打开文本图片集

摘要：针对BP模型估算锂电池SOC不够精准的问题，建立一种GA-BP模型来估算退役电池的SOC，采用真实退役电池放电数据，将退役电池端电压、电池电压差值、放电电流作为GA-BP模型的输入特征，将锂电池的荷电状态作为GA-BP模型输出，实验结果表明，BP模型误差较大，GA-BP模型预测SOC 的误差很小，基本控制在1%以内，为退役电池的后续使用奠定了基础。

1、引言

当今，随着电动汽车的普及，退役电池的再利用问题日益受到关注[2]。而退役电池的二次利用需要对其状态进行准确预测，其中电池的荷电状态（SOC）是重要的参数之一。因此，本研究旨在探究基于GA-BP神经网络模型的退役电池SOC预测方法，为电池的二次利用提供技术支持。当前有很多学者在研究电池的SOC估计方法，一般有常见的安时积分法、开路电压法，这两种方法也是目前主流计算电池SOC的方法，但是存在精度不够的缺点，也有学者建立电路模型，再采用卡尔曼滤波及其衍生算法来估算电池SOC等[2]，这种算法精度较低，但是电路结构复杂，计算量较大。以上这些方法都存在各种各样的弊端，本文基于退役电池特性，建立一种GA-BP神经网络模型来预测退役电池的SOC。

2、GA-BP神经网络模型与SOC模型

2.1、GA-BP神经网络模型

BP神经网络模型是将误差反向传播训练的多层前馈网络，GA算法是模拟自然进化过程。将两者结合起来寻找全局最优权值阈值，以此来提高了BP神经网络的预测精度。具体可以分为以下四个步骤：

（1）初始化参数，包括网络结构、激活函数等。

（2）利用GA算法对BP神经网络的权值阈值进行优化，具体包括：生成初始种群、计算适应度、选择优秀个体、交叉操作、变异操作等。

（3）基于优化后的参数建立模型，再进行训练和预测。

（4）输出预测结果，并对模型进行评估。

2.2、退役电池SOC估算模型

建立基于GA-BP退役电池SOC估算模型必须分别确定BP神经网络和遗传算法中的参数。我们以退役电池的端电压、端电压差值、放电电流作为该模型输入，退役电池的荷电状态作为该模型的输出。

3、数据处理与仿真

本文以26650锂电池为实验对象，将退役电池以恒流恒压的形式充电至3.7V，此时可认为电池已经充满电，再搁置10-12个小时，然后再以1C的倍率放电，最后得到3561个放电数据，数据如表1下：

该模型算法学习速率设置为为0.001，均方差为0.0001，迭代次数为1000次。预测结果如下图所示

通过上图可以看出BP模型估算锂电池SOC效果较差，GA-BP模型估算锂电池SOC效果很好，误差控制在1%以内。

4、结束语

本文针对退役电池特性，建立一种GA-BP模型来估算退役电池的SOC，实验结果表明GA-BP模型估算的效果要优于BP模型，这为退役电池的广泛使用奠定了坚实的基础。

参考文献

[1]刁静严. 迎来“退役潮”，动力电池如何绿色回收[N]. 中国城市报，2023-12-25（011）.DOI：10.28056/n.cnki.nccsb.2023.001101.

[2]杨文荣，朱赛飞，陈阳等.基于改进安时积分法估计锂离子电池组SOC[J].电源技术，2018，42（02）：183-184+246.

基金项目：2023年度安徽省高校自然科学重点研究项目“基于深度学习的梯次利用动力锂电池状态参数的估算及均衡系统的关键技术研究”（项目编号2023AH052742）