融合算法在蓄電池SOC估算中的研究綜述

王曉輝，鄭 超，張思義，戴 明，肖 偉，陳 醒

(1.國網(wǎng)江蘇省電力有限公司徐州供電公司，江蘇 徐州 221000；2.國網(wǎng)四川省電力公司電力科學研究院，四川 成都 610041)

0 引 言

蓄電池是制造業(yè)中一種使用廣泛的儲能設(shè)備，具有供電可靠、電壓穩(wěn)定等特點。此外，蓄電池是混合動力汽車和電動車輛的核心組成部分，作為系統(tǒng)的間接或直接電源，保證其安全可靠的運行對系統(tǒng)的安全至關(guān)重要[1-2]。但由于受蓄電池固有特性的影響，實際場景下仍存在一些薄弱環(huán)節(jié)。突出表現(xiàn)在以下3點：現(xiàn)有方式下蓄電池組很難達到預(yù)期壽命；運行維護工作量較大；現(xiàn)階段實時監(jiān)測技術(shù)落后、手段單一。電池管理系統(tǒng)(battery management system，BMS)俗稱電池管家，是電池與用戶之間的紐帶，具有準確監(jiān)測、高效評估、精確管理的特點。BMS采集電池系統(tǒng)的實時運行數(shù)據(jù)，并對其狀態(tài)進行評估，主要包括：荷電狀態(tài)(state of charge，SOC)、功率邊界、健康狀態(tài)和故障狀態(tài)，其中荷電狀態(tài)估計是BMS研究的核心和難點[3-5]。近年來，國內(nèi)外學者先后對SOC的估算方法進行了大量的研究[6-55]，也取得一些成果，但是在工程應(yīng)用方面仍存在問題。

SOC是電池使用過程中最重要的參數(shù)之一，會受到電池內(nèi)部電化學反應(yīng)、外部環(huán)境條件等因素的影響，具體包括充放電倍率、環(huán)境溫度、電池內(nèi)阻及老化等。目前蓄電池SOC估算方法主要有開路電壓法、安時積分法、神經(jīng)網(wǎng)絡(luò)法、卡爾曼濾波法以及綜合法，下面對上述方法進行詳細分析，并給出總結(jié)與展望。

1 電池SOC的定義

SOC指電池的荷電狀態(tài)，是一個無量綱的數(shù)值量，可理解為儲存在能量系統(tǒng)中的有用電荷和全部額定電荷容量的比值，即剩余容量/額定容量。

(1)

式中：S(t)為荷電狀態(tài)值；E(t)為剩余容量(residual capacity);Enom為額定容量(tatal capacity)。

2 單一SOC估算方法的不足

相關(guān)研究指出，蓄電池的電動勢U(t)與其荷電狀態(tài)密切相關(guān)[9-13]，函數(shù)關(guān)系如式(2)所示。

S(t)=F(U(t))

(2)

經(jīng)典的SOC估算方法采用安時積分法[14-17]，也叫電流積分法或庫倫計數(shù)法，通過對電池充放電過程中的電流進行積分運算，進而估算電池的SOC為

(3)

式中：S0為初始荷電狀態(tài)；η(t)為放電倍率(放電時，η(t)≈1；充電時，η(t)≈0.98～0.99)。

開路電壓法操作便捷， 但需要電池較長時間處于靜置狀態(tài)，所需的測量條件特殊。

安時積分法的誤差來源有：1) 電流采樣誤差，主要是電流采樣的精度和頻率；2) 電池容量變化導(dǎo)致的誤差，即電池的環(huán)境溫度、電池的老化程度、電池的充放電倍率以及電池的自放電等都會影響到電池的容量；3) SOC誤差，即初始SOC的精確獲取以及最終SOC計算過程中無法避免的取舍誤差。

