Vi-RNN_算法储能电池在线SOC_估计

引用格式：文茹馨, 刘惠颖, 梁言贺, 等. Vi-RNN 算法储能电池在线SOC 估计[J]. 中国测试，2023, 49(5): 117-122. WEN Ruxin,LIU Huiying, LIANG Yanhe, et al. Online SOC estimation of energy storage lithium battery based on Vi-RNN algorithm[J]. China Measurement & Test, 2023, 49(5): 117-122. DOI
: 10.11857/j.issn.1674-5124.2021100142
Vi-RNN 算法储能电池在线SOC 估计
文茹馨1， 刘惠颖1， 梁言贺1， 汪江昭2， 林文娟1， 王宗晶1， 李 琦1
(1. 国网黑龙江省电力有限公司供电服务中心，黑龙江 哈尔滨 150070; 2. 湖南大学电气与信息工程学院，湖南 长沙 410082)摘　要: 锂离子电池的荷电状态（state of charge, SOC ）估计是电池管理系统的重要组成部分。

更加精确的SOC 估计结果，有利于储能电站的并网和控制。

该文提出一种基于Vi-RNN 的储能电池SOC 估计算法，该算法将储能电池端口电压和电压增量作为输入，荷电状态作为输出，RNN 算法作为框架，实现在线更高精度的SOC 估计。

采用储能锂离子电池在0.2C 和0.3C 充放过程中的测量数据进行仿真分析。

结果显示：相较于MEA-BP 算法，该方法估计结果的均方误差和相对误差更低，均方误差降低约20%。

关键词: 锂电池; 荷电状态; 循环神经网络; 电压增量; 均方误差; 相对误差中图分类号: TM912文献标志码: A
文章编号: 1674–5124(2023)05–0117–06
Online SOC estimation of energy storage lithium battery based on Vi-RNN algorithm
WEN Ruxin 1, LIU Huiying 1, LIANG Yanhe 1, WANG Jiangzhao 2, LIN Wenjuan 1, WANG Zongjing 1, LI Qi 1(1. State Grid Heilongjiang Power Supply Service Management Center, Harbin 150070 China; 2. College of Electrical
and Information Engineering, Hunan University, Changsha 410082, China)Abstract : State of charge (SOC) estimation of lithium-ion battery is an important part of battery management system. More accurate SOC estimation results are conducive to the grid connection control of energy storage power station. In this paper, an energy storage battery SOC estimation algorithm based on Vi-RNN was proposed. The energy storage battery port voltage and voltage increment were taken as the input, and SOC estimation result was taken as the output, and the RNN neural network algorithm was used as the framework to realize the high-precision SOC estimation. In this paper, the measured data of energy storage lithium-ion battery during charging and discharging at 0.2C and 0.3C were used for simulation analysis. The results show that, compared with MEA-BP, the mean square error and relative error of our method are lower, and the mean square error is reduced by about 20%.
Keywords : lithium battery; state of charge; recurrent neural network; voltage increment; mean square error;relative error
0 引　言
锂离子电池具有高比能量和高比功率[1]，是储
能领域中的研究热点。

作为能量单元，锂离子电池的荷电状态（state of charge, SOC ）和健康状态[1-2]
收稿日期: 2021-10-28；收到修改稿日期: 2022-01-03
作者简介: 文茹馨（1988-），女，黑龙江哈尔滨市人，工程师，硕士，研究方向为电能计量技术和测控技术。

通信作者: 汪江昭（1997-），男，江西九江市人，博士研究生，研究方向为储能电站和异常用电检测技术。

第 49 卷 第 5 期中国测试
Vol.49 No.52023 年 5 月
CHINA MEASUREMENT & TEST May, 2023
（state of health, SOH）估计非常关键，提高其精度，会带来更好的使用效率。

目前，荷电状态估计的方法可以分为3类：开环方法、状态估计和机器学习的方法。

开环方法，主要包含安时积分法和开路电压法。

其中安时积分法又称为电荷积累法，是最为常见的SOC预测方法。

该方法通过对电流进行时间积分后，再与电池容量相比，得到一段时间内荷电状态的变化量，然后通过已知的初值，实现当前时刻SOC的计算。

为了获取SOC的初值，文献[2]通过开路电压法确定SOC初始值，再由电池组充放电试验得到不同倍率、库伦效率及温度等修正因子，对电池容量做出修正，再通过安时积分法估计SOC。

