基于IACO-PF的锂电池SOC估算

doi:10.19799/j.cnki.2095-4239.2020.0421

储能科学与技术 ›› 2021, Vol. 10 ›› Issue (3): 1145-1152.doi: 10.19799/j.cnki.2095-4239.2020.0421

基于IACO-PF的锂电池SOC估算

单成鑫¹(), 李立伟²(), 杨玉新³

^1.青岛大学电气工程学院
^2.青岛大学威海创新研究院
^3.青岛大学图书馆，山东青岛 266071

收稿日期:2020-12-30 修回日期:2021-02-10 出版日期:2021-05-05 发布日期:2021-04-30
通讯作者: 李立伟 E-mail:329587006@qq.com;ytllw@163.com
作者简介:单成鑫（1998—），男，硕士研究生，研究方向为新能源汽车电控系统开发，E-mail：329587006@qq.com；
基金资助:
山东省自然科学基金项目(Y2008F23);山东省科技发展计划项目(2011GGB01123);山东省重点研发计划项目(2017GGX50114)

SOC of estimation of lithium battery based on IACO-PF

Chengxin SHAN¹(), Liwei LI²(), Yuxin YANG³

^1.School of Electrical Engineering of Qingdao University
^2.Weihai Innovation Institute of Qingdao University
^3.Library of Qingdao University, Qingdao 266071, Shandong, China

Received:2020-12-30 Revised:2021-02-10 Online:2021-05-05 Published:2021-04-30
Contact: Liwei LI E-mail:329587006@qq.com;ytllw@163.com

摘要/Abstract

摘要：

本工作提出一种改进蚁群算法(IACO)优化粒子滤波(PF)来进行电池荷电状态(SOC)的估计，用来解决传统粒子滤波算法SOC估算时产生的粒子贫化问题。蚂蚁将替代粒子，在更新步骤前重新定位，通过提高粒子的多样性来解决粒子贫化问题；结合二阶Thevenin电池等效模型，得到算法所需的状态和观测方程，再根据脉冲放电试验进行参数辨识；采用IACO-PF算法和PF算法分别在脉冲放电和DST工况试验下进行SOC估算。试验结果表明，基于IACO-PF算法的锂电池SOC估算结果相比于传统PF算法更具有效性和准确性。

关键词: 锂电池, 荷电状态, 蚁群算法, 粒子滤波

Abstract:

An improved ant colony optimization algorithm (IACO)-optimized particle filter (PF) is proposed for battery state of charge (SOC) estimation, and it is used to solve the particle depletion problem caused by the traditional particle filter algorithm SOC estimation. The ants replace the particles and reposition them before the update step to solve the particle depletion problem by increasing the diversity of the particles. Combined with the second-order Thevenin battery equivalent model, the state and observation equations required by the algorithm are obtained, and parameter identification is then performed in accordance with the pulse discharge experiment. The IACO-PF and PF algorithms are used to estimate the SOC under pulse discharge and DST operating conditions. The experimental results show that the lithium battery SOC estimation result based on the IACO-PF algorithm is more effective and accurate than the traditional PF algorithm.

Key words: lithium battery, state of charge, ant colony optimization, particle filter

中图分类号:

TM 912

单成鑫, 李立伟, 杨玉新. 基于IACO-PF的锂电池SOC估算[J]. 储能科学与技术, 2021, 10(3): 1145-1152.

Chengxin SHAN, Liwei LI, Yuxin YANG. SOC of estimation of lithium battery based on IACO-PF[J]. Energy Storage Science and Technology, 2021, 10(3): 1145-1152.

