技术领域
[0001] 本
发明涉及电动
汽车复合电源系统能量管理领域，尤其涉及一种锂电池与超级电容复合电源系统能量实时优化方法。
背景技术
[0002] 电动汽车具有环保的优势和发展潜
力。目前电动汽车尚处于成长阶段，全球电动汽车市场占有率很低。主要原因在于锂电池的性能及寿命等难以满足电动汽车要求。
[0003] 锂电池的能量存储与充放电过程为电化学过程，高倍率放电降低其
循环寿命，导致其容量下降。锂电池放电倍率越大，对锂电池寿命影响越大。
[0004] 由于电动汽车道路行驶时具有较高的功率峰均比，在
加速、爬坡时锂电池高倍率放电影响其容量损失及寿命。
[0005] 将功率
密度高和充放
电能力强的超级电容作为辅助
能源，是提高锂电池寿命、改善电动汽车加速性能等的有效途径。提高锂电池寿命有利于提高电动汽车可靠性，降低电动汽车的成本，提高电动汽车竞争力。
[0006] 复合电源系统能量管理系统是合理分配锂电池功率和超级电容功率，发挥超级电容与锂电池两者的优势，提高锂电池寿命的关键。
[0007] 实际应用中，锂电池的健康状况会逐步衰退，因此锂电池输出功率应适应锂电池健康状况。但常见的模糊能量管理规则中，未充分考虑锂
电池组健康状况。
[0008] 目前复合电源系统能量管理规则的优化，较多采用遗传
算法等方法进行离线优化，在线优化方法较少。
发明内容
[0009] 有鉴于此，本发明提出了一种锂电池与超级电容复合电源系统能量实时优化方法，能根据锂电池
健康状态，在满足复合电源系统需求功率的同时，提高锂电池的寿命。
[0010] 本发明的技术方案是这样实现的：本发明提供了一种锂电池与超级电容复合电源系统能量实时优化方法，包括以下步骤，
[0011] S1，输入变量锂电池健康因子λbt,soh、复合电源系统需求功率Phes,r和超级电容
荷电状态SOCsc；对输入变量进行量化和模糊化，转化为模糊量；
[0012] S2，基于模糊能量管理规则，得到锂电池组需求功率Pbt,r的模糊量，经过
去模糊化和量化，得到锂电池组需求功率Pbt,r；
[0013] S3，锂电池需求功率Pbt,r传递给锂电池组模
块，得到锂电池组输出功率Pbt,a。
[0014] 在以上技术方案的
基础上，优选的，还包括以下步骤，
[0015] S4，将模糊能量管理规则数据化，得到输入输出数据样本；
[0016] S5，利用BP神经网络对数据样本进行离线学习，得到记忆了模糊能量管理规则的神经网络能量管理模块。
[0017] 进一步优选的，步骤S1中，
[0018] 输入变量锂电池健康因子λbt,soh量化后的输入范围为[0，1]，模糊集为﹛L，M，H﹜，H、M和L，分别代表高、中和低；当λbt,soh量化后的输入范围为[0，0.33]时，对应模糊量L；当λbt,soh量化后的输入范围为[0.33，0.66]时，对应模糊量M；当λbt,soh量化后的输入范围为[0.66，1]时，对应模糊量H；
[0019] 输入变量复合电源系统需求功率Phes,r量化后的输入范围为[-1，1]，模糊集为﹛N，L，M，H﹜，H、M、L和N，分别代表高、中、低和负；当Phes,r量化后的输入范围为[-1，0]时，对应模糊量N；当Phes,r量化后的输入范围为[0，0.33]时，对应模糊量L；当Phes,r量化后的输入范围为[0.33，0.66]时，对应模糊量M；当Phes,r量化后的输入范围为[0.66，1]时，对应模糊量H；
[0020] 输入变量超级电容荷电状态SOCsc量化后的输入范围为[0，1]，模糊集为﹛L，M，H﹜，H、M和L，分别代表高、中和低；当SOCsc量化后的输入范围为[0，0.57]时，对应模糊量L；当SOCsc量化后的输入范围为[0.57，0.81]时，对应模糊量M；当SOCsc量化后的输入范围为[0.81，1]时，对应模糊量H；
