1、36农机使用与维修2023年第8 期基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究郭志庭（四川工业科技学院，四川德阳6 18 50 0）摘要：基于优化后的反向传播神经网络，提出了一种新能源汽车锂电池SOH(状态健康)预测模型。该模型利用历史电池数据和当前电池参数作为输入，预测电池的SOH。为了优化模型性能，使用遗传算法对模型进行训练和优化,提高了预测精度和鲁棒性。试验结果表明，该模型能够在不同工况下准确预测锂电池的SOH,并且相对于传统方法具有更好的性能。基于优化BP神经网络的SOH预测模型具有广泛的应用前景，可以为新能源汽车锂电池的健康管理提供有力的支持。关键词：神经网络；新能源汽
2、车；锂电池；SOH；预测模型中图分类号：U469Research on SOH Prediction Model of New Energy Vehicle Lithium Battery Based(Sichuan Institute of Industrial Technology,Deyang 618500,China)Abstract:A SOH(state of health)prediction model for new energy vehicle lithium batteries is proposed based on an op-timized back propaga
3、tion neural network.The model uses historical battery data and current battery parameters as inputsto predict the SOH of the battery.to optimize the model performance,the model is trained and optimized using a geneticalgorithm to improve the prediction accuracy and robustness.The experimental result
4、s show that the model can accuratelypredict the SOH of lithium batteries under different operating conditions and has better performance compared to the con-ventional method.SOH prediction model based on optimized BP neural network has wide application prospects and canprovide powerful support for t
5、he health management of Li-ion batteries in new energy vehicles.Keywords:neural network;new energy vehicle;lithium battery;SOH;prediction model0引言新能源汽车作为一种环保、高效的出行工具，正逐渐成为人们生活中的重要组成部分。而锂离子电池作为新能源汽车的主要能源来源，其状态健康（State ofHealth，SO H)的预测和管理变得尤为重要 1-3。SOH 是衡量电池性能衰减程度的重要指标,它直接影响着电池的使用寿命和性能表现,因此准确预测电池的SOH
6、,对于延长电池使用寿命和提高电池性能具有重要意义。SOH预测是一个具有挑战性的问题,其复杂性源于电池工作过程中的不确定性和动态性。传统的SOH预测方法多基于电池的物理模型,然而这些方法对电池的工作环境和操作方式十分敏感，且需要大量实践经验和实验数据 4。相对而言，基于机器学习的SOH预测方法不需要对电池进行建模，而基金项目：德阳市新能源专用车辆工程技术研究中心2 0 2 2年度科研项目（XNYCL2212)作者简介：郭志庭（198 9），男，河南洛阳人，硕士，讲师，研究方向为控制理论与控制工程。文献标识码：Aon Optimized BP Neural NetworkCUO Zhiting是通
