李 寧 何復(fù)興 馬文濤 蔣 林 張小平

基于經(jīng)驗?zāi)B(tài)分解的門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估計

李 寧1何復(fù)興1馬文濤1蔣 林2張小平3

（1. 西安理工大學(xué)電氣工程學(xué)院 西安 710048 2. 利物浦大學(xué)電氣工程和電子系 利物浦 英國 L69 3GJ 3. 伯明翰大學(xué)電子、電氣和系統(tǒng)工程系 伯明翰 英國 B15 2TT）

鋰離子電池荷電狀態(tài)（SOC）估計技術(shù)是電動汽車電池監(jiān)測系統(tǒng)（BMS）設(shè)計的重要組成部分。該文提出一種基于經(jīng)驗?zāi)B(tài)分解（EMD）的門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估計方法，在GRU估計SOC的基礎(chǔ)上，引入EMD算法分解放電電流，不僅提高GRU模型對長時間電流信號保持長期信息的能力，而且提高鋰離子電池荷電狀態(tài)估計精度。仿真實驗表明，與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相比，該文所提基于EMD-GRU方法的鋰離子電池SOC估計平均絕對誤差為1.5093%，同比降低了20.7924%。

鋰離子電池 荷電狀態(tài)估計 門控循環(huán)單元 經(jīng)驗?zāi)B(tài)分解

0 引言

石油能源的枯竭推動了新能源電動汽車的蓬勃發(fā)展。2021年，百度、小米和華為也開始進軍電動汽車產(chǎn)業(yè)，鋰離子電池作為電動汽車動力電池的需求將會越來越大。然而安全性和續(xù)航里程問題制約了電動汽車的發(fā)展，許多車企研發(fā)了鋰離子電池管理系統(tǒng)（Battery Management System, BMS），以檢測電池溫度并保護汽車安全穩(wěn)定運行[1]。

鋰離子電池荷電狀態(tài)（State of Charge, SOC）的準(zhǔn)確評估和預(yù)測是BMS的關(guān)鍵功能之一。一般來說，SOC定義為剩余容量與當(dāng)前最大可用容量的百分比，主要為BMS系統(tǒng)提供充放電測量參考，防止電池過充和過放[2]。由于單體電池的制造工藝和使用環(huán)境不同，導(dǎo)致電池性能存在差異，會影響到整個電池組的效率，因此BMS主要通過監(jiān)控每個單體電池SOC，合理地對每個單體電池充放電，補償電池之間的差異。然而，由于復(fù)雜多變的負(fù)載和環(huán)境，電池SOC往往不能通過直接測量其內(nèi)部狀態(tài)參數(shù)求得，需要采用外部參數(shù)構(gòu)建的模型對SOC進行估計，這種采用外部參數(shù)構(gòu)建的模型成為了SOC估計的研究熱點[3]。

現(xiàn)有的SOC估計方法主要有安時積分法[4]、開路電壓法[5]、內(nèi)阻法[6]、濾波法[7-9]和神經(jīng)網(wǎng)絡(luò)法[10-12]等。隨著計算機硬件及信息技術(shù)的發(fā)展，濾波法和神經(jīng)網(wǎng)絡(luò)法成為鋰離子電池的研究熱點。神經(jīng)網(wǎng)絡(luò)法相比于其他方法具有如下優(yōu)點：①電池測量數(shù)據(jù)直接映射到SOC值，而無需依賴運行參數(shù)的其他電池模型；②通過梯度下降算法學(xué)習(xí)權(quán)重和偏差，這與需要大量努力進行人工設(shè)計和參數(shù)化的數(shù)學(xué)模型大不相同；③具有一組網(wǎng)絡(luò)參數(shù)，可以在各種環(huán)境溫度下實現(xiàn)SOC估計，而其他傳統(tǒng)方法則需要針對不同的工作條件具有不同參數(shù)的模型。因此，本文采用基于神經(jīng)網(wǎng)絡(luò)法進行鋰離子電池SOC估計。

