吴海东，任晓明，那 伟，黄 超

(1. 上海电机学院电气学院，上海 201306； 2. 上海航天电源技术有限责任公司，上海 201615)

改进安时法结合神经网络估算锂离子电池SOC

吴海东1，任晓明1，那 伟2，黄 超1

(1. 上海电机学院电气学院，上海 201306； 2. 上海航天电源技术有限责任公司，上海 201615)

采用BP神经网络对库仑效率进行训练并预测，将预测得到的库仑效率代入改进安时(AH)算法，再基于MotoHawk进行设计，应用于地铁应急牵引电池组管理系统。以952国产A车为试验对象，结合实际运行情况对荷电状态(SOC)进行估算和分析。试验结果表明，所采用的方法比传统AH法估算精度误差提高4.9%。

荷电状态(SOC)； 电池组管理系统； 改进安时(AH)算法； BP神经网络

荷电状态(SOC)是电池管理系统的重要部分，估算方法目前主要有开路电压法、内阻法、安时(AH)计量法、神经网络算法和卡尔曼滤波法等[1]。文献[2]釆用无迹卡尔曼滤波法，结合改进的电动势电池等效模型，提高估算算法的精度，估算误差小于5%，具有较高的实用价值。文献[3]通过分析电池SOC与充放电电流、温度的关系，训练后得到BP神经网络的动力电池SOC估计模型，对得到的神经网络模型进行测试，估计值和输出值之间的误差最大值约为4%。

传统AH法估算电池的剩余电量时，基本上未考虑库仑效率η，导致SOC估算精度降低。本文作者采用改进的AH法，结合BP神经网络，对锂离子电池进行SOC估算，再基于MotoHawk进行设计，并应用于地铁应急牵引电池组管理系统，对SOC进行估算和分析。

1 BP神经网络的库仑效率预测

AH法中，电池剩余电量通过充放电电流在时间上的积分来计算[4-5]。……