鋰離子電池作為重要的儲能元件，其荷電狀態(tài)（SOC）直接影響所在系統(tǒng)的運(yùn)行狀態(tài)。為了實(shí)現(xiàn)對鋰離子電池SOC的精確估算，艦船綜合電力技術(shù)特種科技重點(diǎn)實(shí)驗(yàn)室（海特種程大學(xué)）的研究人員李超然、肖飛、樊亞翔、楊國潤、唐欣，在2020年第9期《電工技術(shù)學(xué)報(bào)》上撰文，提出一種基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（GRU-RNN）和Huber-M估計(jì)魯棒卡爾曼濾波（HKF）融合方法的鋰離子電池SOC估算模型。

實(shí)驗(yàn)結(jié)果表明，基于GRU-RNN和HKF融合方法的鋰離子電池SOC估算模型不僅能夠準(zhǔn)確地實(shí)現(xiàn)鋰離子電池SOC估算，而且能夠降低測量誤差及異常值對估算結(jié)果的影響，使鋰離子電池SOC估算結(jié)果快速且精確收斂。

在現(xiàn)代化電力系統(tǒng)中，儲能裝備所起到的用途越來越重要，其意義重要包括：削峰填谷，實(shí)現(xiàn)電力系統(tǒng)能量靈活的管理和應(yīng)用；提高電力系統(tǒng)可靠性，在故障時(shí)供應(yīng)臨時(shí)電能支撐；改善電能質(zhì)量和特性；滿足高能量大功率用電設(shè)備需求。

常見的儲能方式包括抽水儲能、壓縮空氣儲能、飛輪儲能、超級電容儲能、超導(dǎo)磁儲能、鉛酸電池儲能、鋰離子電池儲能等。其中，鋰離子電池因其高能量密度、高功率密度、清潔可靠等優(yōu)點(diǎn)，已經(jīng)在便攜式電子設(shè)備、電動汽車輛和固定儲能裝置中獲得了廣泛應(yīng)用。

作為儲能分系統(tǒng)中的重要儲能元件，鋰離子電池的運(yùn)行狀態(tài)對電力系統(tǒng)能源調(diào)配策略非常重要，因此，要獲取鋰離子電池狀態(tài)信息并對其進(jìn)行管理。其中，荷電狀態(tài)（StateofCharge,SOC）是鋰離子電池重要的狀態(tài)信息之一，其被含義為剩余電量與額定電量之比，用來衡量鋰離子電池中可用的電量，代表鋰離子電池的續(xù)航能力，類似于汽車“油表”的功能。

然而，鋰離子電池SOC無法通過儀器測量直接獲取，要通過儀器測量電壓、電流、溫度等間接進(jìn)行估算。而由于鋰離子電池的時(shí)變性、非線性以及電化學(xué)反應(yīng)的不確定性等因素，電壓、電流、溫度與SOC之間的關(guān)系變得難以刻畫，使得鋰離子電池SOC獲取成為一大難題。

為了解決以上問題，研究人員提出了大量鋰離子電池SOC估算方法，重要分為安時(shí)積分法、開路電壓法、電化學(xué)阻抗法、基于模型的方法、數(shù)據(jù)驅(qū)動的方法和融合方法。

其中，安時(shí)積分法根據(jù)電量的含義對電流持續(xù)檢測并進(jìn)行積分得到電池釋放或吸收的電量，雖然被廣泛應(yīng)用，但其無法獲取初始SOC，要結(jié)合其他方法使用。

開路電壓法通過觀察電池開路電壓（OpenCircuitVoltage,OCV），利用開路電壓和SOC之間的關(guān)系獲得SOC，但充電和放電階段OCV-SOC的關(guān)系曲線不一致且中間段曲線平緩，不易于SOC辨識。另外，還要將電池長時(shí)間靜置才可以獲得穩(wěn)定的開路電壓，因此開路電壓法無法滿足SOC實(shí)時(shí)在線的估算需求。

電化學(xué)阻抗法則是通過測量電池交流內(nèi)阻獲取SOC，但電池交流內(nèi)阻受外部環(huán)境影響較大，且阻值難以測量，該方法一般適用于實(shí)驗(yàn)室研究，無法應(yīng)用到實(shí)際中。

基于模型的方法采用觀測器或?yàn)V波器框架，將電池SOC作為狀態(tài)量，并將安時(shí)積分法和電池模型分別作為狀態(tài)方程和觀測方程，通過觀測方程獲得的結(jié)果進(jìn)行遞推式修正狀態(tài)量，進(jìn)一步實(shí)現(xiàn)電池SOC估算。

常見的觀測器和濾波器包括卡爾曼濾波器、粒子濾波器、H∞觀測器、滑模觀測器等，采用的電池模型重要包括電化學(xué)模型、等效電路模型、熱模型和擬合模型等。雖然基于模型的方法能夠?qū)崿F(xiàn)鋰離子電池SOC估算，但是電池內(nèi)部復(fù)雜的化學(xué)反應(yīng)和動態(tài)變化的外部環(huán)境，使得難以建立準(zhǔn)確的電池模型。

此外，基于模型的方法要花費(fèi)較大的計(jì)算資源對模型參數(shù)不斷進(jìn)行辨識，這在一定程度上限制了該類方法的應(yīng)用。數(shù)據(jù)驅(qū)動的方法通過機(jī)器學(xué)習(xí)算法來學(xué)習(xí)電池外部可觀測量和SOC之間復(fù)雜的非線性關(guān)系，防止了對鋰離子電池內(nèi)部機(jī)理和模型的精確研究，在電池SOC估算中也得到了廣泛應(yīng)用。這類方法重要采用支持向量機(jī)、模糊邏輯、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法。

