运用DE-BP神经网络的混合动力电池SOC预测

合集下载

电池储能系统SOC神经网络融合估计方法

第50 卷第 10 期2023年10 月Vol.50，No.10Oct. 2023湖南大学学报（自然科学版）Journal of Hunan University（Natural Sciences）电池储能系统SOC神经网络融合估计方法孙玉树1，2，李宏川3，王波3，贾东强3，裴玮1，2，唐西胜1，2†（1.中国科学院电工研究所，北京 100190；2.中国科学院大学，北京 100049；3.国网北京市电力公司，北京 100031）摘要：为了更好地获取电池储能系统当前的运行状态，提出了基于神经网络融合的电池储能系统SOC估计方法.首先，对比分析了前馈（BP）、门控循环单元（GRU）和长短时记忆（LSTM）神经网络算法的优劣，BP计算时间较短，LSTM对时序数据估计精度较高；然后，利用KL散度、皮尔逊相关系数和灰色关联度分析了不同输入参量和SOC的相关程度，并和LSTM估计结果相比对，筛选出对电池储能系统SOC影响较大的特征参量；最后，应用经验模态分解算法将SOC数据分解为多个分量，利用样本熵将分量聚合为高低两个频段，进而应用BP、LSTM神经网络算法分频段估计，和单一策略相比，该方法在提高SOC估计精度的同时，减少了计算时间.关键词：电池储能系统；SOC融合估计；相关性分析；经验模态分解；样本熵中图分类号：TM 614 文献标志码：ASOC Neural Network Fusion Estimation Method for BatteryEnergy Storage SystemSUN Yushu1，2，LI Hongchuan3，WANG Bo3，JIA Dongqiang3，PEI Wei1，2，TANG Xisheng1，2†（1.Institute of Electrical Engineering， Chinese Academy of Sciences， Beijing 100190， China；2.University of Chinese Academy of Sciences， Beijing 100049， China；3.State Grid Beijing Electric Power Company， Beijing 100031， China）Abstract：To better obtain the current operating state of the battery energy storage system，a state of charge （SOC） evaluation method of the battery energy storage system based on neural network fusion is proposed. First， the advantages and disadvantages of back-propagation （BP），gated recurrent unit （GRU），and long and short-term memory （LSTM）neural network algorithms are compared. The calculation time of BP is usually short，while the estimation accuracy of LSTM for temporal data is high. Then the correlation degree between different input parameters and SOC is analyzed by KL divergence，Pearson correlation coefficient，and grey correlation degree. Compared with the LSTM estimation results， the characteristic parameters that have a greater impact on the SOC of the battery energy storage system are selected. Finally，the empirical mode decomposition algorithm is applied to∗收稿日期：2023-03-15基金项目：国家重点研发计划项目（2021YFB2402002），National Key Research and Development Program of China （2021YFB2402002）；中国科学院青年创新促进会项目（2023000018），Youth Innovation Promotion Association of Chinese Academy of Sciences （2023000018）作者简介：孙玉树（1987—），男，北京人，中国科学院电工研究所副研究员，博士† 通信联系人，E-mail：*************文章编号：1674-2974（2023）10-0031-10DOI：10.16339/ki.hdxbzkb.2023235湖南大学学报（自然科学版）2023 年decompose the SOC data into multiple components， and the sample entropy is used to aggregate the components into high and low-frequency bands. BP and LSTM neural network algorithms are used to estimate SOC in different frequency bands. Compared with a single strategy， the proposed method not only improves the estimation accuracy of SOC， but also reduces the calculation time.Key words：battery energy storage system；SOC fusion estimation；correlation analysis；empirical mode decom⁃position；sample entropy截至2022年底，中国已投运的电力储能累计装机达59.4 GW，同比增长37%.其中，新型储能累计装机规模首次突破 10 GW，超过2021年同期的2倍，达到12.7 GW.电池储能作为重要的灵活性调节资源，占据新型储能的主导地位，在提高新能源消纳、提升可靠供电等方面具有积极作用，是构建新型电力系统不可或缺的组成部分［1］.在电池市场规模日益扩大的背景下，荷电状态（State of Charge，SOC）估计等相关研究越来越得到人们的重视.如果未对电池储能系统SOC进行精准估计，可能会导致起火、爆炸等事故的发生，危及储能电站甚至电力系统的安全稳定运行.因此，高精度、快速实时的SOC估计是保障电池运行安全、延长使用寿命的核心技术，对电池更大规模的应用，特别是电站级电池储能系统安全经济运维，具有重要的实用价值［2-3］.在电池实际应用中，其表现出非线性、时变性、影响因素复杂性和不确定性等特征，造成了SOC估计难度大、精度不高和适应能力不足，由此产生了较多SOC估计算法及其改进策略.1）基于经验的估计算法：罗勇等［4］提出的带容量修正的安时积分法，可用于SOC的实时估计或作为评价其他SOC估计策略的基准. Xing等［5］将锂电池进行长时间静置，测量其开路电压和SOC，拟合出两者之间的函数关系，实现对锂电池SOC估计.上述开环估计算法原理简单、容易实现且计算复杂度低，但常需要满足许多前提条件，且因为缺少反馈环节，算法鲁棒性较差.2）基于模型的估计算法：Liu等［6］基于电化学单粒子模型，设计了终端电压反馈注入非线性观测器来监测锂离子电池的SOC.张宵洋等［7］提出了基于分数阶模型自适应扩展卡尔曼粒子滤波的SOC估计方法. Fu等［8］建立了Thevenin模型，采用线性卡尔曼滤波器进行参数在线辨识.杜常清等［9］基于戴维南电池模型，提出一种卡尔曼滤波与扩展卡尔曼滤波相结合的算法估算SOC. Bai等［10］考虑到温度变化对锂离子电池荷电状态估计的影响，提出了一种基于自适应双扩展卡尔曼滤波的荷电状态估计方法.上述电化学模型虽能较好地表征电池内外部特性，但其辨识较为复杂；等效电路模型结构清晰，参数易于辨识，但模型精度与复杂度难以兼顾，无法反映电化学微观过程.3）基于数据的估计算法：王语园等［11］提出了基于最小二乘支持向量机机器学习的锂离子电池SOC 估计模型. Fan等［12］提出了一种基于U-Net架构卷积神经网络的SOC估计方法，该方法可以处理变长输入数据和输出等长SOC估计结果. Gong等［13］提出了一种基于深度学习的新型深度神经网络模型，该模型以10 s采样率的电池电压、电流和温度组成的数据单元为输入，SOC估算值为输出. Chen等［14］提出了一种基于扩展输入和约束输出的长短期记忆和循环神经网络用于电池SOC估计.上述基于数据驱动的SOC估计方法仅依靠系统输入与输出间的映射关系即可建立SOC估计模型，极大地简化了电池建模过程，但需要大量数据集进行训练来建立各变量之间的关系，精度依赖训练数据集质量，且计算量大. 4）模型数据混合估计算法：单独使用上述3类方法可能会影响SOC估计精度或估计速率，因此，多类方法融合估计方法也得到了快速发展，通过优势互补取得更为准确的SOC估算结果.杨帆等［15］基于二阶Thevenin等效模型，提出一种将无迹卡尔曼滤波与BP神经网络相结合的SOC估计方法. Cui等［16］提出了一种基于改进的双向门控循环单元网络和无迹卡尔曼滤波的混合方法来实现不同温度下电池SOC的实时稳定估计.上述研究主要侧重电池单体的SOC研究，对系统级的分析较少，电池储能系统较电池单体数据量大，运行影响因素众多，数据在线获取难度大，SOC32第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法估计的映射关系更为复杂等，因此本文应用数据驱动的方式进行电池储能系统的SOC 估计.首先，对比分析了不同神经网络对电池储能系统SOC 估计的结果；进而利用不同的相关性评价指标筛选对电池储能系统SOC 估计影响较大的特征因素；最后，利用经验模态分解和样本熵对电池储能系统进行分频处理，并利用不同的神经网络对不同频段数据进行估计，从而提高电池储能系统SOC 估计的精度和速度.1 长短时记忆神经网络由于递归神经网络在训练过程中容易发生梯度爆炸或消失，长短时记忆（Long Short-Term Memory ，LSTM ）神经网络［17］应运而生，其优势是在网络中引入遗忘门，和传统递归神经网络相比，其更擅长处理长时间尺度历史信息.所添加的遗忘门，会选择性地遗忘和记忆某些历史信息，当其输出值接近0，则说明某些历史信息被选择忘记；当输出值接近1，则倾向于保留记忆更多的历史信息.故，LSTM 避免了部分信息的简单重复覆盖，能够有效解决递归神经网络容易梯度爆炸或消失的问题.LSTM 网络结构如图1所示.f t =σ(w f ⋅[h t -1， x t ]+b f )（1）ìíîi t =σ(w i ⋅[h t -1，x t ]+b i )c t =tanh(w c ⋅[h t -1，x t ]+b c )（2）c t =f t ⋅c t -1+i t ⋅c t σ（3）ìíîo t =σ(w o ⋅[h t -1，x t ]+b o )h t =o t ⋅tanh(c t )（4）式中：式（1）为遗忘门的更新；式（2）为输入门的更新；式（3）为状态门的更新；式（4）为输出门的更新；x t 为输入数据，如温度、电压、电流等；f t 为遗忘门输出；w 、b 为各层神经元的权系数，表示输入层输出；c t 为卷积层输出；o t 为输出层输出；h t 为最终输出数据. 2 电池储能系统SOC 估计为了分析不同因素对电池储能系统SOC 的影响，选取国内某储能电站系统的总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量6个参量进行SOC 状态估计（如图2~图7所示），采样间隔为1 min ，时长为5 760 min.为了更好地利用神经网络算法对SOC 进行估计，需对样本数据进行预处理，以防止较大的梯度更新.本文采用离差标准化，将输入和输出数据进行线性变化，使其取值在［0，1］之间.d =s -min (s )max (s )-min (s )（5）式中：s 为某一输入样本；max (s )为输入样本的最大值；min (s )为输入样本的最小值；d 为归一化后数据值.为了评价电池储能系统SOC 的估计精度，采用均方根误差（Root-Mean-Square Error ，RMSE ）进行表述，计算公式如下所示.图1 LSTM 神经网络结构Fig. 1 LSTM neural network structure图2 总电压Fig. 2 Total voltage图3 电流Fig. 3 Current33湖南大学学报（自然科学版）2023 年R MSE=（6）2.1 不同神经网络算法对比为了分析不同神经网络算法对估计结果的影响，利用BP 神经网络、GRU 神经网络和LSTM 神经网络对电池储能系统SOC 进行估计，采用前80%作为训练数据，后20%作为测试数据.电池储能系统的SOC 曲线如图8所示，利用6个输入参数估计的BP结果如图9所示，GRU 结果如图10所示，LSTM 结果如图11所示.表1给出了3种算法的RMSE 和计算时间，可以看出，LSTM 的RMSE 最小，为0.040 2；而BP 计算时间最短，仅需要2.12 s ；GRU 的RMSE 和计算时间均处于中间值.因此，基于BP 和LSTM 各自的优势，本文以两者的融合方法进行电池储能系统SOC 的估计.2.2 SOC 估计影响因素为了分析不同因素对电池储能系统SOC 估计的影响程度，本节分析总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量6个指标与SOC的相图4 绝缘电阻Fig. 4 Insulation resistance图5 平均电压Fig. 5 Average voltage图6 平均温度Fig. 6 Average temperature图8 电池储能系统SOCFig. 8 Battery energy storage system SOC图9 BP 神经网络估计结果Fig. 9 BP neural network estimation results图7 累计充电电量Fig. 7 Cumulative charge quantity34第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法关性.为了增强对比性，采用KL 散度、皮尔逊相关系数和灰色关联度进行输入指标与SOC 的相关性分析.2.2.1 KL 散度KL （Kullback-Leibler ）散度［18］，也称相对熵，能够度量2个过程概率分布的差别.设p (x )、q (x )表示2个过程的概率，则KL 距离为：δ(p ，q )=∑x ∈Np ()x logp ()xq ()x （7）进而p (x )、q (x )之间的KL 散度为：D (p ，q )=δ(p ，q )+δ(q ，p)（8）KL 散度是对2个过程概率分布夹角的度量，数值越大，说明差别越大；反之，越小；当2类概率分布完全相同时，数值为0.当求X ={x 1，x 2，⋯，x n }和Y ={y 1，y 2，⋯，y n }间的KL 散度时，假定概率分布分别为p (x )、q (x ).首先，计算信号X 的概率分布，本文采用非参数估计法求解概率分布：p (x )=1nh ∑i =1n K éëêêùûúúx i -x h，x ∈R（9）式中：p (x )为核密度估计后的概率密度函数；h 为给定的正数，称为窗宽或平滑参数；K (·)为核函数，常用高斯核函数.K (u )=12πe -u 2/2（10）同理，可以得到Y 的概率分布q (x ).将p (x )、q (x )代入式（7）求解X 和Y 的KL 距离(p ，q )和(q ，p )，进一步利用式（8）计算出KL 散度值D (p ，q ).利用KL 散度分析不同输入（总电压、电流、绝缘电阻、平均电压、平均温度、累计充电电量）和输出SOC 的关联程度，如表2所示.总电压的KL 散度值最小，平均电压的KL 散度值最大，即总电压和SOC 的关联程度最高，平均电压和SOC 的关联程度最低，关联度重要性从高到低排序依次为总电压->电流->累计充电电量->绝缘电阻->平均温度->平均电压.2.2.2 皮尔逊相关系数皮尔逊相关系数［19］广泛用于度量两个变量之间的线性相关程度γ=∑(X -Xˉ)(Y -Y ˉ)∑(X -Xˉ)2∑(Y -Y ˉ)2（11）式中：X ˉ、Y ˉ分别为变量X 、Y 的期望值.其中-1≤γ≤1.其性质如下：当γ>0时，表示两变量正相关；γ<0时，两变量为负相关；当γ=0时，表示两变量无线性相关关系.当|γ|=1时，表示两变量为完全线性相关，即为函数关系；当0<|γ|<1时，表示两变量存在一定程度的线性相关.且|γ|越接近1，两变量线性关系越密切；|γ|越接近0，表示两变量的线性相关越弱.图10 GRU 神经网络估计结果Fig. 10 GRU neural network estimation results图11 LSTM 神经网络估计结果Fig. 11 LSTM neural network estimation results表1 不同算法的估计结果Tab. 1 Estimation results of different algorithms算法BPGRU LSTMRMSE0.168 50.047 00.040 2计算时间/s 2.12184.66373.75表2 不同输入参数和SOC 的KL 散度Tab. 2 KL divergence for different inputparameters and SOC参数KL散度总电压0.444 5电流0.894 5绝缘电阻4.183 4平均电压1.047 6e+03平均温度18.362 6累计充电电量1.956 535湖南大学学报（自然科学版）2023 年利用皮尔逊相关系数分析6个输入和输出SOC 的相关性，分析结果如表3所示，其中平均电压的皮尔逊相关系数绝对值最大，电流的最小，关联度重要性从高到低依次为平均电压->总电压->平均温度->累计充电电量->绝缘电阻->电流.2.2.3灰色关联度灰色关联度［20］通过分析不同曲线的几何接近性评估它们之间的关系，接近性越高，说明相关性越紧密.假定参考序列X 0和比较序列X k 分别表示为：X 0={x 0(1)，x 0(2)，⋯，x 0(n )}（12）X k ={x k (1)，x k (2)，⋯，x k (n )}（13）式中：n 为样本数量；x 0(n )和x k (n )均为样本数据.初始化X 0和X k ，以减少参数在维度上的差异：Y 0=X 0x 0(1)={1，x 0(2)x 0(1)，⋯，x 0(n )x 0(1)}={y 0(1)，y 0(2)，⋯，y 0(n )}（14）Y k =X k x k (1)={1，x k (2)x k (1)，⋯，x k (n )x k (1)}={y k (1)，y k (2)，⋯，y k (n )}（15）假定ξi (h )为Y 0和Y k 在h 时刻的灰色关联系数，则：ξi (h )=min kmin h||Y 0(h )-Y k (h )||Y 0(h )-Y k (h )+ρmaxk max h||Y 0(h )-Y k (h )+ρmax kmax h||Y 0(h )-Y k (h )||Y 0(h )-Y k (h )+ρmax k max h||Y 0(h )-Y k (h )（16）式中：ρ为分辨系数，本文取0.5.故，Y 0和Y k 的灰色关联度为：ζi =1Q ∑i =1nξi (h )（17）式中：i =1，2，⋯，n ；h =1，2，⋯，Q .利用灰色关联度分析6个输入和输出SOC 的相关性，分析结果如表4所示，其中总电压和平均电压的数值相同，且最大，电流的最小，关联度重要性从高到低依次为平均电压=总电压->平均温度->累计充电电量->绝缘电阻->电流.由于LSTM 对时序数据的估计精度较高，利用LSTM 进行电池储能系统SOC 估计，在6个输入中，每次删除一个输入因素，分析不同因素缺失对电池储能系统SOC 估计精度的影响，分析结果如表5所示.在某一因素缺失的情况下，得到的RMSE 越大，说明该因素对SOC 估计精度影响越大，反之较小.由此可以获得，不同因素的重要性从高到低排序依次为电流->总电压->平均电压->平均温度->累计充电电量->绝缘电阻.综上所述，在进行影响因素重要性分析时，虽然KL 散度、皮尔逊相关系数和灰色关联度均能够一定程度上反映某个因素的重要程度，但还应以LSTM 等方法实际分析结果为主.本文数据中电流和总电压删除时，RMSE 相近且最大，而在电池储能系统实际运行当中，电流和总电压的变化也是系统电量变化的主要因素，所以两者是电池储能系统SOC 估计中的最关键因素.3 多神经网络融合策略目前，大多数神经网络估计方法主要采用单一模型，在对不同研究主体进行分析时，很难一直保持良好的性能，为此，本文采用多种神经网络融合方法进行电池储能系统SOC 估计.