常見的應(yīng)用于SOC估計的神經(jīng)網(wǎng)絡(luò)法有支持向量機法和前饋式神經(jīng)網(wǎng)絡(luò)法[11-12]。但是，這兩種方法在SOC估計中也有一些缺陷：①輸入數(shù)據(jù)及特征需要人為進行設(shè)計和提取，花費大量的時間；②模型結(jié)構(gòu)采用淺層學(xué)習(xí)架構(gòu)，這些架構(gòu)的分析能力不足并且難以處理高維數(shù)據(jù)。

深度神經(jīng)網(wǎng)絡(luò)可用于解決上述問題，通過使用多次非線性變換構(gòu)建深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN），從輸入數(shù)據(jù)中分層提取復(fù)雜的特征信息。近年來，已經(jīng)提出了幾種基于DNN的SOC估計方法。文獻(xiàn)[13]使用多層感知器（Multi-Layered Perceptron, MLP）網(wǎng)絡(luò)構(gòu)造了SOC估計器，并使用不同環(huán)境溫度下測得的信號訓(xùn)練了該估計器。結(jié)果表明訓(xùn)練后的模型可以減小SOC的估計誤差。在這項研究的基礎(chǔ)上，考慮到長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）在時間序列數(shù)據(jù)中捕獲時間信息方面的優(yōu)勢，文獻(xiàn)[14-15]開發(fā)了一種基于LSTM的SOC估計器，以進一步提高估計精度，并取得了良好的效果。作為循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network, RNN）的另一個變體，門控循環(huán)單元（GatedRecurrent Unit, GRU）神經(jīng)網(wǎng)絡(luò)也已應(yīng)用于SOC估計。文獻(xiàn)[16-17]將GRU結(jié)構(gòu)引入RNN網(wǎng)絡(luò)，以提高鋰離子電池非線性行為的建模能力，并分別構(gòu)建了兩個使用電流和電壓信號作為輸入的模型來進行SOC估計。然而上述文獻(xiàn)未考慮變工況條件下的鋰離子電池SOC估計，并且在長時間序列信號下會降低SOC的估計精度。

為解決上述問題，本文首先對比分析了RNN、LSTM和GRU在鋰離子電池SOC估計中的應(yīng)用，證明GRU模型相比其他兩種方法更適用于SOC估計；其次研究了變溫度工況條件下GRU鋰離子電池SOC估計模型；最后提出一種EMD-GRU鋰離子電池SOC估計方法，將電流信號分為趨勢電流、周期電流和波動電流信號，提高了GRU面臨長時間序列信號的能力，進而提高鋰離子電池SOC估計精度。

1 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)缺乏使用歷史信息的能力，然而這些歷史信息在序列問題中顯得至關(guān)重要，例如短語或句子的翻譯，以及視頻輸入生成標(biāo)題等。此外，傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)無法處理具有可變輸入和輸出大小的時序信號。與前饋神經(jīng)網(wǎng)絡(luò)不同，門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)使用循環(huán)單元來存儲和處理歷史信息，能有效克服前饋神經(jīng)網(wǎng)絡(luò)缺記憶能力的問題[18]。

1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

RNN結(jié)構(gòu)如圖1所示，循環(huán)單元有一個反饋回路，隱藏狀態(tài)更新為

式中，xk為第k個輸入向量； F (·)為非線性函數(shù)。實際上，式（1）中的隱藏狀態(tài)的更新被實現(xiàn)為

式中，(·)為平滑有界的激活函數(shù)，例如Sigmoid函數(shù)或tanh函數(shù)；h為隱藏層和輸入層之間的權(quán)重矩陣；h為表示每個節(jié)點的偏移量的偏差參數(shù)。然后可以獲得相應(yīng)的輸出，即

