锂离子电池荷电状态估算的新办法，估算结果快速精确

锂离子电池作为紧要的储能元件，其荷电状态（SOC）笔直影响所在系统的运行状态。为了实现对锂离子电池SOC的精确估算，舰船综合电力技术科技重点试验室（海程大学）的研究人员李超然、肖飞、樊亚翔、杨国润、唐欣，在2020年第9期《电工技术学报》上撰文，提出一种基于门控循环单元神经网络（GRU-RNN）和Huber-M估计鲁棒卡尔曼滤波（HKF）融合办法的锂离子电池SOC估算模型。

试验结果声明，基于GRU-RNN和HKF融合办法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算，而且能够降低测量误差及异常值对估算结果的影响，使锂离子电池SOC估算结果快速且精确收敛。

在现代化电力系统中，储能装备所起到的用途越来越紧要，其意义紧要包括：削峰填谷，实现电力系统能量灵活的管理和使用；提高电力系统可靠性，在故障时供应临时电能支撑；改善电能质量和特性；满足高能量大功率用电设备需求。

常见的储能方式包括抽水储能、压缩空气储能、飞轮储能、超级电容储能、超导磁储能、铅酸蓄电池储能、锂离子电池储能等。其中，锂离子电池因其高能量密度、高功率密度、清洁可靠等优势，已经在便携式电子设备、电动汽车辆和固定储能装置中获得了广泛使用。

作为储能分系统中的紧要储能元件，锂离子电池的运行状态对电力系统能源调配策略非常紧要，因此，要获取锂离子电池状态信息并对其进行管理。其中，荷电状态（StateofCharge,SOC）是锂离子电池紧要的状态信息之一，其被含义为剩余电量与额定电量之比，用来掂量锂离子电池中可用的电量，代表锂离子电池的续航能力，类似于汽车“油表”的功能。

然而，锂离子电池SOC无法通过仪器测量笔直获取，要通过仪器测量电压、电流、温度等间接进行估算。而由于锂离子电池的时变性、非线性以及电化学反应的不确定性等因素，电压、电流、温度与SOC之间的关系变得难以刻画，使得锂离子电池SOC获取成为一大难题。

为了解决以上问题，研究人员提出了大量锂离子电池SOC估算办法，紧要分为安时积分法、开路电压法、电化学阻抗法、基于模型的办法、数据驱动的办法和融合办法。

其中，安时积分法依据电量的含义对电流继续测试并进行积分得到电池释放或吸收的电量，虽然被广泛使用，但其无法获取初始SOC，要结合其他办法使用。

开路电压法通过观察电池开路电压（OpenCircuitVoltage,OCV），利用开路电压和SOC之间的关系获得SOC，但充电和放电阶段OCV-SOC的关系曲线不一致且中间段曲线平缓，不易于SOC辨识。另外，还要将电池长时间静置才可以获得稳定的开路电压，因此开路电压法无法满足SOC实时在线的估算需求。

电化学阻抗法则是通过测量电池交流内阻获取SOC，但电池交流内阻受外部环境影响较大，且阻值难以测量，该办法一般适用于试验室研究，无法使用到实际中。

基于模型的办法采用观测器或滤波器框架，将电池SOC作为状态量，并将安时积分法和电池模型分别作为状态方程和观测方程，通过观测方程获得的结果进行递推式修正状态量，进一步实现电池SOC估算。

常见的观测器和滤波器包括卡尔曼滤波器、粒子滤波器、H∞观测器、滑模观测器等，采用的电池模型紧要包括电化学模型、等效电路模型、热模型和拟合模型等。虽然基于模型的办法能够实现锂离子电池SOC估算，但是电池内部复杂的化学反响应动态变化的外部环境，使得难以建立准确的电池模型。

此外，基于模型的办法要花费较大的计算资源对模型参数不断进行辨识，这在一定程度上限制了该类办法的使用。数据驱动的办法通过机器学习算法来学习电池外部可观测量和SOC之间复杂的非线性关系，戒备了对锂离子电池内部机理和模型的精确研究，在电池SOC估算中也得到了广泛使用。这类办法紧要采用支持向量机、模糊逻辑、神经网络等机器学习办法。