首先，利用经验模态分解算法将需要估计的数据进行多时间尺度分解，然后利用样本熵进行复杂性分析，将复杂性相似的分量进行分类聚合，进而利用不同的神经网络算法进行估计.表3 不同输入参数和SOC 的皮尔逊相关系数Tab. 3 Pearson correlation coefficients for different inputparameters and SOC参数γ总电压0.461 2电流0.001 8绝缘电阻-0.006 0平均电压0.490 3平均温度0.271 4累计充电电量-0.010 0表4 不同输入参数和SOC 的灰色关联度Tab. 4 Grey correlation for different inputparameters and SOC参数ζi总电压0.996 0电流0.665 0绝缘电阻0.981 9平均电压0.996 0平均温度0.995 9累计充电电量0.995 8表5 LSTM 估计结果Tab. 5 LSTM estimation results参数RMSE 总电压0.091 1电流0.094 8绝缘电阻0.049 4平均电压0.080 3平均温度0.062 9累计充电电量0.061 136第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法3.1 经验模态分解算法经验模态分解（Empirical Mode Decomposition ，EMD ）算法［21］不需要预先定义基函数，只需根据信号自身的时间尺度特征进行分解，即可获取局部化特征，非常适用于处理非线性非平稳随机信号.EMD 将信号序列分解为一系列关于时间轴对称的固有模态函数（Intrinsic Mode Function ，IMF ）c i (i =1，2，⋯，n )与剩余趋势分量r n . IMF 须满足以下条件：1）在整个数据序列内，极值点与过零点个数相等或相差不超过1；2）在任一时间点上，局部均值为零.满足以下要求之一即终止分解：1）c i 或r n 小于预定值；2）r n 变为单调函数，不再能获取固有模态函数.综上，信号x (t )经EMD 分解后的表达式为：x (t )=∑i =1n c i (t )+r n（18）利用EMD 算法对图8中的SOC 曲线进行分解，分解后曲线如图12所示，共12个IMF 分量和1个残余分量.从IMF1到IMF12，频率依次减小，残余分量单调递减.3.2 样本熵近似熵只需较少的数据就可以度量序列的复杂性，但由于存在固有的对自身数据段的比较，所以计算时会产生偏差，且其取值与数据长度有关，一致性较差.由此，精度更高的样本熵［22］被提出，数据序列越复杂，样本熵值就越大，反之，越小，原理如下：假设时间序列{x i }为x (1)，x (2)，⋯，x (N )（N 为数据量）：1）将序列{x i }按顺序组成m 维矢量，即X (i )=[x (i )，x (i +1)，⋯，x (i +m -1)]，其中i =1，2，⋯，N -m +1.2）定义X (i )与X (j )之间的距离d m (X (i )，X (j ))为两者对应元素差值最大值：d m (X (i )，X (j ))=max 0~m -1|x (i +k )-x (j +k)|（19）对于每一个i 值计算X (i )与其余矢量X (j )(j =1，2，⋯，N -m +1&j ≠i )之间的d m (X (i )，X (j )).3）给定相似容限r (r >0)，统计每一个i 值d m (X (i )，X (j ))<r 的数量，然后计算其与距离总数N -m 的比值，记为B m i (r )：B m i(r )=1N -mnum {d m(X (i )，X (j ))<r }（20）式中：j =1，2，⋯，N -m +1&j ≠i ；num 为d m (X (i )，)X (j )<r 数量.该过程定义为X (i )模板匹配过程；B m i (r )表示任一个X (j )与模板的匹配概率.4）进而获取B m i (r )的平均值为：B m(r )=1N -m +1∑i =1N -m +1B mi()r （21）5）增加维数为m +1，重复步骤1）~步骤3），则B m +1(r )的平均值为：Bm +1(r )=1N -m∑i =1N -m B m +1i()r （22）由此可获取样本熵定义：图12 IMF 和残余分量Fig. 12 IMF and residual component37湖南大学学报（自然科学版）2023 年S E (m ，r )=lim N →∞ìíîï-ln(B m +1()r B m ()r )üýþï（23）当N 取有限值时，样本熵估计值为：S E (N ，m ，r )=-ln éëêêB m +1()r B m ()r ùûúú（24）样本熵的取值与m 、r 有关，但其一致性较好，熵值的变化趋势不受m 和r 的影响，本文取m = 2，r = 0.2 S D （r 一般为0.1~0.25 S D ，其中S D 为时间序列的标准差）.利用样本熵计算每一个IMF 分量的值，如图13所示.随着IMF 分量频段频率的降低，样本熵数值大致呈逐渐降低趋势，即随着频率的降低，数据的波动变小，复杂度降低，自相似度较好. IMF1~IMF5具有较大的样本熵值，在IMF5与IMF6之间样本熵大幅度降低，IMF6~IMF12具有较小的样本熵值，且大致线性降低，数值均小于0.1；另外，求取样本熵平均值为0.302 8，IMF1~IMF5的样本熵值在平均值之上，而IMF6~IMF12数值均在平均值之下.因此将SOC 曲线分为两个频段，高频段由IMF1~IMF5这5个分量组成，低频段由IMF6~IMF12这7个分量加残余分量组成.高频段如图14所示，低频段如图15所示.3.3 多时间尺度神经网络SOC 估计基于Thinkpad T14的MatlabR2022a 软件，利用BP 和LSTM 两种策略分别对高、低频段进行估计，估计结果如表6所示.其中BP 的神经元数为5；LSTM 最大轮数为1 500，最小批次为800，初始学习率为0.01，学习率折扣为0.8. BP 对高频分量进行估计时，其精度大幅度提高，RMSE 仅为0.046 3；对低频分量进行估计时，RMSE 为0.152 9；估计后的高频分量和低频分量进行重构，由于数据之间的互补性，重构后的RMSE 为0.144 2.由此可以看出分段估计的方式比直接估计的精度要高.基于LSTM 时，高低频段的估计误差和直接估计类似，但重构后，整体的估计精度有一定程度的提高.由此可见，SOC 分频段后，每个频段的规律性增强，采用相同神经网络算法进行估计时，其精度会有一定程度的改善；再加上估计频段重构后，其数据存在一定程度上的互补性，重构后的数据精度也会提高.为了进一步验证分频段估计的优势，采用BP 对高频分量进行估计，如图16所示；利用LSTM 对低频分量进行估计，如图17所示；两者组合估计后进行图15 低频段Fig. 15 Low-frequency section表6 不同算法的高低频段估计结果Tab. 6 High and low frequency band estimation results ofdifferent algorithms算法BPLSTM RMSE0.168 50.040 2高频RMSE 0.046 30.040 3低频RMSE 0.152 90.040 5重构RMSE 0.144 20.037 9图13 各IMF 分量的样本熵Fig. 13 Sample entropy of each IMF component图14 高频段Fig. 14 High-frequency section38第 10 期孙玉树等：电池储能系统SOC 神经网络融合估计方法数据重构，如图18所示.从表7可以看出，不同神经网络相结合，也能够提高SOC 估计的精度，因此，采用分频段估计相比直接估计能够提高SOC 的估计精确度；再者，从计算时间来看，BP 进行高频估计耗时0.167 2 s ，LSTM 进行低频估计耗时235.18 s ，两者共耗时约为235.35 s ，相比LSTM 不分频估计时的373.75 s ，节约37.03%的时间.4 结论针对电池储能系统状态精准估计问题，提出了基于深度学习融合的SOC 估计方法.首先，对比分析了BP 、GRU 和LSTM 对电池储能系统时序数据的估计效果；然后，利用KL 散度、皮尔逊相关系数和灰色关联度分析不同输入参数与SOC 的关系，三种相关性分析方法虽然各自能够在一定程度上反映某个输入参量的重要性，但在实际应用中还应以LSTM 估计的结果为准；再者，利用经验模态分解算法将SOC 分解为多个IMF 分量，利用样本熵将其分成高低两个频段，并应用BP 和LSTM 神经网络算法对两个频段分别估计，融合算法比单一算法估计精度至少提升5%，比单一LSIM 算法计算时间节约37.03%，从而为电池储能系统的规模化应用提供参考.参考文献［1］中关村储能产业技术联盟．储能产业研究白皮书［M ］．北京：高科技与产业化，2023．China Energy Storage Alliance. Energy storage industry research white paper ［M ］．Beijing ：High Technology and Industrialization ，2023．（in Chinese ）［2］明彤彤，赵晶，王晓磊，等．基于改进LSTM 的脉冲大倍率工况下锂电池SOC 估计［J ］．电力系统保护与控制，2021，49（8）：144-150．MING T T ，ZHAO J ，WANG X L ，et al ．SOC estimation of a lithium battery under high pulse rate condition based on improved LSTM ［J ］．Power System Protection and Control ，2021，49（8）：144-150．（in Chinese ）［3］王义军，左雪．锂离子电池荷电状态估算方法及其应用场景综述［J ］．电力系统自动化，2022，46（14）：193-207．WANG Y J ，ZUO X ．Review on estimation methods for state of charge of lithium-ion battery and their application scenarios ［J ］．Automation of Electric Power Systems ，2022，46（14）：193-207．（in Chinese ）［4］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．LUO Y ，QI P W ，HUANG H ，et al ．Study on battery SOC estimation by ampere-hour integral method withcapacity图16 基于BP 的高频分量估计结果Fig. 16 High frequency component estimation resultsbased on BP图17 基于LSTM 的低频分量估计结果Fig. 17 Low frequency component estimation resultsbased on LSTM图18 BP 与LSTM 组合估计结果Fig. 18 Combined estimation results of BP and LSTM表7 组合算法估计结果Tab. 7 Prediction results of combinatorial algorithm算法BPLSTM高频RMSE 0.046 3―低频RMSE―0.040 5分频计算时间/s 0.167 2235.18重构RMSE 0.037 60.037 639湖南大学学报（自然科学版）2023 年correction［J］．Automotive Engineering，2020，42（5）：681-687．（in Chinese）［5］XING Y J，HE W，PECHT M，et al．State of charge estimation of lithium-ion batteries using the open-circuit voltage at variousambient temperatures［J］．Applied Energy，2014，113：106-115．［6］LIU Y T，MA R，PANG S Z，et al．A nonlinear observer SOC estimation method based on electrochemical model for lithium-ionbattery［J］．IEEE Transactions on Industry Applications，2021，57（1）：1094-1104．［7］张宵洋，陈康义，吴新波．简化分数阶AEPF的锂电池SOC估计算法［J］．电源技术，2022，46（10）：1156-1160．ZHANG X Y，CHEN K Y，WU X B．SOC estimation algorithm oflithium battery based on simplified fractional order AEPF［J］．Chinese Journal of Power Sources，2022，46（10）：1156-1160．（inChinese）［8］FU S Y，LIU W，LUO W L，et al．State of charge estimation of lithium-ion phosphate battery based on weighted multi-innovationcubature Kalman filter［J］．Journal of Energy Storage，2022，50：104175．［9］杜常清，吴中意，武冬梅，等．基于KF-EKF算法的动力电池SOC估计［J］．武汉理工大学学报，2022，44（4）：84-92．DU C Q，WU Z Y，WU D M，et al．State of charge estimation ofpower battery based on KF-EKF algorithmglish［J］．Journal ofWuhan University of Technology，2022，44（4）：84-92．（inChinese）［10］BAI W Y，ZHANG X H，GAO Z，et al．State of charge estimation for lithium-ion batteries under varying temperature conditionsbased on adaptive dual extended Kalman filter［J］．ElectricPower Systems Research，2022，213：108751．［11］王语园，李嘉波，张福．基于粒子群算法的最小二乘支持向量机电池状态估计［J］．储能科学与技术，2020，9（4）：1153-1158．WANG Y Y，LI J B，ZHANG F．Battery state estimation of leastsquares support vector machine based on particle swarmoptimization［J］．Energy Storage Science and Technology，2020，9（4）：1153-1158．（in Chinese）［12］FAN X Y，ZHANG W G，ZHANG C P，et al．SOC estimation of Li-ion battery using convolutional neural network with U-Netarchitecture［J］．Energy，2022，256：124612．［13］GONG Q R，WANG P，CHENG Z．A novel deep neural network model for estimating the state of charge of lithium-ion battery［J］．Journal of Energy Storage，2022，54：105308．［14］CHEN J X，ZHANG Y，WU J，et al．SOC estimation for lithium-ion battery using the LSTM-RNN with extended input andconstrained output［J］．Energy，2023，262：125375．［15］杨帆，和嘉睿，陆鸣，等．基于BP-UKF算法的锂离子电池SOC 估计［J］．储能科学与技术，2023，12（2）：552-559．YANG F，HE J R，LU M，et al．SOC estimation of lithium-ionbatteries based on BP-UKF algorithm［J］．Energy StorageScience and Technology，2023，12（2）：552-559．（in Chinese）［16］CUI Z H，KANG L，LI L W，et al．A combined state-of-charge estimation method for lithium-ion battery using an improvedBGRU network and UKF［J］．Energy，2022，259：124933．［17］彭大健，裴玮，肖浩，等．数据驱动的用户需求响应行为建模与应用［J］．电网技术，2021，45（7）：2577-2586．PENG D J，PEI W，XIAO H，et al．Data-driven consumerdemand response behavior modelization and application［J］．Power System Technology，2021，45（7）：2577-2586．（in Chinese）［18］LI Z H，WU W C，ZHANG B M，et al．Kullback–Leibler divergence-based distributionally robust optimisation model forheat pump day-ahead operational schedule to improve PVintegration［J］. IET Generation，Transmission & Distribution，2018，12（13）：3136-3144．［19］陈泽西，孙玉树，张妍，等. 考虑风光互补的储能优化配置研究［J］．电工技术学报，2021，36（增刊1）：145-153．CHEN Z X，SUN Y S，ZHANG Y，et al．Research on energystorage optimal allocation considering complementarity of windpower and PV［J］. Transactions of China Electrotechnical Society，2021，36（Sup.1）： 145-153．（in Chinese）［20］陈海燕，杨振鹏，李新建，等．影响动力电池输出功率因素的灰色关联分析［J］．电源技术，2019，43（6）：1032-1033．CHEN H Y，YANG Z P，LI X J，et al．Grey incidence analysis forfactors influencing SOP of power battery［J］．Chinese Journal ofPower Sources，2019，43（6）：1032-1033．（in Chinese）［21］唐西胜，孙玉树，齐智平．基于HHT的风电功率波动及其对电力系统低频振荡的影响分析［J］．电网技术，2015，39（8）：2115-2121．TANG X S，SUN Y S，QI Z P．Analysis of wind power fluctuationcharacteristics and its impact on power system low frequencyoscillation based on HHT［J］．Power System Technology，2015，39（8）：2115-2121．（in Chinese）［22］张家安，刘东，刘辉，等．基于风速波动特征提取的超短期风速预测［J］．太阳能学报，2022，43（9）：308-313．ZHANG J A，LIU D，LIU H，et al．Ultra short term wind speedprediction based on wind speed fluctuation feature extraction［J］．Acta Energiae Solaris Sinica，2022，43（9）：308-313．（in Chinese）40。

