人工智能的废旧锂电池SOC监测技术研究与应用

广州中国科学院沈阳自动化研究所分所 胡 跃

我国科技领域的集中成长带来了有效的发展，在后续的优化中，我国针对于动力电池进行了有效的应用。动力电池自身的污染性较低，使用寿命较长。但在使用过程中，废旧锂电池有可能会出现一定的非线性特性，影响在SOC估算精准度。使其估算精度不足，导致锂电池发展出现瓶颈。因此，在本文的探究中，其基于人工智能的废旧锂电池SOC监测技术，将提供神经网络算法。并在此基础上，研究动力电池的检测机制，并对该系统集成相关平台实现电池参数等进行在线动态监测功能。

如何研发全新能源，并使其能够得到社会各界的重点关注，是目前工业领域必须掌握的基础。新型工业对其进行了集中设定。在锂电池的应用中，我国的针对于全新的汽车领域，我国新能源汽车产业实现快速发展。而在新能源汽车中，动力锂电池为新能源汽车的未来发展提供了全新的动力指向以及动力源，需求量大幅提升。目前，我国对废旧锂电池的SOC监测技术与以往相比，整体已经进行了明显的优化以及加强的。其需要相关部门的集中优化，才可以保障SOC监测技术的精准度。

1 动力电池技术发展分析

在动力电池发展中，在19世纪初，世界上第一款电池研制迄今已有300年历史。而1976年，第一款锂电池在后续改进过程中，锂电池的特性不断优化，其电池质量也在不断增强。锂电池具有使用性、高效性，并且其充放电性能良好、体重较小、响应速度较快。在各种动力电池中脱颖而出，具备极佳的使用性能。锂电池具有一定的优势，但自身也有一定的缺陷。例如，锂电池内部是较为复杂的非线性系统，因此在出现问题时很难对针对于电池容量以及剩余性能需要进行综合估算，以保证锂电池能够发挥自身最大价值。

根据SOC技术，其可以被描述电池的整个剩余电量并进行监控。将其作为电池系统的关键组成部分，对SOC技术估算系统而言，在估算过程中，整体的难度较大，且误差较大，无法提供在线预测系统技术。这种效果导致使锂电池的发展模式受到较多制约，无法得到全面应用。目前，我国针对于SOC技术，为了确保SOC技术能够发挥自身的最大价值。因此，其必须进行大量研究，并根据锂电池的应用现状，在现代研究理论层次上，完成动态监管以及连续的有效控制。如何建立高精度的锂电池充放模型，可以完成精准动态的估算，提升其整体的利用率。

2 SOC锂电池的估算方法现状分析

目前，针对SOC技术进行分析，可以得知SOC电池技术可以全面反映整个电动汽车行驶里程数，并将其作为判断指标。因此，必须将整个SOC技术实现精准性控制，使其自身能够实现有效的优化。对SOC锂电池而言，SOC锂电池自身应有一定的非线性。因此，其无法完成电压或输入电流，实现综合测量。在后续改进过程中，必须根据电池的各组工作状态，选择合理的SOC估算方法。采用综合参考因素，以确保电池SOC技术能够得到合理有效的优化。且随着后续锂电池技术的不断发展，推广SOC技术将在现有基础上整体实现全面的丰富，包含以下几种电池SOC估算方法。

其一，开路电压法。在开路电压法中，该方法由日本提出可以用于估算SOC。作为一种早期的估算方法，其可以利用电池内部的浓度关系。例如，Li+浓度关系，全面模拟出电池自身的电压以及SOC之间的对应联系，适用于各种电池。但采用电压法，也具有一定的缺陷。例如，前后蓄电池无法完成在线预测。根据整个电池的电动特性，分析并预测电池SOC。在初始阶段，SOC的整个预算精准度较高。在负载或电流变化中，其距离误差较大。因此，通过建立电流，可以全面模拟电池电压，并计算出相应的电池模型。经多次实验，可以接受相关公式，最后集中分析，实现电压的有效估算。

其二，放电试验方法。通过较为可靠且使用较多的SOC采用相关的估算方法，可以分析整个恒定的电压并实现持续的放电。随后，在估算中，将整个放电所用的时间以及所用的电流实现融合，得出整个电池剩余的结果以及剩余容量。简易可行，且结果极为精准。但对电池进行完整放电，需要一定的时间限制。此外，在针对工作中的电池组，其为了检测精度，必须中断工作，无法进行在线预测。

其三，安时积分法。安时积分算法是根据其混合动力电动内部的智能锂电池SOC值进行通过多样性的估算方法，以计算锂电池在某一段时间内，其自身的充进或放出的电量，实现整个电池的SOC数值。如下：