[0021] 输入变量锂电池组需求功率Pbt,r量化后的输入范围为[-0.3，1]，模糊集为﹛N，L，M，H﹜，H、M、L和N，分别代表高、中、低和负；当Pbt,r量化后的输入范围为[-0.3，0]时，对应模糊量N；当Pbt,r量化后的输入范围为[0，0.33]时，对应模糊量L；当Pbt,r量化后的输入范围为[0.33，0.66]时，对应模糊量M；当Pbt,r量化后的输入范围为[0.66，1]时，对应模糊量H；
[0022] 步骤S2中，根据以下模糊能量管理规则得到锂电池组需求功率Pbt,r的模糊量：
[0023] 当锂电池健康因子λbt,soh模糊量为H时，
[0024]
[0025] 当锂电池健康因子λbt,soh模糊量为M时，
[0026]
[0027] 当锂电池健康因子λbt,soh模糊量为L时，
[0028]
[0029] 更进一步优选的，步骤S4中，采用以下方式将模糊能量管理规则数据化：
[0030] 当λbt,soh量化后的输入范围为[0，0.33]时，对应模糊量L，数据化时取输入范围中位值0.165；当λbt,soh量化后的输入范围为[0.33，0.66]时，对应模糊量M，数据化时取输入范围中位值0.485；当λbt,soh量化后的输入范围为[0.66，1]时，对应模糊量H，数据化时取输入范围中位值0.825；
[0031] 当Phes,r量化后的输入范围为[-1，0]时，对应模糊量N，数据化时取输入范围中位值-0.5；当Phes,r量化后的输入范围为[0，0.33]时，对应模糊量L，取输入范围中位值0.165；当Phes,r量化后的输入范围为[0.33，0.66]时，对应模糊量M，数据化时取输入范围中位值
0.485；当Phes,r量化后的输入范围为[0.66，1]时，对应模糊量H，数据化时取输入范围中位值
0.825；
[0032] 当SOCsc量化后的输入范围为[0，0.57]时，对应模糊量L，数据化时取Esc输入范围中位值0.165的二次方根值0.41；当SOCsc量化后的输入范围为[0.57，0.81]时，对应模糊量M，数据化时取Esc输入范围中位值0.495的二次方根值0.70；当SOCsc量化后的输入范围为[0.81，1]时，对应模糊量H，数据化时取Esc输入范围中位值0.825的二次方根值0.91；
[0033] 当Pbt,r量化后的输入范围为[-0.3，0]时，对应模糊量N，数据化时取输入范围中位值-0.15；当Pbt,r量化后的输入范围为[0，0.33]时，对应模糊量L，数据化时取输入范围中位值0.165；当Pbt,r量化后的输入范围为[0.33，0.66]时，对应模糊量M，数据化时取输入范围中位值0.485；当Pbt,r量化后的输入范围为[0.66，1]时，对应模糊量H，数据化时取输入范围中位值0.825；
[0034] 神经网络的输入数据样本为锂电池健康因子λbt,soh、复合电源系统需求功率Phes,r和超级电容荷电状态SOCsc，神经网络的输出数据样本为锂电池需求功率Pbt,r。
[0035] 进一步优选的，还包括以下步骤，
[0036] S6，选取锂电池输出
电流均方根作为性能函数，利用神经网络的
自学习能力，采用BP算法在线调整神经网络权值和
阈值，实时优化模糊能量管理规则，使性能函数全局最小。
[0037] 更进一步优选的，步骤S5中，
[0038] 量化模块将输入变量实际值转化到神经网络输入范围，k时刻，
输入层到隐层权值系数为w(2)ij(k)(i＝1,2…9,j＝1,2,3)，阈值为b(2)i(k)(i＝1,2…9)，隐层到
输出层权系数为w(3)li(k)(i＝1,2…9,l＝1)，阈值为b(3)l(k)(l＝1)；
[0039] 步骤S6中，采用表征锂电池寿命的锂电池组输出电流的均方根作为神经网络性能函数J(k)，
[0040]
[0041] Ibt,a(k)表示k时刻锂电池组输出电流，N表示k时刻锂电池组输出电流Ibt,a
采样值总个数；
[0042] 利用BP学习算法，正向传播时，输入变量从输入层经隐含层传向输出层；反向传播时，将性能函数J(k)从输出层经隐含层传到输入层，按照