动力电池荷电状态(SOC)估算方法综述

10.16638/ki.1671-7988.2019.08.011动力电池荷电状态（SOC）估算方法综述胡耘（长安大学，陕西西安710064）摘要：在动力电池管理系统(BMS)中动力电池SOC评估是最为重要的作用之一。

系统中的大多数功能都依赖于动力电池SOC评估的结果。

所以准确估算动力电池SOC，有利于保护电池，防止电池过充或过放，提高电池的寿命，达到节约能源的目的。

文章通过对SOC评估的当前各种方法的分类综述，并介绍了最新的研究成果，提出了SOC 未来的发展方向。

关键词：动力电池；电池管理系统；SOC估算中图分类号：U469.72 文献标识码：A 文章编号：1671-7988(2019)08-36-03Summary of methods for state of charge estimation of power batteriesHu Yun( Chang'an University, Shaanxi Xi’an 710064 )Abstract: Power battery SOC evaluation is one of the most important roles in the Power Battery Management System (BMS). Most of the functions in the system depend on the results of the power battery SOC evaluation. Therefore, accurate estimation of the power battery SOC is conducive to protecting the battery, preventing overcharging or overdischarging of the battery, improving the life of the battery, and achieving energy conservation. This paper summarizes the current classification of various methods of SOC assessment, and introduces the latest research results, and proposes the future development direction of SOC.Keywords: power battery; battery management system; SOC estimationCLC NO.: U469.72 Document Code: A Article ID: 1671-7988(2019)08-36-031 SOC的定义与分类我们将电池的荷电状态，称为SOC，指电池中剩余电荷的可用状态，用百分数表示。

一种动力电池SOC估算方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011245524.9(22)申请日 2020.11.10(71)申请人南昌济铃新能源科技有限责任公司地址 330052 江西省南昌市南昌县莲塘镇迎宾中大道2111号4F(72)发明人甘磊　李京京　石江江　彭金春　刘华　韩志玉　(51)Int.Cl.G01R 31/387(2019.01)G01R 31/367(2019.01)(54)发明名称一种动力电池SOC估算方法(57)摘要本发明涉及混合动力汽车领域，特别是涉及一种动力电池SOC估算方法。

一种动力电池SOC估算方法，所述动力电池用于混合动力汽车中，所述估算方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；采集所述动力电池特征参数的实际工况数据集；以及使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM ‑DaNN模型，得到动力电池SOC。

上述动力汽车SOC估算方法将所述动力电池特征参数的实验室恒流放电数据集作为有标签的数据，用无标签的所述动力电池特征参数的实际工况数据集辅助所述有标签的数据训练LSTM ‑DaNN模型，提升了训练效率，减少了计算量。

权利要求书1页说明书5页附图2页CN 112415408 A 2021.02.26C N 112415408A1.一种动力电池SOC估算方法，其特征在于，所述动力电池用于混合动力汽车中，所述估算方法包括：提供所述动力电池特征参数的实验室恒流放电数据集；采集所述动力电池特征参数的实际工况数据集；使用所述实验室恒流放电数据集训练LSTM模型，得到LSTM模型迁移参数；以及使用所述LSTM模型迁移参数和所述实际工况数据集训练LSTM -DaNN模型，得到动力电池SOC。

2.根据权利要求1所述的估算方法，其特征在于，所述特征参数包括所述动力电池的端电压、工作电流和平均温度。

电动汽车动力电池SOC估算方法综述_华周发

收稿日期：2013-01-09 作者简介：华周发(1979—)，男，湖北省人，博士，主要研究方向为新能源汽车动力电池。
理；另一方面，电动汽车电池在使用过程中表现的高度非线性，使准确估计 SOC 具有很大难度。两方面的结合，使得电动汽车电池 SOC 估算方法的选择尤为重要，传统方法种类之多，新方法层出不穷，不断更新改进。
BP 网络是对人脑最简单的一种抽象和模拟，主要是利用输入、输出样本集进行相应训练，使网络达到给定的输入输出映射函数关系，常分为两个阶段：第一阶段，正向计算过程，由样本选取信息从输入层经隐含层直到输出层逐层计算各单元的输出值；第二阶段，误差反向传播过程，由输出层计算误差并逐层向前算出隐含层各单元的误差，并以此修正前一层权值。网络结构如图 2 所示[7]。
电池的内阻还受多方面的因素的影响，且电池不同工作阶段，
电池内阻变化范围也不一样，放电后期，相对比较稳定；放电
初期，内阻则变化大。因此，用内阻法估算 SOC，难度比较大，
可信度不高。
在实际应用中，测量内阻法适用于放电后期对电池 SOC
的估计，一般与 Ah 积分法结合使用。
2.5 线性模型法
线性模型法用于估计 SOC 最早是由 C.Ehret 等提出来
2013.9 Vol.37 No.9
1686
综
述
算变化电量的百分比，进而求出初始 SOC0 和变化的驻SOC 之间的差，即为剩余容量 SOC，那么当前的 SOC 状态计算公式
为：
ò SOC
=
SOC 0-1 CN来自th ´ I dt
0
(2)
式中：为额定容量；为电池电流；浊为充放电效率。
Ah 积分法没有从电池内部解决电量与电池状态的关系，