有關(guān)數(shù)據(jù)驅(qū)動的方法而言，SOC估算結(jié)果與訓(xùn)練集的選取有關(guān)，訓(xùn)練集與所應(yīng)用的電池工況越相似，則鋰離子電池SOC估算結(jié)果越準(zhǔn)確。融合模型將上述方法中的兩種或多種進(jìn)行組合，以彌補(bǔ)單一方法的缺陷并保留各自優(yōu)勢，目前也得到了廣泛應(yīng)用。

這類方法的融合形式重要以數(shù)據(jù)驅(qū)動方法與濾波方法結(jié)合以及濾波方法自身結(jié)合為主，包括支持向量機(jī)與卡爾曼濾波方法結(jié)合、模糊控制與卡爾曼濾波結(jié)合、神經(jīng)網(wǎng)絡(luò)與卡爾曼濾波結(jié)合、粒子濾波與卡爾曼濾波結(jié)合等。

以數(shù)據(jù)驅(qū)動與濾波方法結(jié)合的融合模型，一方面能夠利用數(shù)據(jù)驅(qū)動的方法表示非線性關(guān)系且易于實(shí)現(xiàn)，另一方面能夠結(jié)合濾波方法迭代收斂的特性實(shí)時(shí)修正模型輸出，目前已經(jīng)成為實(shí)現(xiàn)鋰離子電池SOC估算的有效方法。但以上方法由于未考慮時(shí)序因素的影響，因而無法較好地處理時(shí)間遞歸問題。

有關(guān)鋰離子電池而言，SOC是時(shí)變狀態(tài)量，其歷史狀態(tài)對當(dāng)前狀態(tài)的影響是無法忽視的。另外，為了實(shí)現(xiàn)鋰離子電池SOC的精確估計(jì)，算法必須對噪聲具有魯棒性。因此，艦船綜合電力技術(shù)特種科技重點(diǎn)實(shí)驗(yàn)室（海特種程大學(xué)）的研究人員，對卡爾曼濾波器進(jìn)行魯棒性改進(jìn)，并在改進(jìn)卡爾曼濾波方法的框架下，分別引入安時(shí)積分法和考慮時(shí)序因素影響的循環(huán)神經(jīng)網(wǎng)絡(luò)，提出了一種基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetworkwithGatedRecurrentUnit,GRU-RNN）和Huber-M估計(jì)魯棒卡爾曼濾波（Huber-MRobustKalmanFilter,HKF）融合方法的鋰離子電池SOC估算模型，對動態(tài)工況下的鋰離子電池SOC進(jìn)行估算。

該方法在Huber-M估計(jì)魯棒卡爾曼濾波方法的基礎(chǔ)上，將安時(shí)積分法所使用的庫侖計(jì)量公式作為狀態(tài)方程，并將基于GRU-RNN的鋰離子電池SOC估算結(jié)果作為觀測量，從而實(shí)現(xiàn)了鋰離子電池SOC的估算，整體研究思路如圖1所示。

圖1研究思路

該方法具有以下優(yōu)點(diǎn)：

①GRU-RNN能夠考慮時(shí)序因素有關(guān)鋰離子電池SOC的影響，具有較高的估算精度，同時(shí)能為HKF的狀態(tài)方程供應(yīng)準(zhǔn)確的初始值，使濾波算法更快地收斂；②HKF能夠提高GRU-RNN的魯棒性，降低電壓、電流、溫度傳感器測量誤差和偶發(fā)性測量異常值以及SOC初始誤差對鋰離子電池SOC估算精度影響，進(jìn)一步提升模型估算精度；③庫侖計(jì)量公式是對鋰離子電池SOC隨時(shí)間變化過程的描述，采用庫侖計(jì)量公式作為鋰離子電池狀態(tài)方程，即使GRU-RNN的估算結(jié)果出現(xiàn)較大誤差，依然能夠保證最終鋰離子電池SOC估算結(jié)果的精確性。

圖2基于融合方法的鋰離子電池SOC估算

研究人員在六種鋰離子電池運(yùn)行工況和三種異常工況下驗(yàn)證了模型的精確性和魯棒性。實(shí)驗(yàn)結(jié)果表明，該模型在三個(gè)溫度下Panasonic18650PF鋰離子電池測試數(shù)據(jù)集和鋰離子電池大倍率脈沖放電測試數(shù)據(jù)集上的最大MAE分別為0.56%和1.78%，最大MAX分別為2.39%和4.12%，最大RMSE分別為0.7%和2.01%。

該模型將GRU-RNN和HKF進(jìn)行融合，一方面能夠通過HKF強(qiáng)化GRU-RNN的魯棒性，降低電壓、電流、溫度傳感器噪聲和異常值以及SOC初始誤差對鋰離子電池SOC估算精度的影響；另一方面，GRU-RNN能夠?yàn)镠KF供應(yīng)準(zhǔn)確的初始值，使濾波算法更快地收斂。

另外，由于HKF的狀態(tài)方程采用庫侖計(jì)量公式，即使GRU-RNN出現(xiàn)較大誤差，依然能夠保證鋰離子電池SOC估算精度。下一步將針對該算法的實(shí)用性進(jìn)行研究并在裝置中進(jìn)行實(shí)際應(yīng)用。此外，還可以在當(dāng)前新增算法魯棒性的基礎(chǔ)上，進(jìn)一步考慮算法自適應(yīng)能力的提升，研究一種自適應(yīng)且魯棒的SOC估算方法，從而使算法對不同電池對象和使用工況的變化具有自適應(yīng)能力。

以上研究成果發(fā)表在2020年第9期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)和Huber-M估計(jì)魯棒卡爾曼濾波融合方法的鋰離子電池荷電狀態(tài)估算方法”，作者為李超然、肖飛、樊亞翔、楊國潤、唐欣。