锂离子电池具有重量轻、无局部污染、功率密度高等优点，在电动汽车以及工业行业得到广泛应用。随着人们对电池安全运行和可靠性的认识不断提高，荷电状态（SOC）对于防止电池过度充电、深度放电和不可逆转的损坏至关重要。核科学与技术学院华青松教授基于神经网络的SOC建模和学习，应用非线性自回归外生神经网络（NARX-NN）和基于径向基函数（RBF）的无迹卡尔曼滤波神经网络（RBFNN-UKF）估算电池SOC。

                 图1：直接NARX-NN的开环训练模式。非线性自回归神经网络                  图2：直接NARX-NN的闭环测试模式。非线性自回归外生神经网络

  实验结果表明，直接NARX-NN估计器能够实现有效而精确的SOC估计，并且对不同的初始条件具有良好的鲁棒性。基于RBFNN的间接估计器将SOC视为内部状态，而将电压作为模型输出。基于神经网络输出与实际测量值之间的电压误差，利用UKF估算SOC。直接NARX-NN比间接RBFNNUKF估算的瞬态收敛速度快，两种估计器的总体精度相当。然而，当存在电流传感器偏差时，直接NARX-NN估计器的性能明显差于间接RBFNN-UKF估计器，此时可以通过增大电流传感器偏差，将其作为内部状态变量与SOC一起进行修正。此种应用中间接估计器比直接法显示出压倒性的优势。

 

 

  相关成果近日以“Neural network-based learning and estimation of batterystate-of-charge: A comparison study between directand indirect methodology”为题，作为封面文章刊发在能源领域顶级国际期刊《International Journal of Energy Research》上。东南大学能源热转换及其过程测控教育部重点实验室孙文为第一作者，华青松教授为第二通讯作者。

本研究得到了国家自然科学基金（51806034，51936003）、江苏省自然科学基金（BK20170686）、天津大学发动机国家重点实验室公开资助。

 

  文章链接：https://bnu-primo.hosted.exlibrisgroup.com/permalink/f/5qk71t/TN_cdi_gale_infotracacademiconefile_A637873378

• Neural network-based learning and estimation of battery.pdf