电动汽车动力电池组soc估算及充放电策略研究

4.1.2现有SOP估算方法 (29)4.2基于二阶等效电路模型的多参数限制SOP估算 (30)4.3动力电池组充放电策略 (34)4.4电池组均衡充电 (35)4.4.1电池单体不一致性影响 (35)4.4.2被动均衡 (36)4.5本章小结 (37)第五章电池组状态估算仿真实验 (38)5.1仿真环境 (38)5.2电池组状态估算仿真模型 (39)5.3仿真结果与分析 (42)5.3.1基于PID闭环修正的SOC估算算法测试 (44)5.3.2基于二阶等效电路模型的多参数限制SOP估算测试 (47)5.4本章小结 (49)第六章总结与展望 (50)6.1总结 (50)6.2展望 (51)参考文献 (52)攻读硕士学位期间的学术活动及成果情况 (56)插图清单图2.1锂离子电池工作原理 (8)图2.2镍钴锰三元材料的层状结构 (9)图2.3LR185SK电池 (11)图2.4OCV-SOC特性 (14)图2.5Rint模型 (15)图2.6Thevenin模型电路图 (15)图2.7PNGV模型电路图 (16)图2.8GNL模型电路图 (16)图2.9二阶模型 (17)图3.1基于PID的SOC算法 (23)图3.2SOC算法流程 (24)图3.3参数整定 (27)图4.1SOP估算方法 (30)图4.2CAN网络拓扑 (34)图4.3电阻分流均衡拓扑 (37)图5.1ADVISOR界面 (39)图5.2模型顶层 (40)图5.3电池模型底层 (41)图5.4状态估算模型 (41)图5.5NYCC工况速度 (42)图5.6UDDS工况速度 (42)图5.7NYCC工况电流 (43)图5.8UDDS工况电流 (43)图5.9NYCC工况SOC (43)图5.10UDDS工况SOC (44)图5.11NYCC工况仿真 (44)图5.12NYCC工况误差 (45)图5.13UDDS工况仿真 (45)图5.14UDDS工况误差 (46)图5.15错误初值测试 (46)图5.16SOC0=0.94放电SOP (47)图5.17SOC0=0.94充电SOP (47)图5.18SOC0=0.11放电SOP (48)图5.19SOC0=0.11充电SOP (48)图5.20SOC0=0.5放电SOP (48)图5.21SOC0=0.5充电SOP (49)表格清单表2.1LR185SK常规指标 (12)表2.2充放电实验 (13)表3.1Z-N法特征参数 (26)第一章绪论第一章绪论1.1背景由于能源和环境问题的双重压力，近年来电动汽车技术在各大车企以及各国政府的推动下得到了长足的发展。

电动汽车动力电池SOC预测技术分析

电动汽车动力电池SOC预测技术分析内容摘要：在电动车的运行需要动力电池的支持，而支持动力电池能能持续使用的就是电池荷电状态预测器。

电池内的很多真正的soc在使用中，多次收到温度的影响，充放电的影响，或者电池老化现象发生等种种情况，破坏了soc的自身能量的保存，很难能达到高质量的运作。

本文会讲述用另一种方式来避免soc 在受到这些影响时而产生的负面影响。

用一种闭环模糊推理方法使soc得到快速发展。

关键词：电动汽车电池 SOC预测技术电动汽车的电池动力系统的分析技术应用十分重要。

其能够让电动汽车的运用更加全面。

其闭环反馈环节就是采用了对soc的调节数值的计算。

这种新的技术让人们对一种能从放电曲线里获得的电池内阻变成了新的定义，这种新的电池内阻可以把不同工作状态下的电池端电压调解成固定状态在的端口电压。

大大简化了模糊规则设计。

在经过不同种类的实验证明之后，证实了用这种方式来获取蓄电池soc 预测值是可靠的。

，一、电动汽车动力电池概况分析对于电动车来说，最重要的就是蓄电池，如果没有蓄电池电动车也无法启动，那么保护好蓄电池的正常运行就是很重要的，所以在这种情况下，就出现了一批研究蓄电池放点特性的专业人士。

在电动车每一个环节都要认真观察蓄电池的工作情况，而且安装的蓄电池在电动车启动时都应该充分被利用，那么蓄电池的管理就很重要。

蓄电池管理有以下四个方面：（1）在运行时，要保障每节电池容量的均匀性。

（2）如果电池出现问题需要及时发现，汇报。

（3）电池在充电或者放电的时候都需要注意，不要过量。

（4）通过各种方法来获取精准的电池荷电状态（soc）。

Soc值的大小，就能明显的反应出这个电池在电动车运行时处于什么状态。

所以或者soc的精准值是最基本的任务。

那么在实际运行中，就可以先预测出这两电动车需要行驶多长，然后再限定出一个最大值。

因为每个电池的性能不一样，所以在受到限定最大值电流通过时，产生的效果也就不一样。

根据不同的性能差异，进行均衡充电，用来保持电池内部性能没有被破坏，最后可以延长了电池的寿命。

《动力蓄电池及管理系统检修》任务三电池单体SOC估算

间断的放电状态，当放电到
达截止电压时对所放电量进
行计算。
优点：
方法简单，估算精度也相对
较高
缺点：
不可以带负载测量，需要占
用大量的测量时间，放电测
量时，必须中断电池之前进
行的工作，使电池置于脱机
状态，不能在线测量。
电池单体SOC估算
任务实施
SOC估算方法
（2）开路电压法
开路电压法估算SOC是将电池充分静置（一般需
池正、负两极之间的电位差。一般情况下，电池的开路电压小于它的电动势。由于电池内部的极化
效应，锂电池断开负载电路时，电池端电压会逐渐降低。当电池内部无化学反应，端电压达到平衡，
此时的端电压值为OCV，理论上其值等于电动势。因此，OCV可作为SOC估计中的一个重要参数。
在电池工作过程中，如果实际工作电压高于额定电压过多，充电时正极的锂离子将过度逃逸至负极，
物理效应或化学效应，通常还伴随着能量的转换，因为电流在导体中（超导体除外）流动时要消耗
能量，这个能量必须由产生电动势的能源补偿。
知识学习
电池单体OCV-SOC曲线测绘
任务实施
电池电压相关参数
（2）开路电压（OCV）：
OCV指的是锂电池在断路条件，内部无化学反应时的端电压，即外电路中没有电流流过时，电
任务实施
电池单体OCV-SOC曲线测绘方法
➢ （1）选定某一电池单体，分别测量从0到
100%之间不同SOC对应的OCV值。
➢ 使用万用表检测电池单体正负极端子之间的电
压值，检测值称为端电压。电池单体不工作时，
端电压为开路电压；电池工作时，端电压为工作
电压。
➢ 注意：电压值的读数需精确到mV级别。
➢ （2）根据检测结果，通过描点连线方式绘制