图/表 11

表1

图1

图2

表2

图3

图4

表3

图5

图6

图7

表4

参考文献 17

1	明彤彤, 王凯, 田冬冬, 等. 基于LSTM神经网络的锂离子电池荷电状态估算[J]. 广东电力, 2020, 33(3): 26-33.MING T T, WANG K, TIAN D D, etal. Estimation on state of charge of lithium battery based on LSTM neural network[J]. Guangdong Electric Power, 2020, 33(3): 26-33.
2	张明军. 电池管理系统研究[J]. 通信电源技术, 2020, 37(1): 103-104.ZHANG M J. Research on battery management system[J]. Telecom Power Technology, 2020, 37(1): 103-104.
3	张博远, 罗羽, 杨玉新, 等. 基于扩展卡尔曼滤波德尔SOC估算与仿真[J]. 舰船电子工程, 2020, 40(1): 99-102.ZHANG B Y, LUO Y, YANG Y X, et al. Estimation and SOC simulation based on extended Kalman filter[J]. Ship Electronic Engineering, 2020, 40(1): 99-102.
4	张易航, 王鼎, 肖围, 等. 锂离子电池SOC估算方法概况及难点分析[J]. 电源技术, 2019, 43(11): 1894-1896.ZHANG Y H, WANG D, XIAO W, et al. Review of SOC estimation and difficulties in Li-ion battery[J]. Chinese Journal of Power Sources, 2019, 43(11): 1894-1896.
5	贾海峰, 李聪. 基于BP神经网络的锂电池组SOC估算[J]. 农业装备与车辆工程, 2020, 58(1): 105-107.JIA H F, LI C. SOC estimation of lithium battery pack based on BP neural network[J]. Agricultural Equipment and Vehicle Engineering, 2020, 58(1): 105-107.
6	李伟, 刘伟嵬, 邓业林. 基于扩展卡尔曼滤波的锂离子电池荷电状态估计[J]. 中国机械工程, 2020, 31(3): 321-327.LI W, LIU W W, DENG Y L. SOC estimation for lithium-ion batteries based on EKF[J]. China Mechanical Engineering, 2020, 31(3): 321-327.
7	汪永志, 贝绍轶, 汪伟, 等. 基于粒子滤波算法的动力电池SOC估计[J]. 机械设计与制造工程, 2014, 43(10): 69-73.WANG Y Z, BEI S Y, WANG W, et al. Battery state of charge estimation based on particle filter algorithm[J]. Machine Design and Manufacturing Engineering, 2014, 43(10): 69-73.
8	高建树, 刘浩, 王明强, 等. 改进粒子滤波算法对电动汽车电池SOC的估计[J]. 机械科学与技术, 2017, 36(9): 1428-1433.GAO J S, LIU H, WANG M Q, et al. An improved particle filter algorithm for SOC estimation of electric vehicle battery[J]. Mechanical Science and Technology for Aerospace Engineering, 2017, 36(9): 1428-1433.
9	吴兰花, 杨秀芝, 郑明魁, 等. 一种基于优化粒子滤波的锂电池SOC估计算法[J]. 福州大学学报(自然科学版), 2018, 46(2): 186-191.WU L H, YANG X Z, ZHENG M K, et al. An improved particle filter algorithm for Li-ion batteries SOC estimation[J]. Journal of Fuzhou University (Natural Science Edition), 2018, 46(2): 186-191.
10	宫轶松, 归庆明, 孙付平, 等. 智能优化方法与粒子滤波技术融合的分析与展望[J]. 海洋测绘, 2009, 29(2): 74-77.GONG Y S, GUI Q M, SUN F P, etal. Survey and prospect of the fusion of intelligent computational approaches and particle filtering technique[J]. Hydrographic Surveying and Charting, 2009, 29(2): 74-77.
11	曹义亲, 钟涛, 黄晓生. 一种改进的基于蚁群优化的粒子滤波算法[J]. 计算机应用研究, 2013, 30(8): 2402-2404.CAO Y Q, ZHONG T, HUANG X S. Improved particle filter algorithm based on ant colony optimization[J]. Application Research of Computers, 2013, 30(8): 2402-2404.
12	夏飞, 王志成, 郝硕涛, 等. 基于卡尔曼粒子滤波算法的锂电池SOC估计[J]. 系统仿真学报, 2020, 32(1): 44-53.XIA F, WANG Z C, HAO S T, et al. State of charge estimation of the lithium-ion battery based on improved extended Kalman particle filter algorithm[J]. Journal of System Simulation, 2020, 32(1): 44-53.
13	赵又群, 周晓凤, 刘英杰. 基于扩展卡尔曼粒子滤波算法的锂电池SOC估计[J]. 中国机械工程, 2015, 26(3): 394-397.ZHAO Y Q, ZHOU X F, LIU Y J. SOC estimation for Li-ion battery based on extended Kalman particle filter[J]. China Mechanical Engineering, 2015, 26(3): 394-397.
14	刘泽, 金世俊, 王庆. 基于改进蚁群算法的移动机器人二维路径规划[J]. 传感器与微系统, 2020, 39(10): 149-152.LIU Z, JIN S J, WANG Q. 2D path planning of mobile robots based on improved ant colony algorithm[J]. Transducer and Microsystem Technologies, 2020, 39(10): 149-152.
15	WANG F S, LIN B W, LI X C. An ant particle filter for visual tracking[C]//2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS), Wuhan: IEEE, 2017.
16	ZHONG J P, FUNG Y F. Case study and proofs of ant colony optimisation improved particle filter algorithm[J]. IET Control Theory & Applications, 2012, 6(5): 689-697.
17	田冬冬, 李立伟, 杨玉新, 等. 基于IBA-PF的锂电池SOC估算[J]. 储能科学与技术, 2020, 9(5): 1585-1592.TIAN D D, LI L W, YANG Y X, et al. SOC of estimation of lithium battery based on IBA-PF[J]. Energy Storage Science and Technology, 2020, 9(5): 1585-1592.