梯度下降法在线调整神经网络的权值和阈值；按照J(k)对神经网络的负梯度方向搜索，并附加一个使搜索快速收敛的惯性项，优化能量管理策略，权值和阈值调整公式如下所示：
[0043]
[0044]
[0045]
[0046]
[0047] 其中，η为学习速率，α为惯性系数。
[0048] 更进一步优选的，还包括步骤S7，对优化结果进行评估，达到要求时，优化结束；不能达到要求时，对模糊能量管理规则进行
修改，再按步骤S1～S6进行优化。
[0049] 在以上技术方案的基础上，优选的，所述能量实时优化方法在基于MATLAB的ADVISOR
软件中完成。
[0050] 本发明的锂电池与超级电容复合电源系统能量实时优化方法相对于
现有技术具有以下有益效果：
[0051] (1)将锂电池健康因子纳入复合电源系统模糊能量管理规则考虑范围，合理分配锂电池功率和超级电容功率，发挥超级电容与锂电池两者的优势，提高锂电池寿命；
[0052] (2)模糊变量采用三
角形隶属度函数，模糊变量取其输入范围的平均值，实现模糊规则的数据化，得到输入数据样本和输出数据样本；
[0053] (3)利用神经网络的学习能力，对数据化后的模糊规则进行学习，得到基于神经网络的模糊能量管理模块；
[0054] (4)在此基础上，采用锂电池输出电流均方根作为性能函数，利用BP算法对神经网络权值及阈值进行调整，优化复合电源系统能量管理规则，在满足复合电源系统需求功率的同时，提高锂电池的寿命。
附图说明
[0055] 为了更清楚地说明本发明
实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0056] 图1锂电池与超级电容复合电源系统能量实时优化流程；
[0057] 图2基于ADVISOR软件的复合电源系统模糊能量管理结构图；
[0058] 图3基于MATLAB的复合电源系统模糊能量管理模块；
[0059] 图4基于MATLAB的复合电源系统模糊能量管理规则；
[0060] 图5基于MATLAB的锂电池健康因子λbt,soh隶属函数图；
[0061] 图6基于MATLAB的复合电源系统需求功率Phes,r隶属函数图；
[0062] 图7基于MATLAB的超级电容荷电状态SOCsc隶属函数图；
[0063] 图8基于MATLAB的锂电池组需求功率Pbt,r隶属函数图；
[0064] 图9BP神经网络结构图；
[0065] 图10基于ADVISOR软件的神经网络实时优化能量管理结构图。
具体实施方式
[0066] 下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0067] ADVISOR软件是基于MATLAB软件开发的源代码开放的可进行前向与后向仿真相结合的电动汽车仿真软件，适合于电动汽车能量管理评估及优化。本发明的锂电池与超级电容复合电源系统能量实时优化方法，在基于MATLAB6.5环境下ADVISOR2002软件中完成。
[0068] 锂电池与超级电容复合电源系统能量实时优化流程如图1所示，包括以下步骤：
[0069] 1.制定模糊能量管理规则
[0070] 根据锂电池
能量密度大功率密度小，超级电容功率密度大能量密度小的特点，考虑锂电池健康状况的复合电源系统模糊能量管理规则如下：
[0071] 表1(a)当锂电池健康因子λbt,soh模糊量为H时，
[0072]
[0073] 表1(b)当锂电池健康因子λbt,soh模糊量为M时，
[0074]
[0075] 表1(c)当锂电池健康因子λbt,soh模糊量为L时，
[0076]
[0077] 其中，λbt,soh代表输入变量锂电池健康因子，Phes,r代表输入变量复合电源系统需求功率，SOCsc代表输入变量超级电容荷电状态；Pbt,r代表输出变量锂电池组需求功率。
[0078] 如上表所示，随着锂电池健康状态下降，锂电池的需求功率相应下降。锂电池组需求功率根据锂电池健康状况因子大小适当调整，避免锂电池过电流充放电，提高锂电池寿命。