用于电动汽车电池SOC预测的BP神经网络模型

用于电动汽车电池SOC预测的BP神经网络模型乔维德;凌兴宏【摘要】为破解目前电动汽车用电池剩余电量准确预测这一难题,在对影响电动汽车动力电池荷电状态(SOC)估算结果的相关因素分析基础上,建立一种用于电动汽车电池SOC预测的反向传播(BP)神经网络模型,首次提出蝙蝠-粒子群算法优化训练BP神经网络.仿真实验结果表明:该方法能方便、快速、准确地实现对电动汽车动力电池SOC预测,提高电动汽车动力电池的能量效率,延长动力电池的使用寿命,对于电动汽车的推广应用与发展具有较好的指导价值.【期刊名称】《石家庄学院学报》【年(卷),期】2018(020)003【总页数】7页(P31-37)【关键词】电动汽车;反向传播神经网络;蝙蝠-粒子群算法;荷电状态预测【作者】乔维德;凌兴宏【作者单位】无锡开放大学科研与质量控制处,江苏无锡 214011;苏州大学计算机科学与技术学院,江苏苏州 215006【正文语种】中文【中图分类】TM9140 引言电动汽车已成为当今汽车行业发展的主要方向，而锂电池具有容量大、使用寿命长、安全性能高、体积小、比容量高等优点，目前已成为新能源电动汽车的储能动力来源，但因电动汽车锂电池供给能量有限，要提高行驶里程，必须提高电动汽车锂电池利用率.锂电池影响电动汽车的续驶里程和行驶性能，也是制约电动汽车推广发展的关键因素.电动汽车荷电状态（SOC）是反映锂电池能量的重要指标.在电动汽车应用发展过程中，对车载动力电池SOC的估计是电动汽车电池管理中的重点和难点，准确估计锂电池SOC，可以提高电动汽车动力电池的能量效率，避免电池过充电、过放电，延长锂电池使用寿命.因此，实现电动汽车电池SOC的准确预测是保障电动汽车可靠运行的重要基础，也是电动汽车电池安全使用和正确维护的重要依据，有益于电动汽车的推广、应用以及发展.目前国内外学者探究了许多对电动汽车电池SOC和剩余电量进行预测的方法，如传统的放电法、开路电压法、等效电路法、卡尔曼滤波法等，这些方法在具体应用时都存在一定的缺陷和局限性，而且只应用于一些特定场合，一般难以满足实际应用需求.由于电动汽车动力电池内部结构非常复杂，呈现较强非线性，很难建立电池精确、等效的电化学或电路模型，为此，人们尝试利用神经网络良好的非线性映射、自适应以及信息并行处理能力，对电动汽车锂电池进行在线预测.邱纲等[1]鉴于电动汽车电池组SOC受充放电倍率、放电过程以及温度等因素的影响较大，通过不同工况下电池组充放电试验，建立用于电池组SOC预测的神经网络仿真模型.蔡信等[2]针对电动汽车动力电池SOC估计问题，提出基于反向传播（BP）神经网络的电动汽车电池SOC估计方法.为提高BP网络对电动汽车电池SOC预测的精准性，周美兰等[3]采取遗传算法和粒子群算法分别优化训练电池SOC预测的BP神经网络结构模型，且对比分析仿真预测结果，得出经粒子群算法优化的BP神经网络对电动汽车SOC值的预测误差最小、预测精度最高.黄耀波等[4]也提出一种基于遗传神经网络的电池.雷肖等[5]针对蓄电池容量预估问题，设计了一种电动车电池SOC预估的径向基函数神经网络方法，即将径向基函数神经网络用于建立电动汽车电池SOC预估模型，引入卡尔曼滤波器算法优化训练预估模型，通过电动汽车蓄电池工作电压、电流及表面温度等参数便能有效估计电动汽车蓄电池SOC实时值.以上采用的方法和设计方案，在仿真实验中都获得验证并取得一定成效，但BP算法、遗传算法、粒子群算法等学习优化算法存在收敛速度慢、计算量大、易陷入局部最优等问题和弊端，对于电动汽车电池SOC预测往往产生估计不准甚至误测现象.为此，笔者首次提出将蝙蝠算法与粒子群算法两种智能算法有机融合，形成蝙蝠-粒子群混合算法，用来优化电动汽车动力电池SOC预测的BP神经网络模型结构参数，大大提升电动汽车动力电池SOC预测的速度及精度.MATLAB仿真分析验证了本设计方案在电动汽车电池SOC预测领域的优越性，有助于提高电动汽车电池的使用效率，延长电动汽车电池的使用寿命，具有较好应用前景.1 电动汽车电池SOC预测模型电动汽车电池SOC定义为电池的剩余电量与电池的额定电量的比值，电池SOC受到诸多因素的影响，其中主要影响因素有：电池的充/放电倍率、在线电压、电池温度等.电池的充/放电倍率代表了电池放电电流大小，直接影响电动汽车电池的容量，当电池的放电倍率增加时，电池的放电容量将减小.电动汽车通常对电池工作温度有一定要求，电池的可用容量会根据电池的温度变化而变化，当温度下降时，电池可用容量降低，当温度升高时，可用容量相应增加.所以，对电动汽车电池进行预测时，主要考虑电池的电压、电流以及温度因素的变化影响[6，7].笔者采用BP神经网络建立电动汽车电池SOC的预测模型，并利用蝙蝠-粒子群算法优化BP 网络的结构参数，然后将训练的BP神经网络模型用于对电池SOC的准确预测.选取实际检测的电池电压、电池电流、电池温度作为BP神经网络的输入，电动汽车电池SOC值作为BP网络的输出.电动汽车电池SOC预测模型原理示意图如图1所示，其中X1，X2，X3分别为归一化处理后电池电流、电压、温度值.图1 电动汽车电池SOC预测模型2 蝙蝠-粒子群算法优化BP神经网络图1中，输入向量X1，X2，X3通过隐含层神经元结点后作用并输出至输出层神经元节点，得到BP神经网络的预测输出Y，Y与理想输出Q间存在一定的偏差，BP网络经过大量样本的学习训练，不断修正BP网络各层之间的连接权值ωij，Tki及隐含、输出层节点阈值θi，θk等参数，最终实现网络误差达到规定精度要求范围[8].ωij，Tki，θi，θk参数采取蝙蝠-粒子群算法进行优化.应用蝙蝠-粒子群算法优化BP神经网络过程中，开始通过蝙蝠算法迅速搜寻至全局最优区域，所搜寻结果作为粒子群算法中的初群种群，再充分发挥粒子群算法收敛速度快、求解精度高的优势，快速搜索全局最优解.蝙蝠-粒子群算法优化BP神经网络的流程如图2所示，主要步骤有[9，10]：step1：对算法参数及蝙蝠位置初始化.设定蝙蝠算法中的蝙蝠种群数量为D，蝙蝠算法最大迭代次数为NB，蝙蝠发出的脉冲（超声波）频率为f，最大脉冲声音强度为S，最大脉冲频度为R0，脉冲声音强度衰减系数为λ，脉冲频度增加系数为δ，随机初始化蝙蝠位置为xi（i=1，2，…，D）.设定粒子群算法中的最大迭代数为NP，最大惯性权重为ωmax，最小惯性权重为ωmin.step2：由（1）、（2）、（3）式分别调节和更新蝙蝠的脉冲频率 fi、飞行速度vi及所处位置 xi，从而搜索当前最优蝙蝠个体：式中分别表示t和t+1代第i只蝙蝠所处的位置分别表示t和t+1代第i只蝙蝠的飞行速度；fi表示第i只蝙蝠发出的脉冲频率，fmax，fmin分别表示蝙蝠发出的脉冲频率最大和最小值；h表示[0，1]内随机数；xbest表示当前全局蝙蝠最优位置.step3：生成随机数r1，当r1＞Ri时，在当前种群中选择最优解，同时从最优解附近随机产生一个局部解，则蝙蝠的新位置xnew更新为：式中τ表示[-1，1]内的随机数，St表示蝙蝠种群同一时间段内的响度平均值.step4：生成随机数r2，当r2＜Si并且均方误差（适应度）满足J（xi）＜J（x0）时，由（5）和（6）式增大Ri同时减小Si，即蝙蝠减少发射的超声波脉冲响度，并增加声波脉冲的发射次数.式中分别表示第i只蝙蝠在t+1和t代时的声波脉冲响度表示第i只蝙蝠在t+1代的发射脉冲频度，λ 为[0，1]区间值，δ＞0.step5：按适应度J（xi）评估蝙蝠个体，搜索并记录当前位置最佳蝙蝠个体，若达到蝙蝠算法的最大迭代次数NB，便输出M个最优位置解，否则返回至step2. step6：由M个最优位置的蝙蝠个体组成粒子群初始种群，根据（7）、（8）、（9）式更新粒子速度和位置.公式（9）中惯性权重ω能自动跟踪粒子适应度的变化，避免粒子群算法进化过程中产生“早熟”及振荡现象.式中i=1，2，…，M，j=1，2，…，d；t表示迭代进化次数；Xij（t）表示粒子i 在t代时的当前位置；Vij（t）表示粒子i在t代时的飞行速度；Pj（t）表示粒子i 在t代时所经历的最优位置，Gj（t）表示粒子群所有粒子所经历的最优位置；C1，C2表示学习因子，R1，R2表示[0，1]之间值；J表示粒子适应度值；Jave，Jmax分别表示粒子群中的平均适应度和最大适应度值.step7：当粒子群算法的进化过程满足最大迭代次数，或者满足全局最优解Gj（t）＜ε（ε为较小数值）时，输出全局最优解.step8：将输出的全局最优解个体作为BP神经网络的最优初始权值及阈值，并代入BP神经网络.通过输入样本训练BP网络，最终实现网络输出的均方误差（适应度）J为最小[11]，便得到电动汽车电池SOC的BP神经网络预测模型.均方误差（即适应度）J定义为：式中Qjk表示第j个训练样本在第k个输出节点处期望输出，Yjk表示第j个训练样本在第k个输出节点处网络实际输出，m表示BP神经网络输出节点数，n表示训练样本数.图2为蝙蝠-粒子群算法优化BP神经网络流程图.图2 蝙蝠-粒子群算法优化BP神经网络流程图3 仿真实验3.1 仿真参数设置与训练样本利用蝙蝠-粒子群混合算法优化BP神经网络时，初始化参数选取如下：蝙蝠算法中的蝙蝠种群数量为150，最大迭代次数NB为180，蝙蝠发出的脉冲频率f值在[0，1]范围内，最大脉冲强度S=0.4，最大脉冲频度R0=0.75，脉冲声音强度衰减系数λ=0.85，脉冲频度增加系数δ=0.3；粒子群算法中的最大迭代次数NP=150，学习因子C1=C2=1.8，最大惯性权重ωmax=1.6，最小惯性权重ωmin=0.3.本研究中的BP神经网络输入信号由于具有不同的物理含义和不同的量纲，通常需要对输入样本进行归一化处理，即将电池电压、电流、温度、SOC的变化范围限制在[0，1]区间，归一化公式为：式中i在1～3 之间，为归一化后样本值，Xi为实际检测值，Xmax为Xi最大值，Xmin为Xi最小值.本实验选取某型号的磷酸铁锂电池，额定电压为3.3 V，容量为1.2 Ah.实验平台采用Neware公司生产的充放电测试仪，先后在0.5，1.0，2.0，5.0 C等不同放电倍率下进行恒流放电，每个放电电流下分别采集50组典型的放电电压和温度值作为BP网络训练样本的输入，相应检测得到的电池SOC值作为BP网络训练样本的输出.选取的200组训练样本如表1所示（因版面限制，只列出部分样本数据）.表1 训练样本（部分）放电倍率电压温度 SOC 放电倍率电压温度SOC/C /V /℃ /% /C /V /℃ /%0.5 3.30 26 82.7 1.0 3.30 26 91.5 3.28 25 81.6 3.28 25 90.3 3.25 24 80.3 3.25 24 89.1 3.22 23 67.8 3.22 23 79.6 3.19 22 66.6 3.19 2277.7 3.17 22 65.5 3.17 22 75.6 3.13 20 54.2 3.13 2065.8………………………………2.16 13 8.7 2.16 13 12.4 2.12 11 8.3 2.12 11 10.52.03.30 26 96.2 5.0 3.30 26 99.1 3.28 25 95.3 3.28 25 98.3 3.25 24 93.6 3.25 24 97.5 3.22 23 86.5 3.22 23 91.4 3.19 22 84.4 3.19 22 89.7 3.17 22 83.63.17 22 88.1 3.13 20 76.8 3.13 20 83.5…………………2.16 2.12…13 11…18.5 13.7…2.16 2.12…13 11…19.4 14.53.2 网络训练与测试建立模型结构为2-7-1的BP神经网络，网络目标误差精度为0.000 1.利用Matlab 7.0工具软件，按BP算法、粒子群算法、蝙蝠-粒子群算法先后优化，并训练BP网络，各学习算法的训练性能指标如表2所示.当蝙蝠-粒子群算法优化BP 神经网络时，网络收敛速度最快，只需经过23步，网络输出误差便实现了目标误差精度要求.网络训练误差变化曲线如图3所示，其中①表示训练误差曲线，②表示目标误差.保存通过蝙蝠-粒子群算法优化且训练好的BP神经网络结构参数，将表3中的30组测试样本数据输入该网络进行检验，从表中的测试结果分析明显得到，测试样本的网络实际输出SOC与电池SOC期望输出的相对误差最大不超过2.4%，网络实际输出的电动汽车电池SOC预测值与期望值（真实值）非常接近.本研究提出的基于蝙蝠-粒子群算法优化的BP神经网络评价模型能更加迅速、精准地预测出电动汽车电池SOC.表2 不同算法优化BP网络的性能指标指标 BP算法粒子群算法蝙蝠-粒子群算法运行时间/s 67.5 18.6 7.8训练精度 0.01 0.001 0.000 1训练步数未达标 107 23 图3 网络训练误差变化曲线表3 测试样本及检验结果序号输入样本网络预测Y 期望值SOC 相对误差X1/CX2/V X3/℃ /% /% /%1 0.5 3.17 22 64.773 65.5 1.1 2 0.5 2.45 18 33.105 33.7 1.8 3 1.0 3.08 20 61.463 60.9 0.9…………………25 0.5 2.19 14 19.315 18.9 2.2 26 1.0 3.28 25 89.587 90.3 0.8 27 2.0 2.20 16 26.575 26.6 0.1 28 1.0 2.19 15 18.235 17.8 2.4 29 5.0 3.07 20 77.693 78.4 0.9 30 2.0 3.22 23 85.937 86.50.74 结论本研究探究电动汽车电池SOC预测方法，设计了一种基于蝙蝠-粒子群算法优化BP神经网络的电动汽车电池SOC预测模型.仿真实验表明，相对于BP算法、粒子群算法而言，蝙蝠-粒子群算法具有更快的搜寻速度和更高的搜寻精度.该算法用于电动汽车电池SOC预测的BP神经网络，能极大提升电池SOC预测的精准度和效率，为电动汽车电池的能源高效管理提供更加科学的依据和崭新途径.参考文献：[1]邱纲，陈勇.电动汽车用动力电池组SOC的神经网络估计[J].辽宁工程技术大学学报，2006，25（2）：230-233.[2]蔡信，李波，汪宏华.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.[3]周美兰，王吉昌，李艳萍.优化的BP神经网络在预测电动汽车SOC上的应用[J].黑龙江大学自然科学学报，2015，32（1）：129-134.[4]黄耀波，唐海定，章欢，等.基于遗传神经网络的电动汽车锂电池SOC预测[J].机电工程，2013，30（10）：1255-1258.[5]雷肖，陈清泉，刘开培，等.电动车电池SOC估计的径向基函数神经网络方法[J].电工技术学报，2008，23（5）：81-87.[6]刘征宇，杨俊斌，张庆，等.基于QPSO-BP神经网络的锂电池SOC预测[J].电子测量与仪器学报，2013，27（3）：224-228.[7]黄妙华，严永刚，朱立明.改进BP神经网络的磷酸铁锂电池SOC估算[J].武汉理工大学学报（信息与管理工程版），2014，36（6）：790-793.[8]乔维德.一种改进的提升机同步电机直接转矩控制[J].盐城工学院学报（自然科学版），2017，30（1）：28-33.[9]乔维德，凌兴宏，周晓谋.基于蝙蝠-蛙跳神经网络的提升机故障诊断研究[J].台州学院学报，2016，38（6）：47-52.[10]乔维德.萤火虫-粒子群优化神经网络的异步电机转子断条故障诊断[J].电机与控制应用，2017，44（1）：83-88.[11]乔维德，周晓谋.一种井下瓦斯传感器故障辨识方法[J].石家庄学院学报，2017，19（3）：46-52.。

动力电池SOC估算方法综述

工业与信息化
TECHNOLOGY AND INFORMATION
动力电池SOC泰安 271000
摘要动力电池荷电状态（State of Charge，SOC）表征动力电池当前剩余的能量，是电池管理系统的关键性参数，准确的SOC估算能够延长电池使用寿命。文章综述了常用的SOC估算算法，对比了不同方法的优缺点，并最后进行了总结。关键词 SOC估算算法；动力电池荷电状态；电池管理系统
解决SOC估算累计误差问题。欧阳明高[3]等人对比了磷酸铁锂电池初始容量、初始SOC等参数对其SOC估算精度的影响，确定了初始SOC值的精确与否严重影响着安时积分法的估算精度。
2.2 开路电压法开路电压法是通过电池SOC和其开路电压（Open Circuit Voltage，OCV）的对应关系获得电池SOC的方法，电池SOC 与开路电压映射关系，又称为开路电压表，该表的获取方法一般有两种，第一种是对满充电池进行恒流放电，并在每个SOC 节点上（可自己设置）对该电池进行长时间的静置，此时得到一组SOC-OCV对应值，以此类推，直至SOC降为0，这样我们就能得到完全的开路电压表。该方法需要电池经过长时间的静置才能得到准确的一一对应关系，并且每一个SOC状态都需要电池进行静置几小时，耗费的时间周期长[4]；第二种方法，也是目前广大学者常用的方法，在1/25C电流下进行恒流充放电实验，电池经历恒流充满、恒流放电完全，我们得到的电压曲线就是开路电压曲线[5]。由于开路电压表获取程序相对烦琐，受温度等外界因素影响严重，因此开路电压法经常作为辅助方法使用，即通过开路电压法得到初始SOC值，同时对充放电效率、温度进行补偿，再采用安时积分法对SOC估算，以大大提高估算的精确度[6-7]。文献[8]将安时积分法、开路电压法及负载电压法相结合，通过开路电压法确定SOC的初始值，并将充放电效率、温度因素考虑在内，最终得到改进算法的估算误差基本在3%以内。 2.3 卡尔曼滤波法卡尔曼滤波法的实质是根据测量值和观测值估计真实值的过程，该方法主要分为预测和校正两大部分，同时不断更新协方差估计，是一种闭环估算方法。它克服了安时法中误差累积效应，不要求初始SOC值的准确性，但较为依赖于电池等效电路模型，常见的等效电路模型有Rint模型、RC 模型、Thevenin 模型、PNGV 模型[9]。传统的卡尔曼滤波法只能描述线性系统，但是由于电池内部是一个非常复杂的非线性系统，因此在估算SOC时常采用扩展卡尔曼滤波（Extended Kalman Filter，EKF）和无迹卡尔曼滤波（Unscented Kalman Filter，UKF）以及各种变形算法自适应扩展卡尔曼滤波（Adaptive Extended Kalman Filter，AEKF）、自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter， AUKF），将非线性电池系统转化为线性系统再进行SOC估算。Perez[10]等人采用扩展卡尔曼滤波器来估算锂离子动力电池的SOC，通过二阶等电路模型建立状态方程，从而求解出电池的SOC。文献[11]提出基于自适应无迹卡尔曼滤波AUKF的 SOC 估算方法，通过UT变换避免了泰勒级数展开计算，因此不存在非线性误差，结合对电池系统过程噪声和测量噪声的协方差的实时校正，最后将EKF、UKF、AEKF和AUKF四种算法进行了