7、过分析历史数据并学习其内在规律,从而预测电池的SOH。这种方法具有高效、快速、实用的优点，因此近年来备受关注。目前,机器学习在SOH预测中的应用主要包括支持向量机、神经网络、回归分析等方法。在这些方法中,神经网络是一种非常有效的工具,其优点在于可以对非线性关系进行建模，对数据的适应性和泛化能力较强，因此可以有效解决 SOH预测问题 5-6 针对以上问题,本文提出了一种基于优化BP神经网络的新能源汽车锂电池SOH预测模型，通过数据采集和预处理、BP神经网络模型建立、PSO和LM算法优化、模型评估和验证等步骤，构建了一个稳定性和精度较高的SOH预测模型。该模型可以为新能源汽车锂电池的使用和维护提供
8、重要的指导意义。1新能源汽车锂电池SOH预测模型设计本文提出一种基于优化BP神经网络的新能源汽车锂电池SOH预测模型，该模型采用BP神经网络作为基础模型,结合PSO和LM算法对模型进行doi:10.14031/ki.njwx.2023.08.0112023年第8 期参数优化，从而提高模型的精度和稳定性。1.1数据采集与预处理首先，需要收集大量的锂电池实验数据，包括电压、电流、温度、容量等关键参数，以及电池的循环次数、使用时间等信息。这些数据可以通过实验室测试或者现场采集得到。在数据采集过程中，需要保证数据的准确性和可靠性，避免因数据采集错误导致模型预测偏差。收集到的原始数据需要进行预处理，包括
9、数据清洗、去噪、特征提取和归一化等步骤。数据清洗主要是去除数据中的错误值和异常值，以确保数据的准确性和可靠性；去噪可以采用滤波器等方法，去除数据中的噪声干扰；特征提取是从原始数据中提取有用的特征信息，包括电池容量、内阻、SOC等；归一化是将数据映射到一个特定的范围内，以避免数据之间的差异对模型的影响。1.2BP神经网络模型的建立BP神经网络是一种常用的前向反馈神经网络模型，其具有良好的非线性拟合能力和预测精度。BP神经网络模型的建立包括输入层、隐含层和输出层3个部分（图1）。输入层接收处理过的特征信息，隐含层通过激活函数将输入信息进行处理，输出层将隐含层处理后的结果转化为预测结果 7 预测模型
10、wiWi1m4ainWmdod输入层隐含层图1BP神经网络模型基本结构2优化BP神经网络模型本章节介绍本文所采用的优化方法，包括粒子群优化算法（PSO）和LevenbergM a r q u a r d t 算法（L M）,以及对模型的性能评估方法和实验结果。2.1粒子群优化算法粒子群优化算法是一种基于群体智能的全局农机使用与维修优化算法。该算法模拟了自然界中鸟群或鱼群等动物的集体行为，通过不断迭代寻找全局最优解。在该算法中，每个粒子代表一个解，每个粒子都有一个适应度值，表示该粒子所代表的解的优良程度。粒子群算法通过不断迭代，更新每个粒子的位置和速度，以寻找最优解。在本文中，将粒子群算法应用于
11、优化BP神经网络模型的权值和偏置,以提高模型的预测精度和泛化能力。2.2LM 算法LM算法(LevenbergM a r q u a r d t)是一种非线性最小二乘优化算法，用于解决非线性最小二乘问题。该算法是对高斯牛顿算法的改进，通过调整步长来控制搜索方向，从而避免了高斯牛顿算法中可能出现的发散或震荡现象。在本文中，将LM算法应用于优化BP神经网络模型的权值和偏置，以提高模型的预测精度和泛化能力。2.3模型评估和验证为了验证优化后的BP神经网络模型的预测效果，需要进行模型评估和验证。评估过程中可以采用交叉验证或者留一法等方法，将数据集分为训练集和测试集，使用训练集对模型进行训练，使用测试集
12、对模型进行验证。评估指标可以采用均方根误差（RMSE）、平均绝对误差（MAE)等指标，以评估模型的预测精度和稳定性，计算公式如式（1）和式(2)所示。RMES=1.A之1(5()-()1MAE=out3SSOH预测模型系统运行分析out3.1模型应用wbt3输出层37(1)(2)为了验证所提出的优化BP神经网络模型在实际应用中的有效性，本研究将该模型应用于新能源汽车锂电池的SOH预测中。具体应用流程如下：1)数据采集。通过实验室实验仪器对不同状态下的锂电池进行测试，采集电池电压、电流、温度等参数,并记录锂电池的SOH值。2)数据预处理。将采集到的数据进行预处理，包括去除噪声、归一化、分割等操作