开路电压法依据开路电压与电池SOC之间的对应关系，计算当前时刻的SOC[3]。

但开路电压的测量需要电池长时间静置，这给电池SOC的实时测量带来了较大的困难，所以该方法常与安时积分法组合来计算SOC初值[2, 4]。

状态估计法，是在分析开路电压法和安时积分法后得到的一种闭环方法。

该方法采用电池的电化学模型或等效电路模型，建立电池荷电状态、负载电流和端电压的非线性动态关系，构建状态空间方程，采用状态观测器或滤波器估计模型的重点荷电状态。

对于电池系统的SOC估计，自适应滤波将SOC值作为状态变量，对其进行最优估计。

自适应滤波法主要有卡尔曼滤波和H∞滤波器。

其中包括自适应卡尔曼滤波[5]、自适应回归扩展卡尔曼滤波[6]、数据驱动的扩展卡尔曼滤波算法[7]和卡尔曼滤波结合支持向量机算法[8]等。

除单一算法以外，还有混合卡尔曼滤波和H∞滤波的组合[9]与无迹卡尔曼滤波和安时积分法组合[10]等。

这些算法对初值选择十分敏感，不精确的初值会严重影响SOC的估计，并且卡尔曼滤波器估计精度依赖于模型的准确性，同时这些算法更适用于变电流场合。

相较于初值敏感的自适应滤波法，机器学习算法具有更加广泛的适用性。

机器学习算法通常将锂离子电池端口电压、端口电流及温度作为模型的输入，SOC作为模型的输出，不需要知道输入/输出样本之间的精确表达式，且可以直接根据输入/输出样本，自动调整网络的拓扑结构，实现SOC的估计，如BP神经网络[11]、BP神经网络与RBF神经网络的组合[12]、GA-BP神经网络[13]和MEA-BP神经网络[14]。

现有机器学习的方法虽然可以取得很好的估计结果，但是这些算法只考虑了输入和输出的过程，忽略了电池内部结构对估计结果的影响。

受限于电池内部结构，估计精度很难进一步提高。

同时，对数据的依赖较大，无法实时在线进行SOC估计。

自适应滤波算法需要进行电池建模，使得计算过程较为繁琐。

神经网络估计SOC不需要搭建电池模型，其计算较为简单，但仅采用端口电压、电流和温度估计SOC不够准确。

基于开路电压法的思考，本文提出了Vi-RNN算法，在输入输出特征的基础上，引入电压增量特征，并采用循环神经网络算法进行SOC估计，实现了高精度的SOC估计。

1 基于循环神经网络的SOC估计流程
循环神经网络在20世纪90年代被提出，其特点在于，神经元的某些输出可以作为其输入，再次传输至神经元中，并保留且利用历史信息。

该网络具有记忆性、参数共享、图灵完备等特点，因此在对序列的非线性特征进行学习时，具有较好的优势。

为了实现储能锂离子电池的SOC估计，本文采用Vi-RNN神经网络对储能锂离子电池进行SOC 估计，其历程如图1所示。

本文按照1∶1∶1比例，将数据集均等分为3份，训练集用作训练，验证集用来调整RNN网络中的超参数，测试集用来检测算法的预测效果。

步骤1：数据处理，整理获取的数据，计算其增量电压和SOC数值，并对特征参数相应进行归一化处理。

步骤2：数据划分，按照1∶1∶1比例均等划分数据集、验证集和测试集，提取数据中3n+1列作为训练数据集，3n+2作为测试数据集，3n+3列作为验证集。

步骤3：采用训练数据训练RNN神经网络，得到训练后的RNN模型；该模型由3层网络构成，每层均为20个神经元。

随后，设置训练周期为50，学习率为0.001，并采用自适应矩估计优化器(adam optimizer)寻找全局最优，实现RNN算法的优化。

步骤4：采用验证集调整训练后RNN模型中的超参数，得到验证后的RNN模型。

步骤5：采用验证后的RNN模型进行测试，实现测试数据的SOC估计。

2 基于Vi-RNN的SOC估计输入特征选择
区别于基于物理模型的SOC估计算法，直接采用机器学习进行SOC估计，仅用电池充放电过程中
118中国测试2023 年 5 月
的电压、电流和温度等参数，没有考虑电池内部等效电路参数的变化，其估计结果是不准确的。

