基于神经网络的蓄电池荷电状态估算.pdf

《基于神经网络的蓄电池荷电状态估算.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第36卷第5期东北电力大学学报V01．36．No．52016年10月JournalOfNortheastDianliUniversity0et．．2016文章编号：1005—2992(2016)05-0001-06基于神经网络的蓄电池荷电状态估算戴武昌，王建国，徐天锡2(1．东北电力大学电气工程学院，吉林吉林132012；2．国网淄博供电公司，山东淄博255000)摘要：针对蓄电池荷电状态(SOC)的估算问题，将神经网络算法应用于此以估算蓄电池荷电状态。通过神经网络输人参数的选择建立了蓄电池SOC估算模型，并基于BP神经网络和RBF神经网络对蓄电池分别进行SOC的估算

2、。结果表明：神经网络应用于蓄电池SOC估算所得的结果准确度高。通过比较可以得出，BP神经网络相对于RBF神经网络预测结果更准确，且具有相对较好的抗干扰能力，能够更加准确的估算出蓄电池SOC。关键词：荷电状态；神经网络；估算；BP神经网络中图分类号：TM912文献标识码：A蓄电池作为最常见的储能环节被应用在生产生活的各个方面：在清洁能源的开发利用中，电池储能技术可以用来平抑波动功率；在电动汽车中可以作为主电源为汽车提供动力支持；在变电站直流系统中作为备用电源保证变电站中的二次设备可靠运行等。在实际应用中，时刻掌握蓄电池的剩余容量十分必要，蓄电池的剩余容量用SOC来表示。

3、SOC即电池荷电状态，美国先进电池联合会(USABC)在《电动汽车电池实验手册》中做如下定义：在一定的放电倍率条件下，电池的剩余电量与相同条件下额定容量的比值，即：SOC=Qe／C，(1)式中：Qc为剩余电量；C为电池以恒定电流I放电时具有的容量J。目前SOC并不能被直接测量，只能通过电压、电流、温度、内阻等参数估算获得。常用的SOC估算方法有以下几种：①线性模型法：基于经验方程和等效电路或者数学模型的估计方法。这些方法对测量误差和错误的初始条件具有很好的鲁棒性，但是这种稳态模型却不能完全正确的适应电池的动态特性。②安时计量法：在提供SOC初值的情况下，通过计算放电的

4、总电量得到当前SOC。在保证初值及测量精度的情况下，一定时间间隔内是一种简单且可靠的方法，否则误差将会累加。③开路电压法：蓄电池开路电压能够较为准确的反映蓄电池的SOC，并且简单易行，但是蓄电池需要长时间空载静置后才可获取，因此难以应用在实际中。④内阻法：此方法放电后期具有较高精度和较好适应性，但电池单体内阻检测困难，且放电初期内阻变化不大，因此测量难度大。⑤卡尔曼滤波法：对模型的精度要求非常高，计算量大且算法较为复杂。⑥阻抗谱方法：充、放电的电流强度以及蓄电池循环充、放电历史对其结果有一定的影响需要修正，且不适合实际应用。将神经网络方法应用于蓄电池SOC估算时，依靠

5、神经网络的四个特性能够有效的解决上述问题的存在：①自学习和自适应性：当输入参数发生变化时，相当于给神经网络输入新的学习样本，网络能够自动调整结构参数，改变映射关系，从而对特定的输入产生相应的期望输出。②非线性性：神经网络将知收稿日期：2016-04-12作者简介：戴武昌(1963-)，男，吉林省吉林市人，东北电力大学电气工程学院研究员，主要研究方向：电机控制、储能技术2东北电力大学学报第36卷识存储于连接权值中，可以实现各种非线性映射。③鲁棒性与容错性：神经网络具有信息存储的分布性，故局部的损害会使神经网络的精度适度减小，但不会对误差累加也不会产生灾难性的错误。④计算

6、的并行性与存储的分布性：由于其并行结果决定了每个神经元都可以根据接受到的信息进行独立运算和处理，并输出结果，大大提升运算速度。本文首先介绍了BP神经网络和RBF神经网络的特性并确定了神经网络的结构，而后依据选择的输入参数建立了估算模型，通过磷酸铁锂电池实验平台采集数据，最后通过仿真实验加以验证，并对结果进行分析。l神经网络1．1BP神经网络BP神经网络，即误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。包括输入层、隐含层和输出层。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变

7、化能力的需求，中问层可以设计为单隐含层或者多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。本文选择如图1所示的典型三层结构的BP神经网络。神经网络初始权值选择净输入为零