估算方法	优点	缺点
安时积分法	方法简单，易于实现	估计误差随时间累积，估算结果受影响
开路电压法	方法简单，易于实现	耗时长，很难应用于在线估计
神经网络法	对电池模型依赖度低	需要大量训练数据，算法复杂，计算机成本高
卡尔曼滤波法	精度高，适用于SOC估计	对电池模型依赖度高
粒子滤波法	估算精度高，适用于非线性非高斯系统	粒子数目过多时，计算量大，不易实现

SOC	R₀	R₁	C₁	R₂	C₂
0.9	0.0169	0.0224	716.80	0.0439	3847.9
0.8	0.0183	0.0210	718.61	0.0514	3411.1
0.7	0.0196	0.0192	684.71	0.0669	2789.1
0.6	0.0228	0.0090	2597.9	0.0679	1772.5
0.5	0.0223	0.0229	803.45	0.0763	2651.4
0.4	0.0264	0.0202	1226.3	0.0851	1683.6
0.3	0.0251	0.0254	1006.9	0.0497	3030.4
0.2	0.0270	0.0200	1134.2	0.0611	2701.5
0.1	0.0294	0.0159	1574.1	0.0885	1756.4

算法	均方根误差	最大绝对误差
PF算法	0.9394	2.1795
IACO-PF算法	0.2969	0.6750

算法	均方根误差	最大绝对误差
PF算法	1.2429	2.5138
IACO-PF算法	0.5220	1.1405

[1]	时雨, 张忠, 杨晶莹, 钱薇, 李昊, 赵祥, 杨欣桐. 储能电池系统提供AGC调频的机会成本建模与市场策略[J]. 储能科学与技术, 2022, 11(7): 2366-2373.
[2]	元佳宇, 李昕光, 王文超, 付程阔. 考虑质量流量的电池组蛇形冷却结构仿真[J]. 储能科学与技术, 2022, 11(7): 2274-2281.
[3]	黄鹏, 聂枝根, 陈峥, 舒星, 沈世全, 杨继鹏, 申江卫. 基于优化Elman神经网络的锂电池容量预测[J]. 储能科学与技术, 2022, 11(7): 2282-2294.
[4]	张肖洒, 王宏源, 李振彪, 夏志美. 废旧磷酸铁锂电池电极材料的硫酸化焙烧-水浸新工艺[J]. 储能科学与技术, 2022, 11(7): 2066-2074.
[5]	吴田, 林闽城, 海浩, 孙海渔, 温兆银, 马福元. 面向一次调频的镍氢电池系统开发[J]. 储能科学与技术, 2022, 11(7): 2213-2221.
[6]	申晓宇, 岑官骏, 乔荣涵, 朱璟, 季洪祥, 田孟羽, 金周, 闫勇, 武怿达, 詹元杰, 俞海龙, 贲留斌, 刘燕燕, 黄学杰. 锂电池百篇论文点评（2022.4.1—2022.5.31）[J]. 储能科学与技术, 2022, 11(7): 2007-2022.
[7]	周伟东, 黄秋, 谢晓新, 陈科君, 李薇, 邱介山. 固态锂电池聚合物电解质研究进展[J]. 储能科学与技术, 2022, 11(6): 1788-1805.
[8]	乔荣涵, 岑官骏, 申晓宇, 田孟羽, 季洪祥, 田丰, 起文斌, 金周, 武怿达, 詹元杰, 闫勇, 贲留斌, 俞海龙, 刘燕燕, 黄学杰. 锂电池百篇论文点评（2022.2.1—2022.3.31）[J]. 储能科学与技术, 2022, 11(5): 1289-1304.
[9]	袁建华, 刘雅萍, 赵子玮, 刘宇, 谢斌斌, 何宝林. 基于IGWO-PF算法的无人机锂电池SOC估计[J]. 储能科学与技术, 2022, 11(5): 1601-1607.
[10]	汪红辉, 吴泽钦, 储德韧. 轻度过放模式下钛酸锂电池性能及热安全性[J]. 储能科学与技术, 2022, 11(5): 1305-1313.
[11]	田峰, 程志江, 杨涵棣, 杨天翔. 模块化多电平复合变换器电池储能系统容错控制策略[J]. 储能科学与技术, 2022, 11(5): 1583-1591.
[12]	王苏杭, 李建林, 李雅欣, 熊俊杰, 曾伟. 锂离子电池系统低温充电策略[J]. 储能科学与技术, 2022, 11(5): 1537-1542.
[13]	郑征, 王肖帅, 李斌, 黄涛, 李佩柯. 基于三绕组变压器的锂电池组自适应交错控制均衡方案[J]. 储能科学与技术, 2022, 11(4): 1131-1140.
[14]	王星星, 宋子钰, 吴浩, 冯文芳, 周志彬, 张恒. 固态聚合物电解质导电锂盐的研究进展[J]. 储能科学与技术, 2022, 11(4): 1226-1235.
[15]	岑官骏, 朱璟, 乔荣涵, 申晓宇, 季洪祥, 田孟羽, 田丰, 金周, 闫勇, 武怿达, 詹元杰, 俞海龙, 贲留斌, 刘燕燕, 黄学杰. 锂电池百篇论文点评（2021.12.1—2022.1.31）[J]. 储能科学与技术, 2022, 11(3): 1077-1092.

基于IACO-PF的锂电池SOC估算

SOC of estimation of lithium battery based on IACO-PF

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价