基于GRA-MEA-BP算法的锂电池SOC估计方法研究

doi:10.16628/j.cnki.2095-8188.2023.09.009

电器与能效管理技术 ›› 2023, Vol. 0 ›› Issue (9): 55-61.doi: 10.16628/j.cnki.2095-8188.2023.09.009

基于GRA-MEA-BP算法的锂电池SOC估计方法研究

许守平¹^,², 胡娟¹^,², 付珊珊¹, 陈娟¹

1.中国电力科学研究院有限公司,北京 100192
2.新能源与储能运行控制国家重点实验室,北京 100192

收稿日期:2022-12-22 出版日期:2023-09-30 发布日期:2023-11-23
作者简介:许守平(1978—),男,高级工程师,主要从事锂电池储能、电力电子技术、新能源发电等研究。|胡娟(1978—),女,高级工程师,主要从事锂电池储能、电力电子技术、灵活交流输电等研究。|付珊珊(1986—),女,高级工程师,博士,主要从事锂电池管理系统、电池检测、电力储能等研究。
基金资助:
国家电网公司科技项目(5442DG190013)

Research on SOC Estimation of Lithium Battery Based on GRA-MEA-BP Algorithm

XU Shouping¹^,², HU Juan¹^,², FU Shanshan¹, CHEN Juan¹

1. China Electric Power Research Institute, Beijing 100192, China
2. State Key Laboratory of Operation and Control of Renewable Energy & Storage Systems, Beijing 100192, China

Received:2022-12-22 Online:2023-09-30 Published:2023-11-23

摘要/Abstract

摘要：

针对锂电池荷电状态(SOC)的非线性特性,提出GRA-MEA-BP神经网络算法,用于锂电池运行的实时SOC估计。所提方法通过灰度关联分析(GRA)筛选SOC估计的主要影响因子,将得到主要影响因子作为输入,当前时刻的SOC作为输出,训练MEA-BP神经网络。最后,以实际使用的锂电池作为对象,对所提出的方法进行数据训练和验证。结果表明了所提方法的准确性。

关键词: 锂电池, 荷电状态, 神经网络, 灰度关联分析

Abstract:

In view of the nonlinear characteristics of lithium battery state of charge (SOC),the grey relational analysis,mind evolutionary algorithm,back propagation (GRA-MEA-BP) neural network algorithm is proposed,which is used for the SOC estimation of lithium battery at the current moment.Several main impact factors of SOC estimation is selected by GRA.The MEA-BP neural network is trained by taking the main influencing factors as inputs and the current SOC as output.Finally,taking the actual lithium battery as the object the proposed method is trained and verified by real data.The verification results indicate the accuracy of the proposed method.

Key words: lithium battery, state of charge, neural network, gray correlation analysis

中图分类号:

TM912

许守平, 胡娟, 付珊珊, 陈娟. 基于GRA-MEA-BP算法的锂电池SOC估计方法研究[J]. 电器与能效管理技术, 2023, 0(9): 55-61.

XU Shouping, HU Juan, FU Shanshan, CHEN Juan. Research on SOC Estimation of Lithium Battery Based on GRA-MEA-BP Algorithm[J]. LOW VOLTAGE APPARATUS, 2023, 0(9): 55-61.

图/表 13

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

表1

图12

参考文献 24

[1]	李建林, 王哲, 许德智, 等. 基于数据驱动法的锂离子电池寿命预测关键技术综述[J]. 电器与能效管理技术, 2021(9):10-18.
[2]	李建林, 崔宜琳, 王含, 等. 十四五储能典型政策解析[J]. 电器与能效管理技术, 2020(10):1-6.
[3]	靳文涛, 李煜阳, 贾学翠, 等. 储能电站电池一致性综合评估方法研究[J]. 电器与能效管理技术, 2022(5):23-28.
[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.
[5]	高建树, 尤修民, 郑娇. 人工神经网络和安时法电池SOC估计[J]. 电源技术, 2016, 40(9):1842-1844.
[6]	许守平, 侯朝勇, 胡娟, 等. 利用信息融合技术的储能锂离子电池组SOC估算[J]. 电网技术, 2016, 40(6):1724-1729.
[7]	刘伟龙, 王丽芳, 廖承林, 等. 基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计[J]. 汽车工程, 2017, 39(9):997-1003.
[8]	房德君. 基于双卡尔曼滤波的锂电池荷电状态的估计[J]. 科学技术与工程, 2017, 17(10):299-303.
[9]	赵亚妮. 基于强跟踪卡尔曼滤波的电池SOC估计[J]. 沈阳工业大学学报, 2018, 40(2):192-197. doi: 10.7688/j.issn.1000-1646.2018.02.13
[10]	彭香园, 唐传雨, 孙金磊, 等. 基于扩展卡尔曼滤波及容量校准的锂电池SOC估计方法研究[J]. 电器与能效管理技术, 2020(5):51-56.
[11]	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.
[12]	谈发明, 李秋烨, 赵俊杰, 等. 基于强跟踪DEKF算法的动力电池SOC估计模型[J]. 电力电子技术, 2019, 53(11):61-65.
[13]	LIU F, MA J, SU W W, et al. Estimation of power battery SOC of electric vehicles and plug-in hybrid electric vehicles based on data-driven EKF algorithm[J]. Journal of Central South University, 2019, 26(6):1402-1415. doi: 10.1007/s11771-019-4096-5
[14]	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.
[15]	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]. 电工技术学报, 2020, 35(4):698-707.
[16]	蔡亦山, 杨林, 邓忠伟, 等. 基于自适应两步滤波的电池SOC估计算法[J]. 电源技术, 2019, 43(6):1022-1026.
[17]	安昌祖, 张蕊萍, 张小周, 等. 基于模糊无迹卡尔曼滤波算法的锂电池SOC估计[J]. 电源技术, 2020, 44(3):333-336.
[18]	李超然, 肖飞, 樊亚翔, 等. 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方法的锂离子电池荷电状态估算方法[J]. 电工技术学报, 2020, 35(9):2051-2062.
[19]	范兴明, 王超, 张鑫, 等. 基于增量学习相关向量机的锂离子电池SOC预测方法[J]. 电工技术学报, 2019, 34(13):2700-2708.
[20]	WANHG H L, ZHOU G B. State of charge prediction of supercapacitors via combination of Kalman filtering and backpropagation neural network[J]. IET Electric Power Applications, 2018, 12(4):588-594. doi: 10.1049/elp2.v12.4
[21]	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.
[22]	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.
[23]	孙威, 修晓青, 肖海伟, 等. 基于MEA-BP神经网络的电池储能系统SOC状态评估[J]. 电器与能效管理技术, 2018(1):51-54.
[24]	GUO N, FANG Y, TIAN Z, et al. Research on SOC fuzzy weighted algorithm based on GA-BP neural network and ampere integral method[J]. The Journal of Engineering, 2019, 2019(15):576-580. doi: 10.1049/tje2.v2019.15

