CN104537268A - 一种电池最大放电功率估算方法和装置 - Google Patents

Abstract

本发明提供一种电池最大放电功率估算方法，包括：建立输入为SOC、SOH和温度T以及输出为电池估算最大放电功率P_Dismax的神经网络模型；按照预设步长获取SOC、SOH和温度T及对应的P_Dismax；将SOC、SOH、温度T和P_Dismax作为神经网络模型的训练样本、按照预设算法训练神经网络模型、获得SOC、SOH、温度T与P_Dismax的函数映射关系，建立电池最大放电功率估算函数；利用电池最大放电功率估算函数估算电池的最大放电功率。通过建立神经网络模型，并采用实际采集的训练样本对神经网络模型进行训练，可根据电池特性建立满足特定精度要求的电池最大放电功率估算函数用于估算电池的最大放电功率。

Description

一种电池最大放电功率估算方法和装置

技术领域

本发明涉及电动汽车技术领域，特别涉及一种电池最大放电功率的估算方法和装置。

背景技术

电动汽车是未来汽车行业的重要发展、升级领域，其通过内部动力电池系统作为动力来源，电池系统的最大放电功率直接决定了电动汽车的输出功率和行驶速度，如何根据电池的各种状况估算电池的最大放电功率，对防止电池过放电、增加电池使用寿命具有重要意义。

经过长期的实践积累，已得出可用于评价电池放电功率的参数包括电池荷电状态(State of Charge，SOC)、电池健康状态(State ofHealth，SOH)和温度(Temperature，T)。其中SOC表示电池剩余电量与电池总容量的比值、SOH代表了电池可放出容量与电池组出厂容量的比值。从使用角度考虑，电池的输出电压直接表示了电池的放电功率。

目前，纯电动汽车电池的最大放电功率都是通过不同温度、不同SOC建立查找表得到预先设计好的数值，实际应用中直接利用查找表查找特定温度、特定SOC下对应的最大放电功率数值。这一方法虽然使用简单，但从实际应用出发，可发现其具有以下问题：首先，由于预先设定的查找表代表了同一型号电池组的整体放电特性，并不能真实反映每一辆汽车特定的电池组实际特性；其次，设定值为在线理想环境下采用精密仪器测量得到，实际应用中测量条件和理想环境条件有很大差距，造成相关数据测量可能产生较大误差，如SOC误差在6％以上；再次，随着使用电池的放电性能会发生衰减，以出厂电池条件下设计的最大放电参数与实际电池放电能力不符，经常会造成电池的过放电。

发明内容

本发明提供一种电池最大放电功率估算方法，包括以下步骤：

建立输入为SOC、SOH和温度T以及输出为电池估算最大放电功率P_Dismax的BP神经网络模型；

按照预设步长获取所述SOC、所述SOH和所述温度T及对应的所述P_Dismax；

将所述SOC、所述SOH、所述温度T和所述P_Dismax作为所述BP神经网络模型的训练样本、按照预设算法训练所述BP神经网络模型、获得所述SOC、所述SOH、所述温度T与所述P_Dismax的函数映射关系，建立电池最大放电功率估算函数；

利用所述电池最大放电功率估算函数估算电池的最大放电功率。

通过建立BP神经网络模型，并采用实际采集的训练样本对BP神经网络模型进行训练，可根据电池特性建立满足特定精度要求的电池最大放电功率估算函数用于估算电池的最大放电功率。

优选的，所述BP神经网络模型网络层数为三层、分别为输入层、隐层和输出层；所述隐层的节点数目为6。

优选的，所述隐层的传输函数采用单极性Sigmoid函数，所述单极性Sigmoid函数为：

$a_i^1=\frac{1}{{1+e}^{{-n}_i^1}}(i=\mathrm{1,2,3,4,5,6})$

优选的，采用Levenberg-Marquardt算法对所述BP神经网络模型进行训练，得到所述输入层与所述隐层的权值向量IW²、阈值向量b¹以及所述隐层与所述输出层的权值向量IW²、阈值向量b²。

