锂电池阻抗模型参数的BP神经网络预测研究

针对目前锂电池的检测技术与分类方法相对落后,从而直接影响电池的使用寿命和可靠性能,提出利用BP神经网络预测电池阻抗模型参数的方法,目的是为电池的一致性研究提供理论依据和方法。 电池阻抗模型包含了大量能够表现电池性能的信息,因此电池阻抗模型参数在电池一致性的研究中具有十分重要的意义。本研究将基于电子运动理论的电极等效电路应用于初始阻抗模型的建立过程中,通过参考的等效元件的阻抗谱特征,并结合测量的电池阻抗谱曲线特征对等效电路进行修正,最终得出一个既符合电池内部结构和工作原理,又符合测量结果的电池阻抗模型。 在分析了电池电压响应采样值与电池阻抗模型参数相关性的基础上,采用BP神经网络方法,利用实验中获取的样本数据建立了电池阻抗模型参数的预测模型。在此模型的构建过程中对比了trainlm、trainrp、trainscg、trainbfs和traingdx五种MATLAB神经网络工具箱提供的快速学习方法,选取了训练效果最优的trainlm算法对网络进行训练。通过检验样本进行仿真检验表明,采用所构建模型预测的电池阻抗模型参数与实际测量值的最大相对误差仅为1.23%,证明了采用BP神经网络预测电池阻抗模型参数的可行性。 研究最后将BP神经网络和遗传算法结合起来,利用遗传算法对BP神经网络进行优化,仿真结果表明,电池阻抗模型参数的预测值与实际测量值的最大相对误差降低至0.699%,可见GA-BP算法提高了预测的精度,再次证明了该模型对电池阻抗模型参数的预测能力。