基于QGA-QBP的动力电池SOC估计

戴尉阳，唐 忠，史晨豪，李泽霜

(上海电力大学电气工程学院，上海 200090)

在当前能源与环境问题愈发严峻的形势下，电动汽车(electric vehicles，EV)因其高效节能的优势，在全球范围内迅速发展，截至2019 年底，全球EV 保有量已接近800 万辆。电池管理系统(battery management systems,BMS)具有评估充电估计、健康预测、热控制、均衡电量、保护以及优化能耗等功能[1]。动力电池荷电状态(state of charge,SOC)估计是BMS 的重要一环[2]。电池内部较为复杂，呈现出高度的非线性[3]，致使SOC不可直接获取，很难针对其充放电系统建立准确的数学模型,只能通过参数联合一定算法间接得到。

常见的SOC估计方法有伦伯格观测器[4]、模糊观测器[5]、电化学法、开路电压法、卡尔曼滤波法[6]和神经网络法等。由于计算机硬件和软件的发展，传统的人工神经网络可通过增加计算层数大大提高性能[7]，已有大量研究通过神经网络进行SOC估计。文献[8]通过优选训练数据，采用BP 神经网络对SOC进行估计；文献[9]通过PSO-BP 算法提高传统BP 神经网络在SOC估计上的精度；文献[10]通过改进模糊神经网络估计SOC，提高了传统模糊神经网络的精度；文献[11]改进的BP-EKF 算法对SOC进行估计，通过BP 与EKF 的结合提高了传统EKF 算法的估计精度。但上述文献在估计精度及收敛速度上还有较大的提升空间。

本文提出一种量子遗传算法(quantum genetic algorithm，QGA)改进的量子BP 神经网络(quantum BP neural network，QBP)，在考虑电池健康状态(state of health，SOH)的情况下对EV 动力电池进行SOC估计。首先分析影响SOC估计的参数，确定模型输入参数，然后构建基于QGA-QBP 的SOC估计模型，最后通过MATLAB 仿真验证本模型的有效性。

1 SOC估计模型参数设定

目前，业内还没有较成熟的直接测量锂离子电池荷电状态的方法。……