基于反馈最小二乘支持向量机锂离子状态估计

doi:10.19799/j.cnki.2095-4239.2019.0268

摘要/Abstract

摘要：

锂离子电池荷电状态(SOC)的准确估计，直接影响电动汽车的安全运行，也是电池管理系统（BMS）重要的参数之一。然而在SOC估计过程中，会受到如测量设备的精度、荷载等因素的干扰。为了提高SOC的估计精度，本工作提出了一种新的基于最小二乘支持向量机（LSSVM）机器学习的锂离子电池SOC估计模型。将测量的锂离子电池的电流、电压和温度作为模型的输入向量，SOC作为模型的输出向量，来训练LSSSVM模型。不同的是，为提高SOC的估计精度，将上一时刻估计的SOC值作为反馈向量，加入到输入向量中，用来估计当前时刻的SOC。通过实验工况采集的数据，并与传统的LSSVM、支持向量机（SVM）、神经网络（NN）比较，实验结果表明，该模型可以提高SOC的估计精度，估计误差可以控制在2%以内，验证了该模型的有效性。

关键词: 锂离子电池, SOC, 最小二乘支持向量机（LSSVM）

Abstract:

To ensure the safe operation of electric vehicles, the accurate estimation of the state of charge (SOC) of the lithium-ion battery installed in the vehicle is required. SOC is also an important parameter of battery management systems. However, SOC estimation is influenced by the accuracy of the measuring equipment, applied load, and various other factors. Accordingly, to improve the accuracy of SOC estimation, this study proposes a new SOC estimation model for lithium-ion batteries based on least-squares support vector machine (LSSVM) machine learning. The LSSVM model is trained on the measured current, voltage, and temperature of the lithium ion battery, which are input in vector form, and outputs the SOC vector. To improve the accuracy of SOC estimation, the SOC value estimated at the previous time is added as a feedback vector to the input vector before estimating the SOC at the current time. In an experimental evaluation, the proposed method achieved higher SOC estimation accuracy than the LSSVM, SVM, and neural network models. Moreover, the estimation error was controlled within 1%, establishing the validity of the model.

Key words: lithium-ion battery, SOC, least squares support vector machine (LSSVM)

中图分类号:

TM 911

李嘉波, 李忠玉, 焦生杰, 叶敏, 徐信芯. 基于反馈最小二乘支持向量机锂离子状态估计[J]. 储能科学与技术, 2020, 9(3): 951-957.

LI Jiabo, LI Zhongyu, JIAO Shengjie, YE Min, XU Xinxin. Lithium-ion state estimation based on feedback least square support vector machine[J]. Energy Storage Science and Technology, 2020, 9(3): 951-957.

图/表 16

图1

图2

表1

基于反馈循环的LSSVM框架的SOC估计算法"

SOC估计算法流程
训练部分 Step1. 在电池的实验工况中，采集相应的数据：电压V、I、T和SOC； Step2. 选取训练集D=(x，y)，其中X是表示当前时刻的电压V(k)、电流I(k)、温度T(k)以及上一时刻的SOC(k)，y是当前时刻SOC(k)；
Step 3. 按照式(12)将所选的数据进行归一化处理； Step 4. 初始化LSSVM模型的两个参数：正则化系数C和核参数σ，分别设置两个参数的范围[0.001,1000]和[0.001,1000]
Step 5. 利用10-折交叉验证法得到模型的最优超参数。
验证部分
Step 6. 选取验证集x，x表示当前时刻的电压V(k)、电流I(k)、温度T(k)以及上一时刻估计的SOC(k-1)，y表示估计的SOC(k) $y = ∑ i = 1 ∞ α i * K x * + b$