3 融合SOC估算方法

3.1 卡爾曼濾波法

對蓄電池而言，運用卡爾曼濾波進行電池的SOC估算，是當下一種比較主流的研究方向。建立合適的電池等效模型是該方法的核心：通過當下時刻的測量值、上一時刻的預(yù)測值以及構(gòu)建模型的誤差，計算得到當下時刻的最優(yōu)值。其突出優(yōu)勢在于，計算過程考慮了誤差，并且該過程中誤差獨立存在。文獻[18-26]均通過建立等效電池模型，運用卡爾曼濾波估算蓄電池的SOC。此外，有學者對傳統(tǒng)卡爾曼濾波進行改進，得到了擴展卡爾曼濾波法[27-29]，進一步提高了計算精度?？柭鼮V波法的準確度與構(gòu)建的電池模型的準確度高度正相關(guān)，計算復(fù)雜。

卡爾曼濾波法適用于電流波動比較劇烈的情況，對SOC初值的要求不高，但對電池模型的精度要求很高。

3.2 神經(jīng)網(wǎng)絡(luò)法

近年來，電池SOC估算研究方法中也引入了人工智能算法，主流采用的是BP(back propagation)神經(jīng)網(wǎng)絡(luò)。根本上是對反映電池狀態(tài)的參數(shù)樣本的數(shù)據(jù)處理，其中對樣本數(shù)據(jù)的選取和處理是重點，對電池本身的內(nèi)部結(jié)構(gòu)無需做深入的研究，就能得出電池運行中的SOC值。

將神經(jīng)網(wǎng)絡(luò)算法用于電池SOC估算，前期準備數(shù)據(jù)，后期處理相對簡單?；趯嶒炿娐?，文獻[30-31]構(gòu)建樣本集，主要包含以下數(shù)據(jù)：蓄電池的端電壓U(t)、充放電流I(t)、歐姆內(nèi)阻R(t)、溫度T(t)和荷電狀態(tài)S(t)，然后利用RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測SOC，準確度較高，但實驗電路太過理想，實驗不具普適性。

圖1 神經(jīng)網(wǎng)絡(luò)估算SOC

文獻[32]文獻提出利用LIBSVM支持向量機，結(jié)合實驗樣本數(shù)據(jù)，建立了蓄電池的SOC預(yù)測模型，實驗結(jié)果指出該方法優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。文獻[33]提出了基于稀疏采樣數(shù)據(jù)的電池SOC單步預(yù)測法。選取了表征電池狀態(tài)的部分參數(shù)，并以此歷史數(shù)據(jù)構(gòu)建了SOC訓(xùn)練數(shù)據(jù)集，采用支持向量機(support vector machine,SVM)進行數(shù)據(jù)的預(yù)訓(xùn)練，其中SVM的最優(yōu)參數(shù)通過貝葉斯算法獲取，實驗結(jié)果表明該方法具有較高的魯棒性。

文獻[34]在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加以改進，提出了基于改進遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的蓄電池SOC估算方法，其仿真實驗結(jié)果表明，該方法提高了估算精度，具有較好的收斂性?；贛atlab仿真，文獻[35]設(shè)計的基于LSTM神經(jīng)網(wǎng)格電池SOC預(yù)測模型較傳統(tǒng)SOC估計方法的精度高，但提升不是特別明顯。文獻[36-41]通過選取與電池狀態(tài)息息相關(guān)的參數(shù)，如溫度、電流、老化程度等，建立神經(jīng)網(wǎng)絡(luò)模型，估算電池的SOC值。但是，該算法需要大量的樣本數(shù)據(jù)，其對最終訓(xùn)練結(jié)果有重大的影響，特征量的取舍會帶來誤差[42]。