有关数据驱动的办法而言，SOC估算结果与训练集的选取有关，训练集与所使用的电池工况越相近，则锂离子电池SOC估算结果越准确。融合模型将上述办法中的两种或多种进行组合，以弥补单一办法的缺陷并保留各自优点，目前也得到了广泛使用。

这类办法的融合形式紧要以数据驱动办法与滤波办法结合以及滤波办法自身结合为主，包括支持向量机与卡尔曼滤波办法结合、模糊控制与卡尔曼滤波结合、神经网络与卡尔曼滤波结合、粒子滤波与卡尔曼滤波结合等。

以数据驱动与滤波办法结合的融合模型，一方面能够利用数据驱动的办法表示非线性关系且易于实现，另一方面能够结合滤波办法迭代收敛的特性实时修正模型输出，目前已经成为实现锂离子电池SOC估算的有效办法。但以上办法由于未考虑时序因素的影响，因而无法较好地解决时间递归问题。

有关锂离子电池而言，SOC是时变状态量，其历史状态对当前状态的影响是无法忽视的。另外，为了实现锂离子电池SOC的精确估计，算法非得对噪声具有鲁棒性。因此，舰船综合电力技术科技重点试验室（海程大学）的研究人员，对卡尔曼滤波器进行鲁棒性改进，并在改进卡尔曼滤波办法的框架下，分别引入安时积分法和考虑时序因素影响的循环神经网络，提出了一种基于门控循环单元神经网络（RecurrentNeuralNetworkwithGatedRecurrentUnit,GRU-RNN）和Huber-M估计鲁棒卡尔曼滤波（Huber-MRobustKalmanFilter,HKF）融合办法的锂离子电池SOC估算模型，对动态工况下的锂离子电池SOC进行估算。

该办法在Huber-M估计鲁棒卡尔曼滤波办法的基础上，将安时积分法所使用的库仑计量公式作为状态方程，并将基于GRU-RNN的锂离子电池SOC估算结果作为观测量，从而实现了锂离子电池SOC的估算，整体研究思路如图1所示。

图1研究思路

该办法具有以下优势：

①GRU-RNN能够考虑时序因素有关锂离子电池SOC的影响，具有较高的估算精度，同时能为HKF的状态方程供应准确的初始值，使滤波算法更快地收敛；②HKF能够提高GRU-RNN的鲁棒性，降低电压、电流、温度传感器测量误差和偶发性测量异常值以及SOC初始误差对锂离子电池SOC估算精度影响，进一步提升模型估算精度；③库仑计量公式是对锂离子电池SOC随时间变化过程的描述，采用库仑计量公式作为锂离子电池状态方程，即使GRU-RNN的估算结果出现较大误差，仍旧能够保证最终锂离子电池SOC估算结果的精确性。

图2基于融合办法的锂离子电池SOC估算

研究人员在六种锂离子电池运行工况和三种异常工况下验证了模型的精确性和鲁棒性。试验结果声明，该模型在三个温度下Panasonic18650PF锂离子电池探测数据集和锂离子电池大倍率脉冲放电探测数据集上的最大MAE分别为0.56%和1.78%，最大MAX分别为2.39%和4.12%，最大RMSE分别为0.7%和2.01%。

该模型将GRU-RNN和HKF进行融合，一方面能够通过HKF强化GRU-RNN的鲁棒性，降低电压、电流、温度传感器噪声和异常值以及SOC初始误差对锂离子电池SOC估算精度的影响；另一方面，GRU-RNN能够为HKF供应准确的初始值，使滤波算法更快地收敛。

另外，由于HKF的状态方程采用库仑计量公式，即使GRU-RNN出现较大误差，仍旧能够保证锂离子电池SOC估算精度。下一步将针对该算法的实用性进行研究并在装置中进行实际使用。此外，还可以在当前新增算法鲁棒性的基础上，进一步考虑算法自适应能力的提升，研究一种自适应且鲁棒的SOC估算办法，从而使算法对不同电池对象和使用工况的变化具有自适应能力。

以上研究成果发表在2020年第9期《电工技术学报》，论文标题为“基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合办法的锂离子电池荷电状态估算办法”，作者为李超然、肖飞、樊亚翔、杨国润、唐欣。