工作状态	充放电倍率/C	GRA-MEA-BP算法 SOC估计误差/%	MEA-BP算法 SOC估计误差/%
充电状态	0.2	0.515	1.001
放电状态	0.2	0.631	1.115

基于GRA-MEA-BP算法的锂电池SOC估计方法研究

Research on SOC Estimation of Lithium Battery Based on GRA-MEA-BP Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李堂, 黄康, 毛行奎, 张哲. 基于EKF算法的动力锂离子电池SOC估计[J]. 电器与能效管理技术, 2023, 0(9): 62-68.
[2]	程俊涵, 王书礼, 蔡志远. 基于AE-LSTM的锂电池剩余使用寿命预测[J]. 电器与能效管理技术, 2023, 0(9): 69-75.
[3]	曾其权, 张淑兴. 磷酸铁锂电池老化研究探讨[J]. 电器与能效管理技术, 2023, 0(5): 65-71.
[4]	赵泽昆. 基于台区10 kV配线负荷的组合预测方法及应用[J]. 电器与能效管理技术, 2023, 0(3): 40-45.
[5]	周星雨, 吴桂初, 吴自然, 李泉坊. 基于多层全连接神经网络的漏电流容性分量补偿方法研究[J]. 电器与能效管理技术, 2023, 0(3): 54-61.
[6]	徐卫东, 何文志, 廖肇毅, 刘勤锋. 基于神经网络算法的开关柜温荷研究与应用[J]. 电器与能效管理技术, 2023, 0(3): 62-68.
[7]	牛高远, 孟凡提, 陈天锦, 刘苗苗, 边慧萍, 贾甜. 计及天气因素影响的V2G有序充放电控制策略研究[J]. 电器与能效管理技术, 2022, 0(9): 51-57.
[8]	黄晨宏, 李昆鹏, 郑真, 马小丽, 颜华敏, 田书欣. 基于二次混合模态分解和LSTM-MFO算法的短期负荷预测[J]. 电器与能效管理技术, 2022, 0(9): 66-73.
[9]	钟宏宇. 基于灰色新陈代谢和神经网络的中期风力发电容量预测[J]. 电器与能效管理技术, 2022, 0(9): 80-84.
[10]	许欣, 张颖. 基于边缘计算和小波神经网络的配电网故障定位研究[J]. 电器与能效管理技术, 2022, 0(8): 33-38.
[11]	曹斌, 饶成诚, 罗威, 刘宇翔. 基于磷酸铁锂电池的站用直流备电系统工程设计研究[J]. 电器与能效管理技术, 2022, 0(5): 17-22.
[12]	田艳丰, 王顺, 王哲, 刘洋, 邢作霞. 基于粒子群算法改进极限学习机的风电功率短期预测[J]. 电器与能效管理技术, 2022, 0(3): 39-44.
[13]	吴炬卓, 陈书原, 牛海清, 陆小鹏. 混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用[J]. 电器与能效管理技术, 2022, 0(2): 68-73.
[14]	孙天龙. 基于卷积神经网络与特高频技术的局部放电模式识别研究[J]. 电器与能效管理技术, 2022, 0(10): 32-37.
[15]	张小飞, 张道银, 郑珞琳, 陈德成, 付蓉. 基于机器学习算法的电力信息网络安全态势感知研究[J]. 电器与能效管理技术, 2021, 0(8): 16-23.