根据相关公式分析，在锂电池SOC测量中，根据其相关的标称容量以及库存效应，结合安时法，可以准确的估算出SOC的初始值。通过综合计算，在短时间内，SOC预测精准度较高，其误差可以随着时间的推移可以有效减少。

3 影响电池SOC估算的因素

3.1 自放电因素

锂电池在放电过程中，在电池定制的过程中，其电压有可能会下降。锂电池除与自身的内部特性有明显关联外，也与锂电池的外部特征以及锂电池在当时使用中温度、时间等外界因素有密切关联。此外，随着锂电池使用时间的增加，锂电池的放电率会增加。但就其他的锂电池技术而言，锂电池自身的放电率较小。因此，在普通的使用环境中，锂电池的掉电率为每个月3%左右。因此，锂电池若长期处在不适宜的环境中，将会缩短电池的使用寿命。

3.2 温度因素

在分析整个锂电池SOC数据库中，根据锂电池的温度变化，其对电池的影响性能较大。因此，锂电池在工作中，其整个内部将会发生化学反应，导致锂电池内部的Li+扩散速度变慢，整个电池内阻增加。而一旦锂电池温度上升，则会加剧整个电子内部的Li+移动速度，以减少电池的电量消耗。例如，在使用过程中，SOC锂电池技术如处于温度过高或过低环境，则会导致SOC锂电池出现明显的掉电量。如温度上升，锂电池内部的Li+移动速度将会加速，减少电量消耗，降低整个材料的充电性能。在此种情况影响下，其在夏季，电动车行驶路程比冬季行驶路程较长。

3.3 循环寿命因素

目前，根据锂电池的整个使用情况，其锂电池的循环寿命比额定电能相比具有一定限制。此种现象被称为锂电池循环寿命缩短。在理想状态下，锂电池的整个循环周期以及初始电量，都必须具备相关的使用特性。在定时使用中，会受到一定的因素制约。因此，整个锂电池的容量有可能会因为循环数量而发生变化，但就一般情况分析锂电池的实际容量。数量已降至80%左右时，便可以判断此电池的循环终止。

3.4 老化因素

在锂电池的使用中，其锂电池的容量均高于旧电池。因此，通过对电池内部的化学物质进行损耗判断，可以分析且由于整个化学物质经过多次反应，就会导致电池出现老化，使电池的容量以及性能明显降低。

4 监测系统软件设计以及相关测试

4.1 BP神经网络算法的相关改进

根据相关的章节针对整个神经网络算法而言，其必须需要精准的数字模型判断，并通过样本进行学习，全面保障内部的非线性系统能够实现有效的规律成长。为了更好的实现网络神经模型建设，在网络神经算法中，其自身亦有可能存在不足之处。例如，针对于神经网络BP系统训练中，其整个系统很容易出现遗忘旧样本的问题。此外，也从也很容易陷入局部直角小等现象。网络收敛速度较慢，且节点较少，缺乏专业理论支撑。

随着神经网络的不断发展，各种改进方法也被提出。其常见的有附加动量法自适应学习法以及LM算法，因此提升SOC预测精准度以及训练速度，可以对BP神经网络进行有效的改进研究。例如，将无线的目标误差SOC设定为10-4，其循环次数为1000次，以便得到隐藏节点数范围。

4.2 附加动量法改进BP网络收敛速度

附加动量法可以完成先前的调整，并将横梁值的一部分叠加。并结合全新的调整系统，实现整体数量。根据反向传播速度，产生全新的权值变化，其公式如下：

在公式分析中，动力系数可以通过建立网络模型，来对附加量法进行仿真测试。将整体的目标误差设置在10，显示最大循环度数值为1000，并通过其相关的测试公式得出最佳的神经元数数值。根据相关的训练模式，可以采取附加动量法，保障其训练速度，减少误差。再进行1000次测试时，其训练结果等于目标误差，具有一定差距。因此，通过该方法可以提高网络的训练程度。

4.3 LM算法改进BP网络的预测精度

此种算法可以基于数值优化，完成快速结算。结合相关的梯度下降以及高斯牛顿法，可以对其进行相关调整，以保证网络速度得到快速收敛，实现自我解决。在整体的改进流程中，公司流转法可以有效的调整公司入股。根据以下措施，在股市中，根据网络输出的误差向量，可以完成调整前的网络权值组成，进行有效的组织矩阵。在调整后的网络权值中，所进行的矩阵组成里，可以实现误差平方以及组成的矩阵公式。在网络应用中，LM算法变成，可以有效提高网络的预测精度。

结束语：综上所述，针对于锂电池的最新型相关问题，结合有效的神经网络算法。在坚持SOC进行二次预测时，相关的转口进行锂电池参数的检测以及动态分析。在本论文的分析中，针对于BP神经网络算法可以通过分析企业相关的影响因素，对电池的发电电压、电流、环境等设定主要的问题，并针对问题进行逐一解决。