优选的，采用Levenberg-Marquardt算法对所属BP神经网络模型进行训练时的训练允许误差为100W。

优选的，所述SOC的预设步长为5％、所述SOH的预设步长为5％、所述温度的预设步长为2℃。

优选的，还包括：

实时获取所述电池的当前放电功率P、实际电压U；

对所述当前放电功率P和实际电压U进行判断，若所述当前放电功率P小于所述P_Dismax、且所述实际电压U小于设定阈值时，以当前放电功率P和对应的所述SOC、所述SOH和所述温度T对所述电池最大放电功率估算函数进行修正。

通过实时监控电池的最大放电功率P和实际电压，并根据预测的P_Dismax和设定电压阈值进行判断，对最大放电功率估算函数进行修正，使其符合使用后电池特性要求。

优选的，所述设定阈值为U_lev+2。

本发明还提供一种电池最大放电功率估算装置，包括：

模型建立单元，用于建立SOC、SOH和温度T及电池估算最大放电功率P_Dismax的BP神经网络模型；

获取单元，用于按照预设步长获取所述SOC、所述SOH和所述温度T及对应的所述P_Dismax；

模型训练单元，用于将所述SOC、所述SOH、所述温度T和所述P_Dismax作为所述BP神经网络模型的训练样本、按照预设算法训练所述BP神经网络模型，获取所述SOC、所述SOH、所述温度T与所述P_Dismax的函数映射关系，建立电池最大放电功率估算函数；

控制单元，利用所述电池最大放电功率估算函数估算电池的最大放电功率。

优选的，还包括：

实时监控单元，用于实时获取所述电池的当前放电功率P、实际电压U；

修正单元，用于对所述当前放电功率P和实际电压U进行判断，若所述当前放电功率P小于所述P_Dismax、且所述实际电压U小于设定阈值时，以当前放电功率P和对应的所述SOC、所述SOH和所述温度T对所述电池最大放电功率估算函数进行修正。

附图说明

图1为本发明实施例一中神经网络模型结构图；

图2为本发明实施例一电池最大放电功率估算方法流程图；

图3为本发明实施例二电池最大放电功率估算装置结构图。

具体实施方式

本发明为一种电池最大放电功率估算方法，该方法通过建立BP神经网络模型，利用BP神经网络的误差反向传播算法，确定SOH、SOC和温度T与电池最大放电功率P_Dismax的关系，进而建立电池最大放电功率估算函数，应用于电动车电池最大放电功率的估算。

下面结合附图和具体实施例对本发明作进一步的详细说明。

实施例一：

图2为本发明实施例一电池最大放电功率估算方法流程图，该方法包括：

步骤101：建立BP神经网络模型；

考虑SOC、SOH和温度T对电池最大放电功率P_Dismax具有相关关系，本发明实施例中以SOC、SOH和温度T作为输入参数、P_Dismax作为输出参数建立BP神经网络，图1为本发明实施例一神经网络结构图。本实施例中BP神经网络为三层结构，SOC、SOH和温度T作为输入层输入参数，P_Dismax作为输出层输出参数，中间的隐层设置了节点数为6。本实施例中仅设置了一个隐层，且设置了节点数为6，当然，在本发明的其他实施例中根据实际估算电池特性以及SOC、SOH和温度T与P_Dismax的非线性程度，设置多个隐层或将本实施例中的隐层数目设置为其他数量。

BP神经网络中的隐层应当设置下层节点输入对上层节点输出的响应刺激函数，且响应刺激函数应具有可微性，本实施例中采用了单极性Sigmoid函数；单极性Sigmoid函数为：

$a_i^1=\frac{1}{{1+e}^{{-n}_i^1}}(i=\mathrm{1,2,3,4,5,6})$

步骤102：按照预设步长获取SOC、SOH和温度T及对应的P_Dismax；

本步骤中通过采用相应的测量设备，采集不同SOC、SOH和温度T条件下P_Dismax，作为步骤101中的BP神经网络模型的训练样本。为保证数据具有代表性，本实施例中的SOC、SOH分别采用5％的步长，温度T采用2℃步长，遍历三个参数的数值区间。当然，在本发明其他实施例中也可采用其他的步长类型；从原理上分析，SOC、SOH和温度T也可采用选择随机数据。

步骤103：采用训练样本训练BP神经网络模型，建立电池最大放电功率估算函数；

图在本步骤中，SOC、SOH、温度T和P_Dismax作为神经网络模型的训练样本、按照预设算法训练神经网络模型、获得SOC、SOH、温度T与P_Dismax的函数映射关系，建立电池最大放电功率估算函数。