动力电池SOC估算方法的实时工况对比研究

NEW ENERGY AUTOMOBILE | 新能源汽车动力电池SOC估算方法的实时工况对比研究耿晶　张万良　战东红　王维振　张传龙潍柴动力股份有限公司山东省潍坊市 261001摘要：随着燃料电池混合动力汽车的普及，三元锂电池的荷电状态（SOC）估算应用是电池管理系统的重要研究方向，直接决定燃料电池混合动力系统的续航里程。

为进一步了解和探索SOC估算方法的准确性，本文基于电池物理模型，通过安时积分法（AH）和内阻法SOC与实际路况SOC的对比分析，研究结果表明：内阻法SOC估算方法能够更符合实际车辆运营SOC的变化情况。

关键词：电池模型　AH　内阻法　SOC　车辆运营1　引言随着传统车辆对环境的污染越来越大[1,3]，能源的短缺越来越明显，清洁无污染的能源技术得到了世界各国的密切关注。

新能源汽车[2,4]作为新型交通工具，具有零污染、零排放、舒适度高、资源消耗低等很多优势[5]，为了缓解环境污染和能源紧张的现状，国家大力扶持新能源汽车的发展。

新能源汽车包括纯电动汽车、氢发动机汽车、燃料电池混合动力汽车、燃料电池电动汽车、增程式电动汽车、其它新能源汽车等[6]，其中，燃料电池混合动力汽车发展前景十分美好[7]。

燃料电池混合动力汽车解决了燃料电池汽车存在的一系列问题，包括在加速、爬坡等条件下需要输出较大功率且功率波动频繁，燃料电池动力系统瞬态响应慢，持续输出峰值功率能力有限[8-9]，且能量无法回收再生制动能量等。

因此，燃料电池混合动力系统得到了广泛应用，刘硕[10]等人针对燃料电池混合动力车，设计燃料电池+蓄电池混合动力系统，充分发挥两者的优点从而提高能源利用率和燃油经济性。

针对有轨电车在大功率峰值需求和减速制动过程中，恒定的SOC平衡系数不能满足瞬时等效氢耗最小的指标要求问题，建立基于燃料电池/锂电池的混合动力有轨电车动力系统模型，并通过分析SOC平衡系数与氢耗特性,张国瑞[11]等人提出一种基于运行模式和动态混合度的等效氢耗最小化能量管理控制方法。

基于BP神经网络的锂电池SOC估计方法

基于BP神经网络的锂电池SOC估计方法1. 引言锂电池作为一种常见的电池技术，广泛应用于各个领域，例如电动汽车、可再生能源储备等。

准确估计锂电池的状态-of-charge (SOC) 是保证其性能和安全性的重要因素之一。

本文将介绍基于BP神经网络的SOC估计方法，该方法通过充放电过程中的电压和电流数据来预测SOC。

2. BP神经网络简介BP神经网络是一种常用的人工神经网络，具有良好的非线性拟合能力和适应性。

它由输入层、隐藏层和输出层组成，通过反向传播算法训练网络权重和偏差值，以使预测结果逼近实际值。

在锂电池SOC 估计中，BP神经网络可以通过学习已知SOC和电池特性的数据，实现对未知SOC的预测。

3. 数据采集与预处理为了构建SOC估计模型，首先需要采集锂电池在不同SOC下的电压和电流数据。

这些数据可以通过实验室测试或者实际运行中的数据采集设备获取。

采集到的数据需要进行预处理，包括异常值处理、缺失值填补和数据归一化等。

预处理后的数据将作为BP神经网络的输入。

4. BP神经网络构建与训练在构建BP神经网络之前，需要确定输入层节点数、隐藏层节点数和输出层节点数。

通常情况下，输入层节点数为电压和电流数据的特征维数，输出层节点数为1，代表SOC的预测值。

隐藏层节点数可以根据实际情况选择，但过多的隐藏层节点可能导致过拟合问题。

在确定网络结构后，可以利用采集的锂电池数据对BP神经网络进行训练。

训练过程中，通过定义误差函数和选择适当的优化算法，不断调整网络的权重和偏差值，使预测值与真实值之间的误差最小化。

训练完成后，BP神经网络模型即可用于SOC估计。

5. SOC估计与性能评估利用训练好的BP神经网络模型，可以输入新的电压和电流数据进行SOC的估计。

根据网络输出的预测值，可以得到锂电池的SOC估计结果。

为了评估估计模型的性能，可以采用平均相对误差（MAPE）等指标进行比较。

6. 实验结果与讨论本文利用实际锂电池数据进行训练和测试，结果表明基于BP神经网络的SOC估计方法能够有效地实现对锂电池SOC的准确预测。

电池容量状态预测中的神经网络应用

电池容量状态预测中的神经网络应用一、电池容量状态预测概述随着科技的不断进步，电池技术在现代生活中扮演着越来越重要的角色。

从智能手机到电动汽车，电池的性能直接影响到设备的使用体验和效率。

电池容量状态预测是电池管理系统中的关键技术之一，它可以帮助用户和系统更好地了解电池的健康状况，从而优化电池的使用和维护。

神经网络作为一种强大的机器学习模型，在电池容量状态预测中展现出了巨大的潜力。

1.1 电池容量状态预测的重要性电池容量状态预测对于延长电池寿命、提高能源效率、减少环境污染等方面具有重要意义。

通过预测电池的剩余容量和健康状态，可以有效地避免因电池性能下降导致的设备故障，同时也能够为电池的维护和更换提供决策支持。

1.2 电池容量状态预测的应用场景电池容量状态预测技术的应用场景非常广泛，包括但不限于以下几个方面：- 电动汽车：预测电池的剩余行驶里程，为驾驶者提供准确的电量信息。

- 移动设备：优化电池使用，延长设备的续航时间。

- 储能系统：预测电池的充放电周期，提高能源管理效率。

- 智能电网：通过预测电池状态，优化电网的负荷分配和能源调度。

二、神经网络在电池容量状态预测中的应用神经网络是一种模仿人脑神经元结构和功能的计算模型，它通过学习大量的数据来发现数据之间的复杂关系。

在电池容量状态预测中，神经网络能够处理和分析电池的各种参数，如电压、电流、温度等，从而预测电池的性能和寿命。

2.1 神经网络的基本结构神经网络由输入层、隐藏层和输出层组成。

输入层接收电池的参数数据，隐藏层负责提取数据的特征，输出层则根据学习到的模式预测电池的状态。

神经网络的训练过程就是通过调整网络中的权重和偏置，使得预测结果尽可能接近实际值。

2.2 神经网络的类型在电池容量状态预测中，常用的神经网络类型包括：- 前馈神经网络（Feedforward Neural Networks）：这是一种最简单的神经网络结构，信息只在一个方向上流动。

- 循环神经网络（Recurrent Neural Networks）：这种网络能够处理序列数据，适合于预测电池状态随时间变化的情况。

电池SOC估算方法的研究现状

NEW ENERGY AUTOMOBILE | 新能源汽车时代汽车电池SOC估算方法的研究现状黄煜　朱立宗广西生态工程职业技术学院汽车与信息工程学院广西柳州市 545004摘要：如今，锂离子电池已成为新能源产业和SOC的研究重点。

在锂离子电池研究中，电池容量估算和计算是其中的重点研究之一。

SOC直接关系到锂离子电池使用的效率和安全性，正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性，并延长锂离子电池的使用寿命[1]。

相反而言，不合适的SOC估算和计算方法不仅会加速电池的老化，而且会带来电池爆炸和燃烧的危险，危害使用者的生命和财产安全。

因此，本文对各种SOC估计和计算方法进行研究，以获得更成熟和广泛使用的电池SOC估计和计算方法。

关键词：电池SOC　估计和计算　BP神经网络1　SOC介绍SOC定义为电池的当前容量，以其额定容量表示。

SOC可表征当前电池的状态，并以适合电池寿命的水平进行电池管理，对电池进行安全的充放电[2]。

因此，SOC有助于电池的管理。

但是，SOC不能通过直接测量得到，因为它涉及到电池电压，电流，温度等的测量，以及与电池有关的其他信息，直接获得非常困难。

SOC的准确估算是为了防止电池损坏，同时避免电池过度充电、放电加速电池老化。

常规SOC估算使用库仑计数法，此方法存在误差累积故障导致估算不准确。

除此之外，电池有限的电池效率、需要的化学反应、不同的充放电条件以及放置地方温度的变化都会影响SOC估算。

2　SOC估计方法锂离子电池的SOC通过检测和重新处理锂离子电池来估算和计算参数，例如电池的电压，电流和温度。

以下是常用的SOC估计和计算方法：2.1　安培小时积分法安培小时积分法是最简单的原理，也是应用最广泛的算法。

它基于对当前状态的不间断测试和集成来推断电池释放或吸收多少电量，从而获得电池的SOC值。

安培小时积分法的主要缺点包括三个方面[3]：1.电流需求的检测频率和精度要求很高，否则会导致积分误差和累积误差的增加；2.电池的充放电效率与电池的SOC值，电流，温度，老化，电阻率的变化，寿命有关，难以精确测量，导致SOC估计误差越来越大。