表1

表2

图3

图4

图5

图6

图7

图8

图9

图10

图11

表3

图12

图13

参考文献 13

1	KLASS V , BEHM M , LINDBERGH G . A support vector machine-based state-of-health estimation method for lithium-ion batteries under electric vehicle operation[J]. Journal of Power Sources, 2014, 270: 262-272.
2	WU J , ZHANG C , CHEN Z . An online method for lithium-ion battery remaining useful life estimation using importance sampling and neural networks[J]. Applied Energy, 2016, 173: 134-140.
3	WANG Y , ZHANG C , CHEN Z . An adaptive remaining energy prediction approach for lithium-ion batteries in electric vehicles[J]. Journal of Power Sources, 2016, 305: 80-88.
4	WANG Y J , ZHANG C B , CHEN Z H . On-line battery state-of-charge estimation based on an integrated estimator[J]. Appl. Energy, 2017, 185: 2026-2032.
5	LI Z , HUANG J , LIAW B Y , et al . On state-of-charge determination for lithium-ion batteries[J]. Journal of Power Sources, 2017, 348: 281-301.
6	陈德海, 华铭, 徐王娟, 等 . 优化安时积分法实时预测电动自行车电池SOC[J]. 电池, 2019, 49(1): 41-45.
	CHEN Dehai , HUA MING , XU Wangjuan , et al . Real time prediction of SOC of E-bike battery by optimization of amperintegral method[J]. Battery Bimonthly, 2019, 49(1): 41-45.
7	孙艳艳, 周雪松, 游祥龙, 等 . 基于开路电压法的电池荷电状态估算修正[J]. 内燃机与配件, 2019(19): 225-226.
	SUN Yanyan , ZHOU Xuesong , YOU Xianglong , et al . Estimation and correction of battery state of charge based on open circuit voltage method[J]. Internal Combustion Engine & Parts, 2019(19): 225-226.
8	徐劲力, 马国庆 . 基于UKF的在线锂离子电池SOC估算研究[J]. 电源技术, 2019, 43(10): 1615-1618+1644.
	XU Jinli , MA Guoqing . SOC estimation of on-line Li-ion battery based on UKF[J]. Chinese Journal of Power Sources, 2019, 43(10): 1615-1618+1644.
9	姚和友, 张庭芳, 黄菊花, 等 . 改进的动量项BP神经网络电池SOC估算[J]. 电池, 2019, 49(4): 308-311.
	YAO Heyou , ZHANG Tingfang , HUANG Juhua , et al . SOC estimation of battery based on improved momentum BP neural network[J]. Battery Bimonthly, 2019, 49(4): 308-311.
10	张佳倩, 刘志虎 . 基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计[J]. 工业控制计算机, 2019, 32(9): 153-156.
	ZHANG Jiaqian , LIU Zhihu . State of charge estimation of lithium battery based on model parameter identification and extended Kalman filter[J]. Industrial Control Computer, 2019, 32(9):153-156.
11	安治国, 田茂飞, 赵琳, 等 . 基于自适应无迹卡尔曼滤波的锂电池SOC估计[J]. 储能科学与技术, 2019, 8(5): 856-861.
	AN Zhiguo , TIAN Maofei , ZHAO Lin , et al . SOC estimation of lithium battery based on adaptive traceless Kalman filter[J]. Energy Storage Science and Technology, 2019, 8(5): 856-861.
12	王震, 陆金桂 . 改进的ACO-BP神经网络在锂离子电池SOC估算中的应用[J]. 轻工学报, 2019, 34(4): 81-86.
	WANG Zhen , LU Jingui . Estimation of SOC of lithium-ion battery based on ACO-BP neural network[J]. Journal of Light Industry, 2019, 34(4): 81-86.
13	朱江, 张伟, 马嵩 . 基于在线支持向量回归的锂离子电池SOC估计[J]. 电源技术, 2019, 43(10): 1611-1614.
	ZHU Jiang , ZHANG Wei , MA Song . SOC estimation of Li-ion battery based on online support vector regression[J]. Chinese Journal of Power Sources, 2019, 43(10): 1611-1614.

方法	RMSE	MAE
反馈循环LSSVM	0.48%	1.35%
LSSVM	3.18%	17.57%
SVM	4.62%	36.61%
NN	11.22%	37.05%

[1]	李海涛, 孔令丽, 张欣, 余传军, 王纪威, 徐琳. N/P设计对高镍NCM/Gr电芯性能的影响[J]. 储能科学与技术, 2022, 11(7): 2040-2045.
[2]	陈龙, 夏权, 任羿, 曹高萍, 邱景义, 张浩. 多物理场耦合下锂离子电池组可靠性研究现状与展望[J]. 储能科学与技术, 2022, 11(7): 2316-2323.
[3]	易顺民, 谢林柏, 彭力. 基于VF-DW-DFN的锂离子电池剩余寿命预测[J]. 储能科学与技术, 2022, 11(7): 2305-2315.
[4]	祝庆伟, 俞小莉, 吴启超, 徐一丹, 陈芬放, 黄瑞. 高能量密度锂离子电池老化半经验模型[J]. 储能科学与技术, 2022, 11(7): 2324-2331.
[5]	王宇作, 王瑨, 卢颖莉, 阮殿波. 孔结构对软碳负极储锂性能的影响[J]. 储能科学与技术, 2022, 11(7): 2023-2029.
[6]	刘显茜, 孙安梁, 田川. 基于仿生翅脉流道冷板的锂离子电池组液冷散热[J]. 储能科学与技术, 2022, 11(7): 2266-2273.
[7]	孔为, 金劲涛, 陆西坡, 孙洋. 对称蛇形流道锂离子电池冷却性能[J]. 储能科学与技术, 2022, 11(7): 2258-2265.
[8]	霍思达, 薛文东, 李新丽, 李勇. 基于CiteSpace知识图谱的锂电池复合电解质可视化分析[J]. 储能科学与技术, 2022, 11(7): 2103-2113.
[9]	邓健想, 赵金良, 黄成德. 高能量锂离子电池硅基负极黏结剂研究进展[J]. 储能科学与技术, 2022, 11(7): 2092-2102.
[10]	欧宇, 侯文会, 刘凯. 锂离子电池中的智能安全电解液研究进展[J]. 储能科学与技术, 2022, 11(6): 1772-1787.
[11]	韩俊伟, 肖菁, 陶莹, 孔德斌, 吕伟, 杨全红. 致密储能：基于石墨烯的方法学和应用实例[J]. 储能科学与技术, 2022, 11(6): 1865-1873.
[12]	辛耀达, 李娜, 杨乐, 宋维力, 孙磊, 陈浩森, 方岱宁. 锂离子电池植入传感技术[J]. 储能科学与技术, 2022, 11(6): 1834-1846.
[13]	燕乔一, 吴锋, 陈人杰, 李丽. 锂离子电池负极石墨回收处理及资源循环[J]. 储能科学与技术, 2022, 11(6): 1760-1771.
[14]	沈秀, 曾月劲, 李睿洋, 李佳霖, 李伟, 张鹏, 赵金保. γ射线辐照交联原位固态化阻燃锂离子电池[J]. 储能科学与技术, 2022, 11(6): 1816-1821.
[15]	于春辉, 何姿颖, 张晨曦, 林贤清, 肖哲熙, 魏飞. 硅基负极与电解液化学反应的分析与抑制策略[J]. 储能科学与技术, 2022, 11(6): 1749-1759.