[0079] 表1(a)、表1(b)、表1(c)中共有三十六条模糊规则。表1(a)中，其中一条模糊能量管理规则描述为，当锂电池健康因子λbt,soh为H(高)，复合电源系统需求功率Phes,r为H(高)，超级电容荷电状态SOCsc为M(中)时，锂电池组需求功率Pbt,r为H(高)。
[0080] 表1(b)中，其中一条模糊能量管理规则描述为，当锂电池健康因子λbt,soh为M(中)，复合电源系统需求功率Phes,r为H(高)，超级电容荷电状态SOCsc为M(中)时，锂电池组需求功率Pbt,r为M(中)。
[0081] 表1(C)中，其中一条模糊能量管理规则描述为，当锂电池健康因子λbt,soh为L(低)、，复合电源系统需求功率Phes,r为H(高)，超级电容荷电状态SOCsc为M(中)时，锂电池组需求功率Pbt,r为L(低)。
[0082] 上述三条模糊能量管理规则中，锂电池组需求功率Pbt,r考虑了锂电池健康状况，有利于提升锂电池寿命。
[0083] 基于ADVISOR软件的复合电源系统模糊能量管理模块结构图如图2所示。Phes,r为复合电源系统需求功率，Phes,a为复合电源系统输出功率，Psc,r为超级电容需求功率，Psc,a为超级电容输出功率，Pbt,r为锂电池需求功率，Pbt,a为锂电池输出功率。
[0084] 功率分配模块中，超级电容组需求功率Psc,r如下式。
[0085] Psc,r＝Phes,r-Pbt,a (1)
[0086] 复合电源系统输出功率Phes,a如下式。
[0087] Phes,a＝Pbt,a+Psc,a (2)
[0088] 基于MATLAB的模糊能量管理模块如图3所示。模糊能量管理模块输入变量锂电池健康因子λbt,soh、复合电源系统需求功率Phes,r和超级电容荷电状态SOCsc，输入变量经过量化和模糊化，转化为模糊量。通过查询表1(a)、表1(b)和表1(c)的模糊能量管理规则，得到锂电池需求功率Pbt,r的模糊量，经过去模糊化和量化，得到锂电池需求功率Pbt,r。锂电池需求功率Pbt,r传递给锂电池组模块，得到锂电池组输出功率Pbt,a。
[0089] 根据表1(a)、表1(b)和表1(c)的模糊能量管理规则，得到基于MATLAB的模糊能量管理规则如图4所示。
[0090] 超级电容组需求功率Psc,r由公式(1)得到，超级电容组需求功率Psc,r传递给超级电容组模块，得到超级电容组输出功率Psc,a。
[0091] 2.数据化模糊能量管理规则
[0092] 基于MATLAB的锂电池健康因子λbt,soh隶属度函数图如图5所示，采用三角形隶属度函数。锂电池健康状况评估模块根据锂电池的
电压、电流、运行时间等参数得到锂电池健康状况因子λbt,soh。输入变量锂电池健康因子λbt,soh量化后的输入范围为[0，1]，模糊集为﹛L，M，H﹜，H、M和L，分别代表高、中和低；当λbt,soh量化后的输入范围为[0，0.33]时，对应模糊量L，数据化时取输入范围中位值0.165；当λbt,soh量化后的输入范围为[0.33，0.66]时，对应模糊量M，数据化时取输入范围中位值0.485；当λbt,soh量化后的输入范围为[0.66，1]时，对应模糊量H，数据化时取输入范围中位值0.825；L(低)、M(中)，H(高)的隶属度函数分别为，[0093] y＝trimf(x,[0,0.165,0.33])
[0094] y＝trimf(x,[0.33,0.485,0.66])
[0095] y＝trimf(x,[0.66,0.825,1])