采用自适应滤波算法进行复杂的等效电路参数识别，大大增加了SOC估计的计算量。

本文在基于机器学习的SOC估计算法研究的基础上，引入增量电压变量作为输入特征量，既考虑了电池的输入输出作为参量，又兼顾了电池内部结构，以提高神经网络算法中SOC的估计准确率。

2.1 影响储能锂电池SOC的因素
储能锂电池是一个非线性系统，其电池的荷电状态SOC受多种因素的干扰，主要有环境温度、充放电倍率、电池的工作状态、电池的内部结构。

1）环境温度
储能锂离子电池正常工作在某一温度下，如果环境温度发生了变化，电池的可用容量就会发生改变。

当温度较低时，电池活性较低，电池的可用容量就会下降。

当温度过高时，电池活性增强，可用的容量也会随之增多。

因此，在估计电池SOC时，需要考虑电池的温度的影响。

2）电池的充/放电倍率
电池的充放电电流大小，会影响电池的SOC。

只考虑充放电倍率的情况下，放电容量负相关于放电倍率，充电容量负相关于充电倍率。

3）电池的工作状态
充电和放电对电池SOC状态并不是一个直接相反的过程，而是类似于磁滞曲线。

即使在相同的环境温度和倍率条件下，SOC也会受到充电和放电状态的影响。

4）电池的内部结构
不同电池的内部结构体现在电池不同的参数上，即电池的等效电路参数不同。

就图2电池戴维宁等效电路而言，不同电池对应的等效电阻和电容不同。

图 2 电池戴维宁等效模型
2.2 电压增量作为输入特征量的SOC估计算法
机器学习算法用作SOC估计较为简便，但仅使用端口电压、电流用作SOC估计，不考虑电池的内部结构，就会导致预测的过程误差过大，且局限性较大。

电池充放过程是复杂的非线性动态过程。

戴维南电池等效模型也称为一阶RC等效电路。

基于电池戴维南等效电路（图2），可知电池充放过程中的
式中：OCV——开路电压；
U L——正在充放过程中的端口电压值；
R0——电池欧姆内阻；
R p和C p——极化电阻和极化电容，用来模拟
电池的极化效应。

基于电池的输入输出特性，在神经网络中引入开路电压（open circle voltage, OCV）。

开路电压需要在电池无负载且长时间静置后才能获得。

这一过程过于繁琐，且不变。

开路电压的计算，同时也需要参数辨识后等效电路参数。

这一过程也极大限制了电池的种类和发展。

基于以上考虑开路电压带来的不便，本文提出了一种增量电压参量，可以有效解决开路电压测量复杂性的问题。

增量电压既是端口电压增量，也是开路电压增量，间接促成了OCV-SOC的非线性关系。

不但避免了OCV测量过程中的断开运行和静置，还简化了机器学习算法及依赖端口电压数据的情况。

图 1 基于Vi-RNN 算法的SOC估计流程
第 49 卷 第 5 期文茹馨，等：Vi-RNN算法储能电池在线SOC估计119
增量电压定义为，恒流充放一定时间间隔的电
压增量，其计算公式为：
将式(1)代入式
(2)中，可以得到：
式中：t ——时间；
ΔU ——增量电压；
OCV(t +1)——第t +1时刻的开路电压；OCV(t )——第t 时刻的开路电压。