《储能科学与技术》2020年第9卷主要栏目分类索引

2020年第9卷储能科学与技术《储能科学与技术》2020年第9卷主要栏目分类索引（括号中数字依次表示年-期-起始页）学术争鸣锂硫二次电池之我见……………………………………（2020-1-1）锂硫电池的实用化挑战………………………………（2020-2-593）关于动力电池梯次利用的一些思考…………………（2020-2-598）钠离子电池机遇与挑战………………………………（2020-3-757）电化学电容器正名…………………………………（2020-4-1009）热点点评锂电池百篇论文点评（2019.10.01—2019.11.30）……（2020-1-5）锂电池百篇论文点评（2019.12.1—2020.01.31）…（2020-2-603）锂电池百篇论文点评（2020.02.01—2020.03.31）…（2020-3-762）锂电池百篇论文点评（2020.04.01—2020.05.31）………………………………………………………（2020-4-1015）锂电池百篇论文点评（2020.06.01—2020.07.31）………………………………………………………（2020-5-1428）锂电池百篇论文点评（2020.08.01—2020.09.30）………………………………………………………（2020-6-1812）储能材料与器件MOFs及其衍生物作为锂离子电池电极的研究进……（2020-1-18）钾离子电池负极材料研究进展………………………（2020-1-25）燃料电池传热传质分析进展综述……………………（2020-1-40）络合剂对铁基普鲁士蓝结构及储钠性能的影响……（2020-1-57）高温热处理对三维多孔石墨烯电化学性能的影响…（2020-1-65）石墨烯导电添加剂在锂离子电池正极中的应用……（2020-1-70）实用化软包装锂硫电池电解液的研究………………（2020-1-82）高温相变蓄热电暖器的数值模拟及验证……………（2020-1-88）泡沫铁对石蜡相变储热过程的影响…………………（2020-1-94）石蜡相变材料蓄热过程的模拟研究…………………（2020-1-101）金属泡沫/石蜡复合相变材料的制备及热性能研究…（2020-1-109）非水氧化还原液流电池研究进展……………………（2020-2-617）预锂化对锂离子电池贮存寿命的影响………………（2020-2-626）凝胶聚合物电解质在固态超级电容器中的研究进展…………………………………………………………（2020-3-776）无纺布隔膜用于锂离子电池的研究进展……………（2020-3-784）水合盐热化学储热材料的研究进展…………………（2020-3-791）基于超级电容器的MnO2二元复合材料研究进展…（2020-3-797）AgF预处理稳定化锂负极及其在锂氧气电池中的应用…………………………………………………………（2020-3-807）高镍三元锂离子电池循环衰减分析及改善…………（2020-3-813）水热-炭化法制备菱角壳基硬炭及其储锂性能……（2020-3-818）高首效长寿命硅碳复合材料的制备及其电化学性能…………………………………………………………（2020-3-826）基于三维分层结构的锂离子电池电化学-热耦合仿真及极耳优化…………………………………………………………（2020-3-831）弯曲角度对扁平热管传热性能的影响………………（2020-3-840）熔盐法再生修复退役三元动力电池正极材料………（2020-3-848）泡沫铅板栅的比表面积对铅酸电池性能的影响……（2020-3-856）石墨烯在锂离子电容器中的应用研究进展………（2020-4-1030）冷冻干燥辅助合成MnO/还原氧化石墨烯复合物及其电化学性能………………………………………………………（2020-4-1044）高倍率双层碳包覆硅基复合材料的制备研究……（2020-4-1052）极耳排布对AGM铅炭电池性能的影响……………（2020-4-1060）Sm对La0.5Nd0.35-xSmxMg0.15Ni3.5合金晶体结构和储氢性能的影响………………………………………………（2020-4-1066）储释冷循环对岩石材料性能的影响………………（2020-4-1074）矩形单元蓄热特性及结构优化……………………（2020-4-1082）低熔点四元硝酸盐圆管内受迫对流换热特性……（2020-4-1091）泡沫铁/石蜡复合相变储能材料放热过程及其热量传递规律………………………………………………………（2020-4-1098）纳米增强型复合相变材料的传热特性………………（2020-4-1105）铌元素在锂离子电池中的应用……………………（2020-5-1443）有机物衍生的锂硫电池正极材料研究进展………（2020-5-1454）赝电容特性的三维SnS2/碳复合材料的制备及其储锂性能………………………………………………………（2020-5-1467）NASICON结构Li1+xAlxTi2−x(PO4)3（0≤x≤0.5）固体电解质研究进展………………………………………………（2020-5-1472）锂离子电池极片层数对热积累效应的影响………（2020-5-1489）锌空气电池非贵金属双功能阴极催化剂研究进展………………………………………………………（2020-5-1497）液晶电解质在锂离子电池中的应用进展…………（2020-6-1595）基于溶解沉积机制锂硫电池的研究进展简评……（2020-6-1606）锂离子电池硅基负极比容量提升的研究进展……（2020-6-1614）锂金属电池电解液组分调控的研究进展…………（2020-6-1629）废旧锂离子电池有机酸湿法冶金回收技术研究进展………………………………………………………（2020-6-1641）纳米二氧化硅改性PV APB水凝胶电解质及其在超级电容器中的应用………………………………………………………（2020-6-1651）石墨烯氮掺杂调控及对电容特性影响机制研究进展………………………………………………………（2020-6-1657）铁基氧化还原液流电池研究进展及展望…………（2020-6-1668）锌镍单液流电池发展现状…………………………（2020-6-1678）电化学还原二氧化碳电解器相关研究概述及展望………………………………………………………（2020-6-1691）助熔剂法制备单晶LiNi0.8Co0.1Mn0.1O2正极材料……（2020-6-1702）涂碳铝箔对磷酸铁锂电池性能的影响……………（2020-6-1714）石墨烯面间距和碳纳米管直径对双电层电容器电容的影响………………………………………………………（2020-6-1720）基于水合盐的热化学吸附储热技术研究进展……（2020-6-1729）木质素在储能领域中的应用研究进展……………（2020-6-1737）基于微通道平板换热器的相变材料放热性能影响研究………………………………………………………（2020-6-1747）新型低熔点混合熔盐储热材料的开发……………（2020-6-1755）溶胶凝胶燃烧合成纳米NiO对太阳盐微结构和热性能的影响………………………………………………………（2020-6-1760）月桂酸/十四醇/二氧化硅定形相变材料的制备及性能研究………………………………………………………（2020-6-1768）高温熔盐基纳米流体热物性的稳定性研究………（2020-6-1775）板式相变储能单元的蓄热特性及其优化…………（2020-6-1784）基于热电制冷的动力电池模组散热性能研究……（2020-6-1790）基于LBM的三角腔固液相变模拟…………………（2020-6-1798）高速储能飞轮转子芯轴-轮毂连接结构优化设计…（2020-6-1806）储能系统与工程基于IFA-EKF的锂电池SOC估算……………………（2020-1-117）基于多尺度锂离子电池电化学及热行为仿真实验研究…………………………………………………………（2020-1-124）MM第6期《储能科学与技术》2020年第9卷主要栏目分类索引基于高斯过程回归的锂离子电池SOC估计…………（2020-1-131）基于ACO-BP神经网络的锂离子电池容量衰退预测…………………………………………………………（2020-1-138）基于改进EKF算法变温度下的动力锂电池SOC估算…………………………………………………………（2020-1-145）基于化学吸/脱附固态储氢的PEMFC动力系统耦合特性研究…………………………………………………………（2020-1-152）一种考虑可再生能源不确定性的分布式储能电站选址定容规划方法…………………………………………………………（2020-1-162）基于变分模态分解的混合储能容量优化配置………（2020-1-170）一种适用于复合储能的双向DC/DC变换器…………（2020-1-178）基于蒙特卡罗源荷不确定性处理的独立微网优化配置…………………………………………………………（2020-1-186）复杂运营环境下快充型公交充电策略优化方法……（2020-1-195）应用于城轨列车混合储能系统的能量管理策略……（2020-1-204）基于相变蓄冷技术的冷链集装箱性能研究…………（2020-1-211）清洁供暖储热技术现状与趋势………………………（2020-3-861）电动汽车混合储能系统自适应能量管理策略研究…（2020-3-878）基于液体介质的锂离子动力电池热管理系统实验分析…………………………………………………………（2020-3-885）基于储能效率分析的CAES地下储气库容积分析……2020-3-892）基于准PR控制的飞轮储能UPS系统………………（2020-3-901）基于磁悬浮储能飞轮阵列的地铁直流电能循环利用系统及实验研究…………………………………………………………（2020-3-910）基于天牛须搜索遗传算法的风光柴储互补发电系统容量优化配置研究…………………………………………………（2020-3-918）基于SVPWM的二极管箝位逆变器中点电压控制…（2020-3-927）飞跨电容型三电平电路在超级电容能馈系统中的应用研究…………………………………………………………（2020-3-935）半球形顶太阳能蓄热水箱内置错层隔板结构及运行参数优化…………………………………………………………（2020-3-942）针刺和挤压作用下动力电池热失控特性与机理综述…………………………………………………………（2020-4-1113）高能量密度锂离子电池结构工程化技术探讨………（2020-4-1127）锂离子电池低温充电老化建模及其充电策略优化…（2020-4-1137）基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计…………………………………………………………（2020-4-1147）基于粒子群算法的最小二乘支持向量机电池状态估计…………………………………………………………（2020-4-1153）基于三矢量的储能型准Z源光伏逆变器模型预测电流控制…………………………………………………………（2020-4-1159）基于外部储能式动力电池放电均衡系统仿真研究…（2020-4-1167）基于热电制冷的车用太阳能空调系统………………（2020-4-1178）锂离子电池电力储能系统消防安全现状分析……（2020-5-1505）三元软包动力锂电池热安全性……………………（2020-5-1517）成组结构对锂离子电池相变热管理性能的影响…（2020-5-1526）韩国锂离子电池储能电站安全事故的分析及思考………………………………………………………（2020-5-1539）基于特征组合堆叠融合集成学习的锂离子动力电池SOC估算………………………………………………………（2020-5-1548）大规模电池储能调频应用运行效益评估…………（2020-6-1828）跨季节复合储热系统储/释热特性…………………（2020-6-1837）基于分布式能源系统的蓄冷蓄热技术应用现状…（2020-6-1847）某型集装箱储能电池模块的热设计研究及优化…（2020-6-1858）某型集装箱储能电池组冷却风道设计及优化……（2020-6-1864）集装箱储能系统降能耗技术………………………（2020-6-1872）参与一次调频的双馈式可变速抽水蓄能机组运行控制………………………………………………………（2020-6-1878）空冷型质子交换膜燃料电池系统效率的实验研究………………………………………………………（2020-6-1885）用户侧电化学储能装置最优系统配置与充放电策略研究………………………………………………………（2020-6-1890）西北电网储能独立参与电网调峰的模拟分析……（2020-6-1897）基于多模式协调的飞轮储能系统故障穿越控制方法………………………………………………………（2020-6-1905）内燃机增压-压缩空气储能冷热电联产系统………（2020-6-1917）新储能体系氟离子穿梭电池研究进展……………………………（2020-1-217）储能测试与评价三元锂离子动力电池热失控及火灾特性研究………（2020-1-239）圆柱形高镍三元锂离子电池高温热失控实验研究…（2020-1-249）交互多模型无迹卡尔曼滤波算法预测锂电池SOC…（2020-1-257）锂离子电池组结构热仿真……………………………（2020-1-266）磷酸铁锂动力电池备电工况寿命试验研究及分析…（2020-2-638）全钒液流电池建模与流量特性分析…………………（2020-2-645）基于反馈最小二乘支持向量机锂离子状态估计……（2020-3-951）基于高斯混合回归的锂离子电池SOC估计…………（2020-3-958）高电压锂离子电池间歇式循环失效分析及改善……（2020-3-964）基于锂离子电池简化电化学模型的参数辨识………（2020-3-969）基于反激变换器的串联电池组新型均衡方法研究…（2020-3-979）基于动态综合型等效电路模型的动力电池特性分析…………………………………………………………（2020-3-986）811型动力电池内部温度及生热特性测试与分析…（2020-3-993）飞轮储能游梁式抽油机仿真分析……………………（2020-4-1186）基于自适应CKF的老化锂电池SOC估计…………（2020-4-1193）一种改进的支持向量机回归的电池状态估计……（2020-4-1200）基于高斯过程回归的UKF锂离子电池SOC估计…（2020-4-1206）基于EEMD-GSGRU的锂电池寿命预测……………（2020-5-1566）燃料电池物流车城市应用准备度评价……………（2020-5-1574）基于IBA-PF的锂电池SOC估算……………………（2020-5-1585）锂离子电池安全预警方法综述……………………（2020-6-1926）基于BMS的锂离子电池建模方法综述……………（2020-6-1933）基于BP-PSO算法的锂电池低温充电策略优化……（2020-6-1940）基于分布估计算法LSSVM的锂电池SOC预测……（2020-6-1948）基于改进粒子滤波的锂电池SOH预测……………（2020-6-1954）三元锂离子电池多目标热优化……………………（2020-6-1961）基于LSTM-DaNN的动力电池SOC估算方法……（2020-6-1969）锂电池满充容量的自适应估计方法………………（2020-6-1976）基于载波移相调制的模块化多电平电池储能系统直流侧建模………………………………………………………（2020-6-1982）耦合温度的锂离子电池机理建模及仿真试验………（20206-1991）储能标准与规范锂离子电池储能系统BMS的功能安全分析与设计…（2020-1-271）储能系统锂离子电池国内外安全标准对比分析……（2020-1-279）锂离子电池热失控泄漏物与毒性检测方法（2020-2-草案）…………………………………………………………（2020-2-633）储能经济技术性分析电化学储能在发电侧的应用…………………………（2020-1-287）基于文献计量的储能技术国际发展态势分析………（2020-1-296）分布式储能发展的国际政策与市场规则分析………（2020-1-306）MMI2020年第9卷储能科学与技术庆祝陈立泉院士八十寿辰专刊基于碳酸酯基电解液的4.5V电池……………………（2020-2-319）电解液组成对固相转化机制硫电极性能的影响……（2020-2-331）全固态锂硫电池正极中离子输运与电子传递的平衡…………………………………………………………（2020-2-339）P2-O3复合相富锂锰基正极材料的合成及性能研究…………………………………………………………（2020-2-346）锂离子电池正极材料β-Li0.3V2O5的电化学性能研究…………………………………………………………（2020-2-353）低温熔融盐辅助高效回收废旧三元正极材料………（2020-2-361）锂合金薄膜层保护金属锂负极的机理………………（2020-2-368）尖晶石锰酸锂正极在Water-in-salt电解液中的电化学性能…………………………………………………………（2020-2-375）探究锡在钠离子电池层状铬基正极材料中的作用…（2020-2-385）基于多氟代醚和碳酸酯共溶剂的钠离子电池电解液特性…………………………………………………………（2020-2-392）动力电池轻度电滥用积累造成的性能和安全性劣化研究…………………………………………………………（2020-2-400）三元前驱体微观形貌结构对LiNi0.85Co0.10Mn0.05O2正极材料性能的影响……………………………………………（2020-2-409）固体氧化物燃料电池高催化活性阴极材料SrFeFxO3-x-δ…………………………………………………………（2020-2-415）压缩空气储能系统膨胀机调节级配气特性数值研究…………………………………………………………（2020-2-425）低熔点混合硝酸熔盐的制备及性能分析……………（2020-2-435）原位合成纳米ZnO对太阳盐比热容的影响…………（2020-2-440）高能量密度锂电池开发策略…………………………（2020-2-448）锂离子固体电解质研究中的电化学测试方法………（2020-2-479）基于硫化物固体电解质全固态锂电池界面特性研究进展…………………………………………………………（2020-2-501）钠离子电池：从基础研究到工程化探索……………（2020-2-515）固态电解质锂镧锆氧（LLZO）的研究进展………（2020-2-523）三元NCM锂离子电池高电压电解质的研究进展…（2020-2-538）双离子电池研究进展…………………………………（2020-2-551）锂离子电池纳米硅碳负极材料研究进展……………（2020-2-569）高安全性锂电池电解液研究与应用…………………（2020-2-583）未来科学城储能技术专刊锂离子电池全生命周期内评估参数及评估方法综述…………………………………………………………（2020-3-657）电池储能技术研究进展及展望………………………（2020-3-670）燃料电池车载储氢瓶结构对加氢温升的影响………（2020-3-679）燃料电池系统氢气利用率的试验研究………………（2020-3-684）可再生能源电解制氢成本分析………………………（2020-3-688）基于国产三型瓶的氢气加注技术开发………………（2020-3-696）35MPa/70MPa加氢机加注性能综合评价研究……（2020-3-702）碳布电极材料对全钒液流电池性能的影响…………（2020-3-707）全钒液流电池碳纤维纸电极的表面改性……………（2020-3-714）潮汐式地热能储能供热调峰系统效益分析…………（2020-3-720）陆上风场液流电池储能经济性分析…………………（2020-3-725）钢铁行业中低温烟气余热相变储热装置特性分析…（2020-3-730）基于价值流分析的微网储能系统建模与控制方法…（2020-3-735）水溶性沥青基多孔炭的电性能………………………（2020-3-743）铁-铬液流电池250kW/1.5MW·h示范电站建设案例分析…………………………………………………………（2020-3-751）储能专利基于专利的无机固态锂电池电解质技术发展研究………………………………………………………（2020-3-1001）高比特性高压锂离子电池组技术专利分析………（2020-4-1214）储能教育储能科学与技术专业本科生培养计划的建议……（2020-4-1220）钠离子电池技术专刊钠离子电池标准制定的必要性……………………（2020-5-1225）非水系钠离子电池的电解质研究进展……………（2020-5-1234）钠离子无机固体电解质研究进展…………………（2020-5-1251）钠离子硫化物固态电解质研究进展………………（2020-5-1266）NASICON结构钠离子固体电解质及固态钠电池应用研究进展………………………………………………………（2020-5-1284）钠离子电池聚合物电解质研究进展………………（2020-5-1300）钠离子电池电解质安全性：改善策略与研究进展………………………………………………………（2020-5-1309）钠离子电池金属氧/硫/硒化物负极材料研究进展…（2020-5-1318）钠离子电池层状氧化物正极：层间滑移，相变与性能………………………………………………………（2020-5-1327）钠离子电池层状正极材料研究进展………………（2020-5-1340）钠离子电池钒基聚阴离子型正极材料的发展现状与应用挑战………………………………………………………（2020-5-1350）基于无机钠离子导体的固态钠电池研究进展……（2020-5-1370）过渡金属氧化物微纳阵列在钠离子电池中的研究进展………………………………………………………（2020-5-1383）钠离子电池层状氧化物正极材料的表面修饰研究………………………………………………………（2020-5-1396）以废旧锰酸锂正极为原料制备Li0.25Na0.6MnO2钠离子电池正极材料的研究…………………………………………（2020-5-1402）钠离子电池正极材料VOPO4·2H2O纳米片的合成与电化学性能…………………………………………………（2020-5-1410）钠离子电池层状过渡金属氧化物中阴离子氧的氧化还原反应活性调控………………………………………………（2020-5-1416）产经动态普星聚能继续深耕储能市场：植根长三角，放眼全世界………………………………………………………（2020-5-1593）MMII。