神經(jīng)網(wǎng)絡(luò)法可在線估計，不需要精確的SOC初值，但需要大量的實驗數(shù)據(jù)訓(xùn)練。

3.3 綜合法

單一的方法，各有缺陷，綜合使用上述方法，可以提高SOC估算精度[43-55]。

文獻[43]的實驗結(jié)果表明，擴展卡爾曼濾波結(jié)合無跡卡爾曼濾波算法有效地降低了SOC估算中的噪聲，提高了估算精度。文獻[44]基于蓄電池的戴維南二階模型，其二階模型參數(shù)通過最小二乘法確定，采用神經(jīng)網(wǎng)絡(luò)模型確定開路電壓和SOC之間的非線性關(guān)系，最后通過主從式自適應(yīng)無跡卡爾曼濾波估算SOC，實驗結(jié)果指出相比于擴展卡爾曼濾波(extended Kalman filter,EKF)、無跡卡爾曼濾波(unscented Kalman filter,UKF)算法，該方法估算精度高、收斂速度快。

文獻[45]在分裂電池模型的基礎(chǔ)上，引入了帶遺忘因子的遞推最小二乘法，最后利用UKF算法對蓄電池的SOC進行估算，提高了估算精度。文獻[46]結(jié)合蓄電池的Thevenin一階RC等效電路模型、RLS和改進的雙卡爾曼濾波(improved dual extended Kalman filter,I-DEKF)算法進行SOC估算，減小了傳統(tǒng)安時積分法的誤差；此外有實驗表明結(jié)合蓄電池的二階RC等效電路模型、遞歸最小二乘法(recursive least square,RLS)和改進的Sage-Husa估計器對SOC估算過程的噪聲進行抑制，提高了估算精度[47]。文獻[48]融合門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)和Huber-M估計魯棒卡爾曼濾波算法，有效地降低了鋰離子電池SOC估算中存在的測量誤差。文獻[49]在傳統(tǒng)高斯過程模型的基礎(chǔ)上，引入了K-means聚類算法與最大期望(expectation maximization,EM)算法對傳統(tǒng)模型參數(shù)進行更新，實驗結(jié)果顯示該方法的估算精度要優(yōu)于傳統(tǒng)高斯過程回歸方法。

文獻[50]針對電池的SOC估算提出了一種電池狀態(tài)分階段處理的思想，但適用場景比較單一,僅適用于純電動物流車。

文獻[51]創(chuàng)新性地將分數(shù)階微積分用于電池SOC估算，結(jié)合卡爾曼濾波法，提高了BMS中SOC估算的準確性。文獻[52]設(shè)計了離散滑模觀測器，結(jié)合電池的戴維南等效模型，進行模型的參數(shù)識別，實驗結(jié)果優(yōu)于擴展卡爾曼濾波法，但忽略了模型本身的誤差，不具普適性。

文獻[53]設(shè)計了電池管理系統(tǒng)和監(jiān)控平臺，提出了將安時計量法和等效電動勢法相結(jié)合的并聯(lián)加權(quán)反饋算法來估算電池SOC，估算準確度要優(yōu)于傳統(tǒng)并聯(lián)加權(quán)算法。單實驗數(shù)據(jù)與電池實際的狀態(tài)數(shù)據(jù)有差距，不適用現(xiàn)場工況。

4 結(jié) 語

對于蓄電池而言，由于工況變化復(fù)雜，基于傳統(tǒng)的單一變量，如U(t)、I(t)的開路電壓法和安時積分法誤差較大。神經(jīng)網(wǎng)絡(luò)法和卡爾曼濾波法融合多個變量，其估算準確度要優(yōu)于傳統(tǒng)單一估算方法，但是卡爾曼濾波法和神經(jīng)網(wǎng)絡(luò)法受限于電池模型和訓(xùn)練數(shù)據(jù)，而且算法復(fù)雜。影響電池容量的因數(shù)眾多，有電流、電壓、環(huán)境溫度、壽命等，在電池SOC估算算法中應(yīng)當綜合考慮多種因數(shù)。BMS中儲存了大量的歷史運行數(shù)據(jù)，如何將這些歷史數(shù)據(jù)與數(shù)據(jù)挖掘和深度學習等技術(shù)很好地結(jié)合起來，將是電池SOC估算的重要途徑。