基于式(1)~式(3)可以发现，开路增量电压不但避免了电池内阻对SOC 估计的影响，还避免了过于复杂的开路电压的测量和计算。

3 算例与仿真
3.1 实验数据
本文选用文献[13]相同数据进行仿真实验。

该数据由3个并联的全新锂离子电池（标称电压为3.65 V ，标称容量为60 Ah ，循环次数为0，电池健康寿命视为
100%）获得。

本次实验在恒温箱中进行，并控制箱内温度恒定为25 ℃，进行恒流充放电实验的测量设备见图3。

实验设备相关参数见表1。

(a)外部结构
(b) 内部结构
图 3 高精度电压箱测试仪的外部和内部情况
对测量获得的数据进行SOC 计算，随后提取SOC 为0.1~0.9的部分，进行基于Vi-RNN 储能锂电池SOC 估计的仿真实验的后续处理。

3.2 实验过程及结果
考虑到电池主要工作在SOC 为0.2~0.8的范围内，本文选用的SOC 范围为0.1~0.9，将端口电压、电压增量作为输入特征，SOC 作为输出量。

文中选用0.2C 和0.3C 的充放电数据，提取其中3n 项作为训练集、3n +1为验证集，3n +2作为测试集，构建RNN 算法网络。

绘制0.2C 和0.3C 储能锂离子电池充放电SOC 估计仿真结果图4和图5所示。

2468101214
0.2
0.30.40.5
荷电状态
时间/(103 s)
0.60.70.80.9 4.00
4.05
4.10
0.400.410.424.00
4.05
4.10
0.500.510.52参考值估计结果
图 4 基于电压增量的RNN 充电SOC 的估计
3.3 模型对比
为了体现Vi-RNN 估计算法的优势，本文取得了文献[13]的仿真结果，选用相对误差（relative error ，RE ）和均方误差（mean absolute percentage error ，MAPE ）进行对比分析。

式中：y i ——第i 个数据值；
¯y ——所有数据的平均值。

其中N 为数据总量。

表 1 实验设备相关参数
设备
特征参数参数标准电池
额定电压
3.65 V 电池容量60 Ah 健康寿命100%高精度电压箱测试仪
输出电压范围
0~150%输出电压精度<±0.1%FS 输出电流精度
<±0.1%FS
120中国测试2023 年 5 月
基于相同的数据集，将MEA-BP 和Vi-RNN 误差估计结果绘制如图6所示。

其中，图6(a)为0.2C 充电过程中的误差，图6(b)为0.3C 充电过程中的误差，图6(c)为0.2C 放电过程中的误差，图6(d)
为0.3C 放电过程中的误差。

由图可见，Vi-RNN 在4组电池充放过程的相对误差均要小于MEA-BP 估计的误差，这一结果充分证明了Vi-RNN 算法的估计效果比MEA-BP 效果更佳。

经过相对误差的对比后，将MEA-BP 和Vi-RNN 的估计结果通过式(5)进行均方误差计算，然后对比文献[13]中的结果，记录于表2。

由表可知，Vi-RNN 估计SOC 的均方误差均小于MEA-BP 估计SOC 的均方误差。

5 000
10 000
15 000
00.01
0.020.030.04 5 00010 000
00.1
0.2
0.3
5 000
10 00015 00000.020.04
0.06
5 00010 000
00.05
0.10
0.15
Vi-RNN 估计误差MEA-BP 估计误差
相对误差
相对误差
时间/s (a) 电池 0.2C 充电
(b) 电池 0.3C 充电
(c) 电池 0.2C 放电
(d) 电池 0.3C 放电
时间/s 时间/s
时间/s 相对误差
相对误差
Vi-RNN 估计误差MEA-BP 估计误差
Vi-RNN 估计误差MEA-BP 估计误差
Vi-RNN 估计误差MEA-BP 估计误差
图 6 电池0.2C ，0.3C 充放过程中，Vi-RNN 和MEA-BP 估计误差对比图
表 2 MEA-BP 与Vi-RNN 算法SOC 估计结果的均方误差
对比表
不同类型充放电MEA-BP Vi-RNN 降低率充电0.2C 0.3C 0.515 0%0.671 7%0.412 8%0.445 2%19.84%33.72%放电
0.2C 0.3C
0.630 8%0.393 4%
0.408 8%0.307 3%
35.19%21.89%
基于相对误差和均方误差的对比，Vi-RNN 算法对SOC 估计的相对误差和均方误差更小，SOC
估计效果更好。