纯电动汽车动力锂电池SOC估计策略综述

2021年第4期谢俊淋1吴铭2陈越2武强2何立科2刘成武2吴平2苏庆列1（1.福建船政交通职业学院汽车学院，福州350007；2.福建工程学院福建省汽车电子与电驱动技术重点实验室，福州350118）【摘要】电池管理系统（BMS ）采用了防止电池过放电和过充，提供电池均衡控制，能够实现新能源汽车动力锂电池的最佳利用和保护。

电池管理系统实时精准估算电池电荷状态（SOC ）是提高电动汽车续航里程和延长寿命的关键。

然而，SOC 不能直接测量，动力电池的充、放电又是一个复杂过程，导致目前现有的SOC 估算策略很难精确地估算出实时在线SOC 值。

因此，如何提高SOC 估算精度是当下BMS 领域的研究热点。

本文通过对各种SOC 估算方法进行文献综述，分析和总结各个SOC 估算方法的原理及优缺点，提出SOC 估计策略未来发展趋势。

主题词：新能源汽车电池管理系统电池荷电状态动力锂电池SOC 估计策略中图分类号：U469.72文献标识码：A DOI:10.19822/ki.1671-6329.20200210Overview of SOC Estimation Strategies for Pure Electric Vehicle PowerLithium BatteriesXie Junlin 1,Wu Ming 2,Chen Yue 2,Wu Qiang 2,He Like 2,Liu Chengwu 2（1.Automotive College,Fujian Chuanzheng Communications College,Fuzhou 350007;2.Fujian Provincial Key Laboratoryof Automotive Electronics and Electric Drive Technology,Fujian University of Technology,Fuzhou 350118）【Abstract 】In order to realize the optimal utilization and protection of lithium batteries in new energy vehicles,a battery management system (BMS)is adopted to prevent over discharge and over charge of batteries and provide battery balance.Accurate real-time estimation of battery charge SOC by battery management system is a necessary condition to improve the driving range of EVs and prolong EVs ’life.However,SOC cannot be measured directly,and the process of charging and discharging of power battery is complex,which makes it difficult for the existing SOC estimation strategy to accurately estimate the value of online real-time battery SOC.Therefore,how to improve the accuracy of online SOCestimation is one of the main research focuses in the BMS field.Through literature review of various SOC estimation methods,this paper analyzes and summarizes the principles,advantages and disadvantages of each SOC estimation method,and proposes the future development trend of SOC estimation strategy.Key words:New energy vehicles,Battery management system,State of charge,Power lithiumbattery,SOC estimation strategy【欢迎引用】谢俊淋，吴铭，陈越，等.纯电动汽车动力锂电池SOC 估计策略综述[J].汽车文摘,2021(4):12-20.【Cite this paper 】Xie J,Wu M,Chen Y,et al.Overview of SOC Estimation Strategies for Pure Electric Vehicle Power Lithium Batteries[J].Automotive Digest (Chinese),2021(4):12-20.纯电动汽车动力锂电池SOC 估计策略综述缩略语SOC State Of Charge BMS Battery Management System SOH State Of HealthSOFState Of FunctionSOTState Of TemperatureOCVOpen Circuit VoltageFFRLS Genetic Factor Least Square Method PNGV The Partnership For A New Generation of VehicleRC Remote Control KF Kalman Filter EKFExtended Kalman Filter12DEKF Dual Extended Kalman FilterUKF Unscented Kalman FilterAUKF Adaptive untraced Kalman Filter AEKF Adaptive Extended Kalman FilterUT Unscented TransformSRUKF Square Root Unscented Kalman Filter PF Particle FilterUPF Unscented Particle FilterEPF Extended Particle FilterAI Artificial IntelligenceCNN Convolutional Neural Network LSTM Long-Short Term MemoryRNN Recurrent Neural NetworkUT Unscented TransformBP Back PropagationGA-BP Genetic Algorithm Back Propagation SVM Standard support vector machines LSSVM Least Squares Support Vector Machines 0前言随着技术的不断革新，生态保护与汽车形态发展关系日趋紧密，新一轮能源革命将这种关系领至尖峰。

基于QPSO-BP神经网络的锂电池SOC预测

放电过程中的任一状态下的ＳＯＣ。仿真实验验证了方法的准确性。结果表明，与现有的神经网络预测方法相比，基于ＱＰＳＯ — ＢＰ
神经网络的锂电池ＳＯＣ预测方法准确度高，且具备很好的实用性。
关键词：锂离子电池；荷电状态ＳＯＣ；神经网络：量子微粒群算法中图分类号：Ｕ４６９．７２文献标识码：Ａ国家标准学科分类代码：５８０．２
ＥｓｔｉｍａｔｉｏｎｆｏｒＳＯＣｏｆｌｉｔｈｉｕｍｂａｔｔｅｒｙｂａｓｅｄｏｎＱＰＳＯ — ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ
ＬｉｕＺｈｅｎｇｙｕ，ＹａｎｇＪｕｎｂｉｎ２ＺｈａｎｇＱｉｎｇＺｈａｎｇＬｉ ’ 。ＺｈａｏＡｉｇｕｏ
Ａｔｉｅｒａｎａｌｙｚｉｎｇｔｈｅｅｌｅｃｔｒｏｃｈｅｍｉｃａｌｍｅｃｈａｎｉｓｍｏｆｌｉｔｈｉｕｍｂａｔｅｙｒｉｎｃｈａｒｇｅａｎｄｄｉｓｃｈａｒｇｅｐｒｏｃｅｓｓ．ＭＡＴＬＡＢ
ａｌｇｏｒｉｔｈｍｏｆｔｈｅｅｓｔｉｍａｔｉｏｎｏｒｆＳＯＣｏｆｌｉｔｈｉｕｍｂａｔｔｅｙｒｂａｓｅｄｏｎＱＰＳＯ — ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄｉｎｔｈｅｐａｐｅｒ．

基于卡尔曼滤波的soc估算simulink开源代码-概述说明以及解释

基于卡尔曼滤波的soc估算simulink开源代码-概述说明以及解释1.引言1.1 概述概述部分的内容：本文将介绍基于卡尔曼滤波的SOC估算方法，并提供相应的Simulink 开源代码。

SOC（State of Charge，电池的充电状态）估算是电动汽车（EV）和混合动力汽车（HEV）领域中的重要研究课题，准确的SOC估算可以提高电池系统的性能和可靠性。

卡尔曼滤波是一种常用的估算算法，通过结合系统的动力学模型和测量数据，可以提供准确的状态估计。

在本文中，首先介绍卡尔曼滤波原理，包括其基本思想和数学推导过程。

然后，详细介绍SOC估算方法，包括如何建立电池的动力学模型和如何利用卡尔曼滤波进行SOC估算。

此外，本文还将提供Simulink开源代码，读者可以基于此代码进行SOC估算的仿真实验。

在结论部分，将对实验结果进行分析，并总结本文的研究成果。

同时，还将分享开源代码，方便读者进一步研究和应用。

通过本文的阅读，读者可以深入了解基于卡尔曼滤波的SOC估算方法，并掌握Simulink开源代码的使用。

1.2文章结构文章结构部分是用来介绍本文的组织结构和各个章节的内容提要。

以下是文章结构部分的内容：文章结构:本文分为以下几个部分：1. 引言：在本部分中，将对本篇文章进行一个概述，并介绍文章的目的和结构。

2. 正文：2.1 卡尔曼滤波原理：本部分将详细介绍卡尔曼滤波的原理，解释其在估算系统电池状态和SOC（State of Charge）中的应用。

2.2 SOC估算方法：本部分将介绍基于卡尔曼滤波的SOC估算方法，阐述实现该估算方法的步骤和技巧。

3. 结论：3.1 实验结果分析：在本部分中，将对实验结果进行详细分析，并对估算系统电池状态和SOC的准确性进行评估。

3.2 开源代码分享：本部分将提供基于卡尔曼滤波的SOC估算Simulink开源代码，供读者参考和使用。

通过以上的章节组织，本文将全面介绍基于卡尔曼滤波的SOC估算方法，并分享相应的Simulink开源代码，帮助读者更好地理解和应用该估算方法。

基于神经网络的动力电池SOC估算

图１　嵌入式操作系统中神经网络Ｃ　／　Ｃ＋＋函数预测结果
４　结　语
本文提出了基于神经网络的动力电池SOC估算方法，详细描述了将MATLAB神经网络函数转换成C/C++函数的全过程，并且将转换后的神经网络C/C++函数分别在Windows 系统、嵌入式系统环境中进行运行、验证比对，实验结果表明基于MATLAB神经网络的动力电池SOC估计算法可成功转换成C/C++函数，并在工程中进行应用。

本文的研究结果可更好地发挥出MATLAB科学计算方面强大的作用，具有重要的工程实用价值。

参考文献
[1]于洋,纪世忠,魏克新.基于小波神经的动力电池SOC 估计的研究[J].电力电子技术,2012,46(6):90-92.
[2]刘秋丽,马晓军,袁东,等.粒子群优化神经网络在SOC估算中的应用[J].计算机工程,2012,38(12):143-145.
[3]王建军,马树才,张春梅.基于忆阻神经网络的锂电池SOC检测技术研究[J].电源技术,2014,38(11):2044-2046.
[4]Mark H B.MATLAB Neural Network Toolbox User's Guide R2014b[M].Natick,MA,USA:MathWorks,2014:45.。