate σ more quickly and predict the SOC of the battery under any states of charging?discharging effectively. In comparison with the FOA?GRNN model， the LFOA?GRNN model has higher prediction accuracy and shorter prediction time， and its maximum absolute error is less than 0.03. It has a certain engineering application value.

Keywords： mining lithium battery; SOC prediction; GRNN; LFOA; modelling; simulation analysis

0  引  言

随着国家对金属地下矿山绿色生产、环境保护越来越重视，传统的矿用汽车使用柴油设备污染矿山空气、耗能大、噪声大，因而逐步被电动汽车代替。锂电池具有放电电压稳定、自放电率低、使用寿命长、质量轻、环境污染小的优点，将逐步取代传统铅酸蓄电池成为矿用电机车主要动力源。矿用电动汽车的荷电状态（State of Charge， SOC）估计是目前电动矿用设备的关键技术，SOC的估计对于电动汽车的续航里程的预估和动力电池的安全保护起着十分重要的作用[1]。精确估计动力电池的SOC既可以有效地避免电池的过冲和过放，又可以给电池均衡系统提供重要参数，进而提高电池使用性能，延长电池使用寿命。由于锂电池内部电化学特性复杂，导致在电动汽车行驶过程中电池SOC值与电压、电流、内阻、温度、健康状态等影响因素之间表现出高度非线性耦合关系，这使得建立锂电池SOC预测模型变得困难，因此精准在线预测SOC一直是电池管理的重点和难点。

鉴于环境温度、湿度变化会影响锂电池最大可用容量[12]，本文提出将锂电池端电压、放电电流、环境温度、湿度作为其SOC的表征因子（CI）。利用广义回归神经网络对锂离子电池SOC进行预测，不需要考虑锂电池内部复杂的电化学反应和外部环境，只要在不同工况下对锂电池进行充放电实验，记录下CI?SOC样本集，输入GRNN，再引入LFOA算法用以离线训练GRNN，达到预测精度要求后，GRNN就可以用来在线预测锂电池SOC。其估算SOC的基本框架如图3所示。

3  实验仿真与分析

3.1  搭建实验平台

本文选取15并15串磷酸铁锂电池组，合计容量为60 A·h，额定电压51 V，单体电池标称电压为4.2 V，额定容量2 500 A·h，温度变化范围为0～40 ℃，湿度范围在40%～70%之间，放电倍率为1 C， 采样间隔时间为5 s，放电时间为3 000 s，重复放电实验8次，记录循环放电实验下的电池端电压、放电电流、环境温度、湿度、电池SOC。对采集数据进行归一化处理，选取400组数据用于训练网络，70组数据用于模型验证。

3.2  LFOA?GRNN模型验证

利用Matlab自带的广义回归神经网络工具箱，以LFOA动态搜寻GRNN的参数σ，建立LFOA优化GRNN预测模型，结合Simulink和ADVISOR进行实验仿真。处理后的CI?SOC样本数据集用于训练测试LFOA?GRNN模型、FOA?GRNN模型。设定LFOA算法最大迭代次数Gmax=100，种群规模Size=20，果蝇群体飞行方向和距离区间[13]为[-1，1]，Levy飞行参数β=1.5。迭代寻优100次后， LFOA?GRNN模型得到的最优σ值为0.110 8，FOA?GRNN模型得到的最优σ值为0.165 9。图4为σ寻优过程中，GRNN预测均方误差的收敛情况。由图4可知，LFOA?GRNN模型较FOA?GRNN模型，收敛速度快，收敛效果好。图5是实验电池的SOC真实值与LFOA?GRNN模型、FOA?GRNN模型预测结果比较图。仿真结果表明，LFOA?GRNN模型SOC预测精度更高，速度更快，最大绝对误差不超过0.03。

4  结  论

本文针对锂离子电池SOC在复杂的矿井工况下预测精度不高的问题，以锂电池端电压、放电电流、环境温度、湿度作为锂电池SOC的表征因子（CI）输入广义回归神经网络，再利用LFOA强大的全局搜索能力优化GRNN网络平滑因子σ。广义回归神经网络结构简单，人为参数少，训练速度快。双子群果蝇优化算法较之果蝇算法全局搜索能力更强，收敛速度更快，且比传统遗传算法简单易实现。GRNN网络经LFOA优化调整σ后，预测能力进一步提升。实验结果表明，LFOA?GRNN模型预测效果好，泛化能力强，响应速度快，为矿用锂电池SOC预测提供了良好的思路。

参考文献

[1] XIONG R， HE H W， WANG Y， et al. Study on ultracapacitor battery hybrid power system for PHEV applications [J]. High technology letters， 2010， 16（1）： 23?28.

[2] 潘卫华，刘晓丹.基于改进卡尔曼滤波的锂电池SOC估算研究[J].计算机仿真，2014，31（3）：148?150.

[3] LI R， WU J F， WANG H Y， et al. Prediction of state of charge of Lithium?ion rechargeable battery with electrochemical impedance spectroscopy theory [C]// 2010 5th IEEE Conference on Industrial Electronics and Applications. [S.l.]： IEEE， 2010： 684?688.

[4] JANG J， YOO J. Equivalent circuit evaluation method of lithium polymer battery using Bode plot and numerical analysis [J]. IEEE transaction on energy convers， 2011， 1（26）： 290?298.

[5] CUI N， ZHANG C， KONG Q， et al. A combined method of battery SOC estimation for electric vehicles [J]. IEEE industry applications， 2010（12）： 1147?1151.

[6] EINHORN M， CONTE F V， KRAL C， et al. A method for online capacity estimation of lithium ion battery cells using the state of charge and the transferred charge [J]. IEEE transactions on industry applications， 2012（2）： 736?741.

[7] ROSCHER M A， BOHLEN O S， SAUER D U. Reliable state estimation of multicell lithium?ion battery systems [J]. IEEE transaction on energy convers， 2011， 26： 737?743.

[8] 张前图，房立清，赵玉龙.具有Levy飞行特征的双子群果蝇优化算法[J].计算机应用，2015，35（5）：1348?1352.

[9] 潘海鸿，吕治强，付兵，等.采用极限学习机实现锂离子电池健康状态在线估算[J].汽车工程，2017，39（12）：1375?1381.

[10] 李哲，韩雪冰，卢兰光，等.动力型磷酸铁锂电池的温度特性[J].机械工程学报，2011，47（18）：115?120.

[11] 张松，张会林，金焱飞，等.一种150V矿用锂电池管理系统的SOC估算策略[J].电源技术，2017，41（1）：41?43.

[12] 冯飞，逯仁贵，朱春波.一种锂离子电池低温SOC估计算法[J].电工技术学报，2014，29（7）：53?58.

[13] 朱富占，邹海，张馨.改进果蝇算法优化GRNN在弹痕深度预测中的应用[J].微电子学与计算机，2019，36（2）：41?45.