[发明专利]一种磷酸铁锂电池组的SOC估算方法

说明书

本发明提供了一种采用BP神经网络估算磷酸铁锂电池组SOC的方法。BP神经网络采用1个隐层、3个输入、1个输出的网络结构，隐层节点数为11。估算方法包括如下步骤：对BP神经网络的连接权值调整环节进行调整，插入一个惯性系数，采用平滑加权计算改进连接权值调整，在进行连接权值调整计算时，增加原连接权值项，并赋予较重的权值。本发明利用电流积分修正的方式对BP神经网络的参数进行变更，降低磷酸铁锂电池组容量衰减对SOC估算精度的影响。

技术领域

本申请属于电化学储能监测技术领域，涉及一种磷酸铁锂电池组的SOC估算方法，特别是涉及一种基于BP神经网络的磷酸铁锂电池组的SOC估算方法。

背景技术

在使用过程中，磷酸铁锂电池组剩余电量直接影响到能量调度管理的决策，而过充或过放则直接影响磷酸铁锂电池组的使用寿命，磷酸铁锂电池组的荷电状态（State ofCharge，SOC）成为电能管理的一个重要参考指标。由于磷酸铁锂电池组的SOC估算涉及复杂的电化学反应，储能磷酸铁锂电池组在工作状态下，电压、电流不断变化，SOC的准确估算成为技术人员头疼的难题。同时，磷酸铁锂电池组长期使用存在容量衰减的问题，影响SOC的准确估算。

现有的预测SOC的方法有很多，如充放电实验法、开路电压法、安时积分法、卡尔曼滤波法等等，然而，这些方法都有各自的局限性，只可以在一些特定的条件下使用，且计算过程复杂繁琐，精确度较差。充放电实验法可以得到可靠的SOC，但需要专门的充放电设备，时间长，成本高，且是离线测量，无法得到实时数据。开路电压法必须将电池长时间静置，当电压达到相对稳定时测得的电压才是有效的。安时积分法是通过计算锂电池的放电电流对某段时间的积分来计算电池的SOC，其可在线测量，且无需建立复杂的SOC模型，但估算结果受到电池温度、充放电比率、电池老化等因素的影响出现误差，估算误差会随着时间的积累不断增加，且初始时刻的自放电现象也会影响SOC的估算结果。卡尔曼滤波法基于最小均方差原理，将SOC作为系统的状态量，采用系统的状态方程描述状态转移过程，通过状态方程的转移特定描述各个时刻之间的状态相关函数，从而实现SOC估算。然而其对电池模型要求较高，且需要做大量的矩阵运算，计算量很大，且传统的卡尔曼滤波法只适合线性系统，因此不适合在运行中呈现非线性的磷酸铁锂电池系统。

为了解决上述问题，很多研究者采用了BP神经网络来估算磷酸铁锂电池的SOC。BP神经网络是Back Propagation神经网络，是按误差逆传播算法训练的多层前馈神经网络。

公开号为CN105823989A的中国发明专利申请，公开了一种改进的RBF神经网络的电池SOC预测方法，其通过RBF神经网络方法建立动力电池SOC预测模型，以神经网络的输出电池SOC作为评价指标，建立优化模型，再采用人工鱼群算法分别对神经网络的宽度向量、中心向量和输出神经元的权值进行优化计算。

公开号为CN107037373A的中国发明专利申请，，公开了一种基于神经网络的蓄电池剩余电量预测方法，包括采用神经网络模型构建剩余电量预测初始模型；获取蓄电池的多组电压、电流和剩余电量数据，将电压和电流数据作为输入样本，剩余电量数据作为期望输出，输入到剩余电量预测初始模型中后，使用L1/2正则化方法确定神经网络的隐层节点数，再对剩余电量预测初始模型进行训练，得到多个剩余电量预测修正模型；选择一个对期望输出的误差最小的模型作为最终的剩余电量预测模型；将需要预测的蓄电池的电流和电压值输入到剩余电量预测模型中，得到的蓄电池的剩余电量值。

公开号为CN105974327A的中国发明专利申请，公开了一种基于神经网络和UKF的锂电池组SOC预测方法，其通过对电动汽车锂电池组的历史充放电数据以及对应的SOC数据进行分析，建立BP神经网络，对相关数据进行归一化处理，根据归一化处理后的数据对BP神经网络进行训练。

现有技术中的这些预测方法，没有考虑电池内部复杂的非线性特性，需要通过训练大量的样本数据，其在SOC变化较平坦的区域效率较低，在SOC变化较大的区域精度低。

发明内容