13、，以便于后续的建模和预测。3）建立模型。采用所提出的优化BP神经网络模型对预处理后的数据进行训练,并得到SOH预测模型。4)模型应用。将建立好的SOH预测模型应用于新能源汽车锂电池的SOH预测中,即输人当前的38电池状态参数,输出预测的SOH值。3.2模型验证为了验证所提出的优化BP神经网络模型的性能表现，本研究采用了交叉验证和对比实验两种方法进行验证。3.2.1交叉验证将采集到的数据集分成训练集和测试集两部分,其中训练集用于模型的训练，测试集用于模型的验证。采用交叉验证的目的是为了评估模型的泛化能力和预测精度。3.2.2对比实验本研究将所提出的优化BP神经网络模型与传统的BP神经网络模型和支
14、持向量回归模型进行了对比实验。通过对比实验的结果，可以评估所提出的模型的优越性和有效性。3.3结果与分析试验结果如表1所示,PSO算法优化后的模型在测试误差方面表现最佳，测试误差为3.6 4%，远远优于无优化模型和使用LM算法优化的模型。在训练时间方面,PSO算法优化后的模型训练时间为3.19s相对于无优化模型和LM算法优化后的模型,训练时间均有所缩短。因此,本文建议采用PSO算法对BP神经网络模型进行优化,以得到更好的预测效果和更快的训练速度。表1优化BP神经网络的新能源汽车锂电池SOH预测模型试验结果优化算法训练时间/s测试误差/%无优化4.31PSO优化BP神经网络3.19LM优化BP神
15、经网络4.214结论与展望4.1结论本文研究了基于优化BP神经网络的新能源汽车锂电池SOH预测模型。通过对锂电池特性参数的选取和数据的预处理，建立了基于BP神经网络的SOH预测模型,并采用PSO和LM算法对模型进行了优化。实验结果表明,采用PSO算法优化后的BP神经网络模型在SOH预测方面表现最佳，预测误差小于5%。同时，优化后的模型训练时间也有所缩短。因此，本文建议采用PSO算法对BP神经网络模型农机使用与维修进行优化，以得到更好的预测效果和更快的训练速度。综上所述，本文的研究成果为新能源汽车锂电池的健康状态预测提供了一种新的思路和方法，具有一定的实用价值和推广应用前景。4.2展望本文研究了
16、基于优化BP神经网络的新能源汽车锂电池 SOH预测模型。未来,可以在以下方面进一步探索和完善该模型：1)数据集扩充。本文所采用的数据集相对较小，只包含了部分锂电池的特性参数数据。未来可采集更多的锂电池实验数据，并加入其他因素如温度、负载电流等因素进行综合分析，以提高模型的准确性和实用性。2)优化算法改进。本文采用了PSO和LM算法对模型进行优化，但仍有其他优化算法可以尝试,如遗传算法、蚁群算法等。未来可对这些算法进行探究，比较不同算法的优化效果和速度，以寻找更优的优化算法。3)基于深度学习的模型构建。近年来，深度学习技术在预测建模领域取得了巨大成功。未来可尝试基于深度学习技术如卷积神经网络、循
17、环神经网络等构建新的锂电池SOH预测模型,以进一步提高预测准确性和泛化能力。4)模型应用场景拓展。本文所研究的模型主要适用于新能源汽车锂电池SOH预测，但锂电池在其他领域也有广泛应用，如电动工具、家用电器等。未来可将模型应用于更多锂电池应用场景，并进一步验证模型的实用性和适用性。12.53参考文献：3.641李华森,林琼斌,詹银,等.基于冲击响应特性的锂电4.21池SOH估计 J.电气开关,2 0 2 2,6 0(6)：6 8-7 3.2俞跃，夏志勤.新能源汽车产业链中核心行业研究：以锂电池行业为例J.全国流通经济，2 0 2 2（32）：7-10.3 薄利明，郑惠萍，张世锋，等.锂电池健康状态均衡技术综述 J.电测与仪表,2 0 2 3,6 0(4)：11-18.4张秦怡.浅谈磷酸铁锂电池及其新能源汽车启动电源的性能 J.华东科技,2 0 2 2（11):130-132.5陈德海,杨程,邱福亮.基于SR-UKF算法的锂电池SOH预测J.现代电子技术，2 0 2 2，45（18）：117 121.6于珍珍，邹华芬，于德水，等.加气灌溉下土壤呼吸与环境因子相关性研究J.农业机械学报,2 0 2 2,53(12):390-401+410.(05)2023年第8 期
