基于EKF算法的神经网络估算锂电池SOC

丁羿茗，吕瑞强，蒋 超

(空军勤务学院，江苏徐州221000)

锂电池在使用的过程中，SOC是一个重要的参数。SOC是指在相同的放电倍率下，电池剩余容量与在相同条件下总容量的比值。如果电池的SOC计算不准确，会导致过充电和过放电的发生，严重时还会导致锂电池内部结构的损坏。

目前估算SOC使用较多的方法有安时积分法、神经网络法、卡尔曼滤波法等。文献[1]通过修正容量，提高了安时积分法的精度。文献[2]运用BP 神经网络估算SOC，同时根据铅酸蓄电池特性，建立了电池模型。文献[3]以一阶RC 等效电路模型为基础，运用扩展卡尔曼滤波，对锂电池SOC进行估算。锂电池作为非线性时变的系统，我们很难建立精确的数学模型，估算的精度会因为模型的精度而受到影响。神经网络算法可以摆脱数学模型的束缚，通过训练输入输出实验数据，即可得到准确的SOC估计值，传统的BP 神经网络因为算法的求解特性，容易陷入局部最优，从而影响估算的精度，针对这个问题，本文将扩展卡尔曼滤波(EKF)和神经网络结合，使系统具有非线性动态跟踪特性，使用遗传算法对EKF神经网络进行优化，减小了误差的波动范围。

1 锂电池模型的建立与参数辨识

1.1 锂电池模型建立

Thevenin 电路模型符合锂电池非线性的特性，同时RC 等效电路可以体现电池内部化学变化对外部参数的影响。图1是Thevenin 等效电路模型，二阶RC 等效电路模型状态方程见式(1)[4]。

图1 锂电池二阶RC 模型

式中：UOCV为电池的开路电压，R0为电池的欧姆内阻，RC1、RC2、C1、C2代表电池内部发生化学反应的极化内阻，U0为电池的端电压，R、C构成了阻容电路。……