[0096] 基于MATLAB的复合电源系统需求功率Phes,r隶属度函数图如图6所示，采用三角形隶属度函数。输入变量复合电源系统需求功率Phes,r量化后的输入范围为[-1，1]，模糊集为﹛N，L，M，H﹜，H、M、L和N，分别代表高、中、低和负；当Phes,r量化后的输入范围为[-1，0]时，对应模糊量N，数据化时取输入范围中位值-0.5；当Phes,r量化后的输入范围为[0，0.33]时，对应模糊量L，取输入范围中位值0.165；当Phes,r量化后的输入范围为[0.33，0.66]时，对应模糊量M，数据化时取输入范围中位值0.485；当Phes,r量化后的输入范围为[0.66，1]时，对应模糊量H，数据化时取输入范围中位值0.825；N(负)、L(低)、M(中)，H(高)的隶属度度函数分别为，
[0097] y＝trimf(x,[-1,-0.5,0])
[0098] y＝trimf(x,[0,0.165,0.33])
[0099] y＝trimf(x,[0.33,0.485,0.66])
[0100] y＝trimf(x,[0.66,0.825,1])
[0101] 基于MATLAB的超级电容荷电状态SOCsc隶属度函数图如图7所示，采用三角形隶属度函数。输入变量超级电容荷电状态SOCsc量化后的输入范围为[0，1]，模糊集为﹛L，M，H﹜，H、M和L，分别代表高、中和低；由于超级电容储存的能量Esc与超级电容荷电状态SOCsc的平方成正比，当SOCsc量化后的输入范围为[0，0.57] 时，对应模糊量L，数据化时取Esc输入范围中位值0.165的二次方根值0.41；当SOCsc量化后的输入范围为[0.57，0.81]时，对应模糊量M，数据化时取Esc输入范围中位值0.495的二次方根值0.70；当SOCsc量化后的输入范围为[0.81，1]时，对应模糊量H，数据化时取Esc输入范围中位值0.825的二次方根值0.91；L(低)、M(中)，H(高)的隶属度函数分别为，
[0102] y＝trimf(x,[0,0.41,0.57])
[0103] y＝trimf(x,[0.57,0.7,0.81])
[0104] y＝trimf(x,[0.81,0.91,1])
[0105] 基于MATLAB的锂电池组需求功率Pbt,r隶属度函数图如图8所示，采用三角形隶属度函数。输入变量锂电池组需求功率Pbt,r量化后的输入范围为[-0.3，1]，模糊集为﹛N，L，M，H﹜，H、M、L和N，分别代表高、中、低和负；当Pbt,r量化后的输入范围为[-0.3，0]时，对应模糊量N，数据化时取输入范围中位值-0.15；当Pbt,r量化后的输入范围为[0，0.33]时，对应模糊量L，数据化时取输入范围中位值0.165；当Pbt,r量化后的输入范围为[0.33，0.66]时，对应模糊量M，数据化时取输入范围中位值0.485；当Pbt,r量化后的输入范围为[0.66，1]时，对应模糊量H，数据化时取输入范围中位值0.825；N(负)、L(低)、M(中)，H(高)的隶属度函数分别为，
[0106] y＝trimf(x,[-0.3,-0.15,0])
[0107] y＝trimf(x,[0,0.165,0.33])
[0108] y＝trimf(x,[0.33,0.485,0.66])
[0109] y＝trimf(x,[0.66,0.825,1])
[0110] 3.输入输出数据样本
[0111] 表1(a)、表1(b)、表1(c)中的三十六条模糊控制规则，进行数据化处理后，神经网络的输入数据样本为锂电池健康因子λbt,soh、复合电源系统需求功率Phes,r和超级电容荷电状态SOCsc，神经网络的输出数据样本为锂电池需求功率Pbt,r，得到如表2(a)所示的用于神经网络训练的输入数据样本P和表2(b)所示的输出数据样本T。
[0112] 表2(a)神经网络的输入样本P
[0113] P＝[0.165 -0.5 0.41；0.165 -0.5 0.70；0.165 -0.5 0.91；0.165 0.165 0.41；0.165 0.165 0.70；0.165 0.165 0.91；0.165 0.495 0.41；0.165 0.495 0.70；0.165
