作者：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

作者单位：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

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

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%。

Online SOC estimation of energy storage lithium battery based on Vi-RNN algorithm
WEN Ruxin¹, LIU Huiying¹, LIANG Yanhe¹, WANG Jiangzhao², LIN Wenjuan¹, WANG Zongjing¹, LI Qi¹
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
2023, 49(5):117-122  收稿日期: 2021-10-28;收到修改稿日期: 2022-01-03
基金项目:
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
参考文献
[1] 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
[2] 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
[3] 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
[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] 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
[6] 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
[7] 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
[8] 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
[9] 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
[10] 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
[11] 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
[12] 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
[13] 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
[14] 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