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

doi:10.16628/j.cnki.2095-8188.2023.09.009

Abstract

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

CLC Number:

TM912

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.

Figures/Tables 13

References 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