本发明实施例采用Levenberg-Marquardt算法对BP神经网络模型进行训练，得到所述输入层与所述隐层的权值向量IW、阈值向量b¹以及所述隐层与所述输出层的权值向量LW、阈值向量b²。Levenberg-Marquardt是使用最为广泛的非线性最小二乘算法，其用梯度求最大(小)值的算法，具有梯度法和牛顿法的共同优点，能够较好的反向求算处BP神经网络的各向量参数。

Levenberg-Marquardt算法的计算步骤如下：

(1)给出训练允许误差允许值ε，常数μ₀和系数β(0＜β<1),初始化权值和阈值，令训练次数k＝0，学习率μ＝μ₀；本实施例中将训练允许误差ε为100W，常数μ₀和系数β通过测试的电池由经验值确定；当然，在其他实施例中训练允许误差也可为其他数据。

(2)计算网络输出及误差指标函数E(ω^k)，计算公式如下：

$E\left({\mathrm{\&omega;}}^k\right)=\frac{1}{2}\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\left|\right|Y_i-Y_i^{\&prime;}\left|\right|}^2=\frac{1}{2}\underset{i}{\overset{p}{\mathrm{\&Sigma;}}}{e}_i^2\left(\mathrm{\&omega;}\right)$

其中：Y_i—期望网络输出值；Y_i'—实际网络输出值；p—样本数目；ω—权值和阈值组成的向量。

(3)计算权值和阈值修正

设ω^k为第k次迭代的权值和阈值组成的向量，新权值和阈值组成向量ω^k+1＝ω^k+Δω^k，Δω^k的计算公式：

Δω＝[J^T(ω)J(ω)+μI]^-1J^T(ω)e(ω)

其中：I—单位矩阵；μ—用户定义学习率；J(ω)—Jacobian矩阵：

(4)若E(ω^k)＜ε，转到(6)。

(5)以ω^k+1＝ω^k+Δω^k为权值和阈值向量，计算误差指标函数E(ω^k+1)，若E(ω^k+1)＜E(ω^k)，则令训练次数k＝k+1，μ＝μβ转到(2)，否则μ＝μ/β，转到(4)。

(6)训练结束。

经过求算，本实施例中得到的输入层向隐层的计算公式为：

$\left\{\begin{array}{c}{n}_1^1={\mathrm{IW}}_{11}\mathrm{SOC}+{\mathrm{IW}}_{12}T+{\mathrm{IW}}_{13}\mathrm{SOH}+b_1^1\\ n_2^1={\mathrm{IW}}_{21}\mathrm{SOC}+{\mathrm{IW}}_{22}T+{\mathrm{IW}}_{23}\mathrm{SOH}+b_2^1\\ n_3^1={\mathrm{IW}}_{31}\mathrm{SOC}+{\mathrm{IW}}_{32}T+{\mathrm{IW}}_{33}\mathrm{SOH}+b_3^1\\ n_4^1={\mathrm{IW}}_{41}\mathrm{SOC}+{\mathrm{IW}}_{42}T+{\mathrm{IW}}_{43}\mathrm{SOH}+b_4^1\\ n_5^1={\mathrm{IW}}_{51}\mathrm{SOC}+{\mathrm{IW}}_{52}T+{\mathrm{IW}}_{53}\mathrm{SOH}+b_5^1\\ n_6^1={\mathrm{IW}}_{61}\mathrm{SOC}+{\mathrm{IW}}_{62}T+{\mathrm{IW}}_{63}\mathrm{SOH}+b_6^1\end{array}\right.$

其中：为隐层神经元输入向量；

为输入层到隐层神经元权值向量；

为输入层到隐层神经元阈值向量。

本实施例中得到的隐层向输出层的计算公式为：

$n^2={\mathrm{LW}}_{11}{a}_1^1+{\mathrm{LW}}_{12}{a}_2^1+{\mathrm{LW}}_{13}{a}_3^1+{\mathrm{LW}}_{14}{a}_4^1+{\mathrm{LW}}_{15}{a}_5^1+{\mathrm{LW}}_{16}{a}_6^1+b^2$

