基于BP神经网络的HPPC低温SOC优化估计①

唐 豪,张振东,吴 兵

(上海理工大学 机械工程学院,上海 200093)

在中国,很多地区的冬季温度都在0 度左右,并且随着电动汽车在国内的普及,其核心部件锂电池的低温特性应该满足在特定环境下的使用要求.如何在低温状态下实时显示估计锂电池的实时容量对与电池状态管理至关重要.电动汽车动力电池组荷电状态(State Of Charge,SOC)、电池组健康状态(State Of Health,SOH)、放电深度(Depth Of Discharge,DOD)、能量状态(State Of Energy,SOE)、剩余寿命(ResidUal Life,RUL)等电池管理系统(Battery Management System,BMS)参数对锂电池实施运行状态分析起到支撑作用[1].如何精准预测电动汽车锂电池实时荷电状态对电池状态管理,电池寿命,电池的保护是至关重要的,正确的电动汽车锂电池实时荷电状态精准预测应用在电动汽车产业领域上能够大大提升电动汽车电池的安全性以及寿命.因此,准确的预测电池的荷电状态SOC 有利于推动电动汽车技术的进步.电池的SOC与电池两端的电压,充放电时电池的瞬态电流,电池的温度,电阻,电池的实验工况有关.如何在每个瞬时精准预测在当前电流电压下的电池实时SOC是工业界上一大难题.BP 具有较强的非线性映射能力,以及有不错的非线性泛化能力,但在网络层数增加时容易陷入局部最小以及梯度离散的情况[2].传统的BP 神经网络解决的是一个复杂非线性化问题,神经网络的权值大小是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败.有效设计……