车载锂电池SOC估计的GA-ESN方法

车载锂电池SOC估计的GA-ESN方法

蔡茂

深圳市首航新能源股份有限公司　 深圳 518100中国

摘要：针对车载锂电池荷电状态SOC估计困难和精度低等问题，采用遗传算法（GA）和回声状态网络（ESN）联合的GA-ESN模型用于SOC的估计。通过遗传算法对回声状态网络未定的网络参数进行选择、交叉和变异等操作，根据计算适应度函数值的大小,优选出使回声状态网络性最优的网络参数。进一步将已建立的GA-ESN模型在NYCC、UDDS和US06工况下估计SOC，仿真结果表明GA-ESN用于SOC的估计误差可控制在5%以内，验证了该模型应用于SOC估计的可行性。

关键词：锂电池；荷电状态；遗传算法；GA-ESN；回声状态网络

0 引言

车载锂电池作为新能源电动汽车的供能核心[1]，其荷电状态SOC（state of charge）的估计研究对于电池系统有效管理、动力系统参数优化、提高整车动力性以及延长电池使用寿命具有重要意义[2]。在实际工况中SOC受电池组温度、充放电倍率以及老化等诸多时变因素的影响[3-4]，致使SOC准确估计困难。目前使用的SOC估计方法主要有安时积分法、开路电压法、卡尔曼滤波算法和神经网络法等[5-6]。

基于以上分析，采用遗传算法（GA）与回声状态网络（ESN）结合的神经网络方法用于SOC的估计，遗传算法对回声状态网络的储备池规模N、谱半径SR、输入缩放IS和储备池内部权值矩阵稀疏度SD寻优，并建立了GA-ESN模型。经过遗传算法在NYCC工况下优选ESN模型参数并在UDDS和US06工况下估计SOC，结果表明ESN估计SOC的误差能控制在5%以内，为锂电池SOC的估计提供了一定参考。

1 ESN模型的建立

1.1原理分析

如图1所示为ESN结构图，其中输入节点数为K，储备池规模为N，输出节点数为L，则有输入权值矩阵W(N*K)，储备池内部权值矩阵Win(N*N)，反馈权值矩阵Wback(N*L)。网络初始化阶段，输入权值矩阵、反馈权值矩阵和储备池内部权值矩阵随机产生并保持不变，网络训练只用计算输出权值矩阵。当输入信号u(n)传递至储备池时，经储备池稀疏神经元回荡处理，储备池内部信号x(n)以式（1）进行更新，随后通过线性处理得到输出y(n) ,如式（2），其中f(*)为储备池神经元激活S型函数，fout为网络输出线性函数。

图1 回声状态网络结构图

(1)                       (2)

储备池的性能主要由4个关键参数决定，包括储备池规模N、谱半径SR、输入缩放IS和矩阵稀疏度SD。储备池规模N为储备池神经元个数，；谱半径SR为储备池权值矩阵的最大特征值，且0

1.2参数优化

基于以上分析可知参数N、SR、IS 和SD对ESN模型的性能具有重要的影响，为找到最可靠的网络参数，采用遗传算法优选ESN模型的参数，并设定遗传算法交叉概率为0.8，变异概率为0.01。遗传算法适应度函数为ESN估计 SOC的均方根误差RMSE（Root Mean Square Error），如式（3）定义， RMSE越小，寻优参数的适应度越高。其中ESNSOC为ESN实际输出值，SOC为锂电池实际荷电状态，n为数据总长度，具体实施如下：

(3)

步骤1：建立以锂电池的实时电流、电压和温度数据为输入层，SOC作为输出的ESN模型，将ESN估计SOC的RMSE设定为遗传算法目标函数，并设定RMSE的阈值；

步骤2：设定最大遗传代数为100，并对参数编码；

步骤3：随机产生初始种群，并进行网络估计，计算初始种群中各个个体的适应度；

步骤4：通过轮盘赌法，具有较高适应度值的染色体被复制，通过单点交叉法按照设定交叉概率将两条染色体的基因进行随机交换，按照设定的变异概率将染色体中的基因编码互换；

步骤5：重复步骤3到步骤4，使得初始种群不断优化，直到满足设定RMSE阈值为止。随后对得到的适应度最高的参数进行译码，得到使得ESN估计SOC的最优参数N、SR、IS、SD。