0.495 0.91；0.165 0.825 0.41；0.165 0.825 0.70；0.165 0.825 0.91；0.495 -0.5
0.41；0.495 -0.5 0.70；0.495 -0.5 0.91；0.495 0.165 0.41；0.495 0.165 0.70；0.495
0.165 0.91；0.495 0.495 0.41；0.495 0.495 0.70；0.495 0.495 0.91；0.495 0.825
0.41；0.495 0.825 0.70；0.495 0.825 0.91；0.825 -0.5 0.41；0.825 -0.5 0.70；0.825 -0.5 0.91；0.825 0.165 0.41；0.825 0.165 0.70；0.825 0.165 0.91；0.825 0.495
0.41；0.825 0.495 0.70；0.825 0.495 0.91；0.825 0.825 0.41；0.825 0.825 0.70；
0.825 0.825 0.91；]＇
[0114] 表2(a)神经网络的输出样本T
[0115] T＝[0.165；-0.15；-0.15；0.495；0.165；0.165；0.825；0.495；0.165；0.825；0.825；0.495；0.165；-0.15；-0.15；0.495；-0.15；-0.15；0.495；0.495；-0.15；0.495；
0.495；0.495；0.165；-0.15；-0.15；0.165；0.165；0.165；0.495；0.165；0.165；0.495；
0.165；0.165；]＇4.神经网络离线学习
[0116] BP神经网络结构图如图9所示。输入层有三个神经元
节点，输出层有一个神经元节点，隐含层神经元节点数一般根据经验公式和实验得到，可取9个节点。神经网络的输入数据样本为锂电池健康因子λbt,soh、复合电源系统需求功率Phes,r和超级电容荷电状态SOCsc，神经网络的输出数据样本为锂电池需求功率Pbt,r。量化模块将输入变量实际值转化到神经网络输入范围，输入层到隐层权值系数为w(2)ij(k)(j＝1,2,3，i＝1,2…9)，阈值为b(2)i(k)(i＝1,2…9)，隐层到输出层权系数为w(3)li(k)(i＝1,2…9,l＝1)，阈值为b(3)l(k)(l＝1)。基于MATLAB神经网络工具箱采用BP学习算法将输入数据样本P和输出数据样本T用于神经网络离线训练，选取神经网络输出量和输出数据样本T误差最小时的神经网络，该神经网络实现输入数据样本P和输出数据样本T之间的映射，神经网络记忆了模糊规则，实现基于神经网络的复合电源系统能量管理。
[0117] 5.基于神经网络的复合电源系统能量管理在线优化
[0118] 基于神经网络的复合电源系统能量管理结构图如图10所示。
[0119] 采用表征锂电池寿命的锂电池组输出电流的均方根作为神经网络性能函数J(k)，可以表示为，
[0120]
[0121] Ibt,a(k)表示k时刻锂电池组输出电流，N表示k时刻锂电池组输出电流Ibt,a采样值总个数。
[0122] 神经网络采用上述训练后的神经网络。利用BP学习算法，正向传播时，输入变量从输入层经隐含层传向输出层；反向传播时，将性能函数J(k)从输出层经隐含层传到输入层，按照梯度下降法在线调整神经网络的权值和阈值；按照J(k)对神经网络的负梯度方向搜索，并附加一个使搜索快速收敛的惯性项，优化能量管理策略，权值和阈值调整公式如下所示：
[0123]
[0124]
[0125]
[0126]
[0127] 其中，η为学习速率，α为惯性系数。
[0128] 6.评估
[0129] 对优化结果进行评估，达到要求时，优化结束。不能达到要求时，对模糊能量管理规则进行修改，再按流程进行优化。
[0130] 以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