4 结束语
本文提出了电压增量循环神经网络算法，用于恒流充放电时锂离子电池的SOC 估计。

基于开路电压和机器学习算法估计SOC 的思考，本文从电池戴维宁等效模型的角度，提出了可以有效替代开路电压的参量，即电压增量。

随后，该方法将端口电压和电压增量作为输入，当前时刻的SOC 作为输出，训练和调节循环神经网络。

该方法的优点在于既具
2
46
0.2
0.30.40.5荷电状态
时间/(103
s)
0.60.70.80.91.0 5.00
5.05
5.10
0.630.640.65参考值估计结果
5.00
5.05
5.10
0.500.510.52图 5 基于电压增量的RNN 放电SOC 的估计
第 49 卷 第 5 期
文茹馨，等：Vi-RNN 算法储能电池在线SOC 估计121
备机器学习的简单输入输出特性，又兼顾了电池内
部结构，即将电压增量作为输入。

为了验证方法的有效性，文中选取储能电池0.2C 和0.3C 的充放电实验，共4组数据进行仿真验证，并与MEA-BP 结果进行对比。

实验结果表明，相比于MEA-BP 算法，基于Vi-RNN 的SOC 估计效果更佳，估计误差更小。

参考文献
陈万, 蔡艳平, 苏延召, 等. 基于改进粒子滤波的锂离子电池剩余寿命预测[J ]. 中国测试, 2021, 47(7): 148-153.
[1]赵沁峰, 蔡艳平, 王新军. 基于WOA-ELM 的锂离子电池剩余寿命间接预测[J ]. 中国测试, 2021, 47(9): 138-145.[2]骆妮, 李建林. 储能技术在电力系统中的研究进展[J ]. 电网与清洁能源, 2012, 28(2): 71-79.
[3]罗勇, 祁朋伟, 黄欢, 等. 基于容量修正的安时积分SOC 估算方法研究[J ]. 汽车工程, 2020, 42(5): 681-687.
[4]于微波, 魏来, 杨听听, 等. 基于自适应卡尔曼滤波的矿用救生舱动力电池SOC 估计[J ]. 电测与仪表, 2016, 53(18): 118-123.
[5]
刘芳, 马杰, 苏卫星, 等. 基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法[J ]. 电
[6]工技术学报, 2020, 35(4): 698-707.刘芳, 马杰, 苏卫星, 等. 基于数据驱动EKF 算法的电动汽车及插电式混合动力汽车动力电池SOC 估计[J ]. Journal of Central South University, 2019, 26(6): 1402-1415.
[7]
李正国, 孟凡琨. SVM 和Kalman 滤波大功率动力电池SOC 预估方法的研究[J ]. 中国测试, 2013, 39(5): 92-95.[8]于海波, 李贺龙, 卢扬, 等. 基于混合卡尔曼滤波和H ∞滤波的动力电池SOC 估计[J ]. 电力电子技术, 2018, 52(12): 57-60.
[9]
刘湘东, 刘承志, 杨梓杰, 等. 基于无迹卡尔曼滤波的全钒液
流电池状态估计[J ]. 中国电机工程学报, 2018, 38(6): 1769-1777.
[10]蔡信, 李波, 汪宏华, 等. 基于神经网络模型的动力电池
SOC 估计研究[J ]. 机电工程, 2015, 32(1): 128-132.[11]王文生, 滕青芳, 刘特. 电动车蓄电池SOC 估计的神经网络
方法[J ]. 计算机与应用化学, 2015, 32(6): 744-748.
[12]于仲安, 卢健, 王先敏. 基于GA-BP 神经网络的锂离子电池
SOC 估计[J ]. 电源技术, 2020, 44(3): 337-340.
[13]BO. Z, JUAN H, SHOUPING X, et al. Estimation of the SOC
of energy-storage lithium batteries based on the voltage increment [J ]. IEEE Access , 2020, 8: 198706-198713.
[14](编辑:商丹丹)
122中国测试
2023 年 5 月。