研究选用gm_ev1_in车型、锂电池型号ESS_L17_temp，在NYCC工况下采集锂电池工作时的实时电流I、电压V、电池组温度T以及实际SOC值。研究以I、V和T为ESN 输入信号，估计的SOC 为ESN模型输出信号。经过GA优化后得到ESN模型的两组寻优参数，如表1所示，第一组寻优参数为遗传算法迭代51代时，N=73，SD=0.0541，SR=0.5217，IS=[0.6215;0.6215; 0.6215]， RMSE=0.0316，寻优时间为4.8545s；第二组为迭代83代时，RMSE=0.0160，寻优时间6.7256s，此时得到N=94，SD=0.0628，SR=0.7525，IS=[0.4218;0.4218;0.4218]。

表1 参数寻优结果

2 仿真分析

当采用第一组寻优参数时，ESN估计SOC结果如图2(a)所示,且最大绝对误差达到0.5840，RMSE=0.0316，总体上能跟踪SOC的变化规律，如图2(b)中，可以看到多处估计误差大于5%。当采用第二组寻优参数时，ESN估计SOC如图3(a)和3(b)所示，当ESN模型寻优参数ESN估计SOC最大绝对误差为0.0396， RMSE=0.0160，在图3(a)中可以看出，ESN估计SOC在些许时刻呈现一定的“突变”，造成在某些时刻估计值与实际值波动较大，但总体误差波动可控制在4%以内，相比第一组多处估计误差大于5%。

(a)SOC估计曲线图    (b)SOC估计误差图

图2 第一组参数仿真结果

(a)SOC估计曲线图     (b)SOC估计误差图

图3第二组参数仿真结果

可以发现当储备池规模N在一定范围内增大时，ESN模型具有较高的估计精度和平缓的波动性，这主要是因为储备池内部神经元一定范围内越多，ESN越能准确的分析出网络输入和输出之间的非线性关系；当储备池稀疏度SD在一定范围增大时，储备池神经元连接则愈密集，在一定程度上储备池会具有更复杂的状态空间，因此在输入信号传输到储备池时，状态空间能有效应对所输入的信号，呈现出复杂的状态空间来得到网络实际输出。

3 结论。

针对车载锂电池SOC估计困难和不准确等问题，构建了以车载锂电池实时电流、电压和温度为网络输入，估计SOC为网络输出的ESN模型，并采用遗传算法完成了ESN模型的参数寻优。仿真结果表明GA优化的ESN模型估计车载锂电池SOC具有较好的效果，且估计误差能控制在5%以内，可以较为准确的跟踪SOC的非线性变化，具有良好的估计精度和泛化能力，为锂电池SOC的评估研究以及电池BMS管理系统优化等问题提供了良好的基础，具有一定的参考价值。

参考文献

[] 杨萍,苏金然.锂离子电池技术与应用发展[J].电源技术,2009,33(11):1037-1039.

[2] 张利,王为,陈泽坚,等.新能源汽车SOC估算的模糊预测算法研究[J].电子测量与仪器学报,2011,25(04):315-319.

[3] 魏东涛, 黄之杰, 孔华,等. 蓄电池SOC的研究及预测方法[J]. 电源技术, 2016, 40(6):1321-1323.

[4] 程泽, 杨磊, 孙幸勉. 基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计[J]. 中国电机工程学报, 2018, 38(8)2384-2392.

[5] Lin C, Yu Q, Xiong R, et al. A study on the impact of open circuit voltage tests on state of charge estimation for lithium-ion batteries[J]. Applied Energy, 2017, 205(1):892-902.

[6] Baccouche I, Jemmali S, Manai B, et al. Improved OCV Model of a Li-Ion NMC Battery for Online SOC Estimation Using the Extended Kalman Filter[J]. Energies, 2017, 10(6):764.