其中：LW＝[LW₁₁,LW₁₂,…LW₁₆]为隐层到输出层的神经元权值向量；1²为隐层到输出层的神经元阈值向量。

步骤104：利用所述电池最大放电功率估算函数估算电池的最大放电功率；

本发明实施例得到的电池最大放电功率估算函数需应用于电动车中，其可存储于电动车的电池管理系统，使得电池管理系统根据此函数和实际测量得到的SOC、SOH和温度T，确定最大放电功率P_Dismax。

在本实施例中，除具有以上步骤外，还具有在电动汽车运行过程中实时采集数据，对电池最大放电功率估算函数参数进行修正，步骤如下：

步骤105：实时获取所述电池的当前放电功率P、实际电压U；

此步骤中，采用电动汽车中的测量设备测量电池的实际行驶中的当前放电功率P、实际电压U。其中当前放电功率P由当前放电电流和实际电压U得到。因当前放电功率P无法满足估算的最大放电功率P_Dismax；按照估算的最大放电功率P_Dismax进行放电时，电池的实际电压U会被拉低，因此可根据当前放电功率P、实际电压U决定是否对最大放电功率估算函数参数进行修整。

步骤106：修正最大放电功率估算函数参数；

若当前放电功率P小于P_Dismax、且实际电压U小于设定阈值时，以当前放电功率P和对应的SOC、SOH和温度T对电池最大放电功率估算函数进行修正；

本实施例中设定阈值为电池U_lev+2，其中U_lev为电池的最低允许放电电压。本实施例中的设定阈值根据测量电池的实际特性根据经验数值确定；当然，在其他实施例中也可设定其他的设定阈值。

应当注意，本发明实施例考虑电池使用后其相关特性会发生变化，最大放电功率估算函数不能够较好的估算最大放电功率，所述设置相应的步骤105和步骤106，当然在本发明其他实施例中也可不再设置步骤105和步骤106。

为进一步的提高计算速率，在发明实施例中在步骤102中还可设置相对应的归一化处理步骤，归一化处理SOC、SOH和温度T以及电池最大放电功率P_Dismax，本发明实施例中采用的归一化处理函数为：

$\left\{\begin{array}{c}p=2*\frac{P_{\mathrm{Dis}\max }-\min P}{\max P-\min P}-1;\\ t=2*\frac{T-\min T}{\max T-\min T}-1;\\ \mathrm{soc}=\frac{\mathrm{SOC}-\min \mathrm{SOC}}{\max \mathrm{SOC}-\min \mathrm{SOC}}-1;\\ \mathrm{soh}=\frac{\mathrm{SOH}-\min \mathrm{SOH}}{\max \mathrm{SOH}-\min \mathrm{SOH}}-1\end{array}\right.$

其中，maxP为电池的实际最大放电功率，minP为电池的实际最小放电功率，p为对应的P_Dismax的归一化数值；maxT为电池的最高温度，minT为电池的最低温度，t代表对应T的归一化数值；maxSOC为电池的最大荷电状态，minSOC为电池最小荷电状态，soc为对应SOC的归一化数值；maxSOH为电池最大健康状态，minSOH为电池最小健康状态，soh为对应SOH的归一化数值。

当然，在本发明其他实施例中，也可采用其他的归一化处理方法；也可不进行归一化处理。

因步骤102进行了归一化处理，当然在步骤104也需要采用对应的反归一化处理，得到计算需要的P_Dismax；同样在步骤106中也需要相应的反归一化处理步骤。

实施例二：

本发明还提供了一种电池最大放电功率估算装置，图3为本发明实施例二电池最大放电功率估算装置结构图。从图中可看出该装置包模型建立单元201，获取单元202、模型训练单元203、控制单元204、实时监控单元205和修正单元206。

其中，模型建立单元201用于建立SOC、SOH和温度T及电池估算最大放电功率P_Dismax的神经网络模型；

获取单元202用于按照预设步长获取SOC、SOH和温度T及对应的P_Dismax；

模型训练单元203，用于将SOC、SOH、温度T和P_Dismax作为神经网络模型的训练样本、按照预设算法训练神经网络模型，获取SOC、SOH、温度T与P_Dismax的函数映射关系，建立电池最大放电功率估算函数；

控制单元204用于利用电池最大放电功率估算函数估算电池的最大放电功率。

实时监控单元205用于实时获取电池的当前放电功率P、实际电压U；

修正单元206用于对当前放电功率P和实际电压U进行判断，若当前放电功率P小于P_Dismax、且实际电压U小于设定阈值时，以当前放电功率P和对应的SOC、SOH和温度T对电池最大放电功率估算函数进行修正。

当然，与实施例一相同，本实施例中的电池最大放电功率估算装置也可不设置实时监控单元205和修正单元206。

以上本发明实施例中的电池最大放电功率估算方法和电池最大放电功率估算装置进行了详细介绍。本文应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想，在不脱离本发明原理的情况下，还可对本发明进行若干改进和修饰，这些改进和修饰也落入本发明的保护范围内。

Claims (10)

1.一种电池最大放电功率估算方法，其特征在于，包括以下步骤：

建立输入为SOC、SOH和温度T以及输出为电池最大放电功率P_Dismax的BP神经网络模型；

按照预设步长获取所述SOC、所述SOH和所述温度T及对应的所述P_Dismax；

将所述SOC、所述SOH、所述温度T和所述P_Dismax作为所述BP神经网络模型的训练样本、按照预设算法训练所述BP神经网络模型、获得所述SOC、所述SOH、所述温度T与所述P_Dismax的函数映射关系，建立电池最大放电功率估算函数；

利用所述电池最大放电功率估算函数估算电池的最大放电功率。

2.根据权利要求1所述的电池最大放电功率估算方法，其特征在于：

所述BP神经网络模型网络层数为三层、分别为输入层、隐层和输出层；所述隐层的节点数目为6。

3.根据权利要求2所述的电池最大放电功率估算方法，其特征在于，所述隐层的传输函数采用单极性Sigmoid函数，所述单极性Sigmoid函数为：

$a_i^1=\frac{1}{1+e^{-n_i^1}}(i=\mathrm{1,2,3,4,5,6})$

4.根据权利要求1所述的电池最大放电功率估算方法，其特征在于：

采用Levenberg-Marquardt算法对所述BP神经网络模型进行训练，得到所述输入层与所述隐层的权值向量IW²、阈值向量b¹以及所述隐层与所述输出层的权值向量IW²、阈值向量b²。

5.根据权利要求4所述的电池最大放电功率估算方法，其特征在于：

采用Levenberg-Marquardt算法对所属BP神经网络模型进行训练时的训练允许误差为100W。

6.根据权利要求1所述的电池最大放电功率估算方法，其特征在于：

所述SOC的预设步长为5％、所述SOH的预设步长为5％、所述温度的预设步长为2℃。

7.根据权利要求1所述的电池最大放电功率估算方法，其特征在于，还包括：

实时获取所述电池的当前放电功率P、实际电压U；

对所述当前放电功率P和实际电压U进行判断，若所述当前放电功率P小于所述P_Dismax、且所述实际电压U小于设定阈值时，以当前放电功率P和对应的所述SOC、所述SOH和所述温度T对所述电池最大放电功率估算函数进行修正。

8.根据权利要求7所述的电池最大放电功率估算方法，其特征在于，所述设定阈值为U_lev+2。

9.一种电池最大放电功率估算装置，其特征在于，包括：

模型建立单元(201)，用于建立SOC、SOH和温度T及电池估算最大放电功率P_Dismax的BP神经网络模型；

获取单元(202)，用于按照预设步长获取所述SOC、所述SOH和所述温度T及对应的所述P_Dismax；

模型训练单元(203)，用于将所述SOC、所述SOH、所述温度T和所述P_Dismax作为所述BP神经网络模型的训练样本、按照预设算法训练所述BP神经网络模型，获取所述SOC、所述SOH、所述温度T与所述P_Dismax的函数映射关系，建立电池最大放电功率估算函数；

控制单元(204)，利用所述电池最大放电功率估算函数估算电池的最大放电功率。

10.根据权利要求9所述的电池最大放电功率估算装置，其特征在于，还包括：

实时监控单元(205)，用于实时获取所述电池的当前放电功率P、实际电压U；

修正单元(206)，用于对所述当前放电功率P和实际电压U进行判断，若所述当前放电功率P小于所述P_Dismax、且所述实际电压U小于设定阈值时，以当前放电功率P和对应的所述SOC、所述SOH和所述温度T对所述电池最大放电功率估算函数进行修正。