時間步長的遞歸邊緣使RNN在處理諸如連接文字或語音識別的任務(wù)方面表現(xiàn)出色。然而當(dāng)序列變長時，會出現(xiàn)梯度消失或梯度爆炸的問題，難以訓(xùn)練RNN。為了解決這一問題，可以設(shè)計一種新的激活函數(shù)如LSTM和GRU[16-17,19]。GRU相比于LSTM參數(shù)和結(jié)構(gòu)更為簡單，在較小的數(shù)據(jù)集上性能優(yōu)于LSTM，因此本文采用GRU進行鋰離子電池SOC估計。

1.2 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

GRU先前的隱藏狀態(tài)-1和當(dāng)前輸入不會直接影響標(biāo)準(zhǔn)RNN中的當(dāng)前隱藏狀態(tài)。取而代之的是，GRU使用更新門來確定應(yīng)該傳遞多少過去的信息，并使用重置門來確定要丟棄多少信息。

如果數(shù)值接近于1，則當(dāng)前狀態(tài)更多地取決于候選狀態(tài)；而如果數(shù)值接近0，則當(dāng)前狀態(tài)更依賴先前狀態(tài)。直觀地，確定應(yīng)接受多少比例的候選狀態(tài)。

GRU的候選狀態(tài)計算為

式中，稱為重置門，由Sigmoid函數(shù)激活，即

與更新門類似，重置門可以限制先前的隱藏狀態(tài)對候選狀態(tài)的影響。

雖然標(biāo)準(zhǔn)RNN循環(huán)單元以指數(shù)移動平均方式更新，但GRU可以決定更新什么，重置什么。此外，如果門控因子接近1，隱藏單元的輸出會沿著擴展鏈流動很長的距離。同時，也可以大大避免梯度消失現(xiàn)象，因為誤差也可以反向傳播許多時間步驟。隨后，捕獲長期依賴關(guān)系成為可能。

標(biāo)準(zhǔn)RNN循環(huán)單元以指數(shù)移動平均方式進行更新，而GRU可以決定要更新的內(nèi)容和重置的內(nèi)容。此外，如果門控因子接近1，則隱藏的單元輸出將沿著擴展鏈流動很長的距離。同時，由于誤差還可以反向傳播許多時間步驟，因此也可以有效避免梯度消失現(xiàn)象。隨后，捕獲長期依賴性成為可能。

2 經(jīng)驗?zāi)B(tài)分解

傳統(tǒng)的GRU網(wǎng)絡(luò)進行鋰離子電池SOC估計時采用電流、電壓、溫度作為網(wǎng)絡(luò)輸入，SOC作為網(wǎng)絡(luò)輸出。然而在面臨較長時間序列時，會出現(xiàn)丟失部分中長期序列信息的情況，影響模型預(yù)測精度。因此本文為了提高GRU網(wǎng)絡(luò)面對較長時間序列時保存趨勢信號的能力，采用經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition, EMD）[20]算法進行電流信號的預(yù)處理。將電流信號分解為若干個電流子序列，提取出長時低頻電流信號，剔除了電流中的噪聲數(shù)據(jù)，并結(jié)合電壓和溫度組成網(wǎng)絡(luò)模型的輸入，提高GRU模型估計精度。

EMD是一種信號處理方法，主要應(yīng)用于非平穩(wěn)信號的預(yù)處理。該方法相比于小波分解，不需要提前設(shè)定任何基函數(shù)，具有自適應(yīng)特性。分解得到的子序列集被稱作固有模態(tài)函數(shù)（Intrinsic Mode Function, IMF）。

鋰離子電池實際運行中電壓和溫度變化相對緩慢，是一個平穩(wěn)信號，充電時電壓上升，放電時電壓下降，溫度在充放電過程都會上升。然而其電流隨著速度的變化而變化，是一個不平穩(wěn)信號，因此只需要對電流進行EMD分解。EMD分解的流程如圖3所示。

圖3 EMD算法流程

具體分解的步驟如下：

首先，確定原始電流時間序列()的所有極值點，采用三次樣條插值法進行上包絡(luò)線()和下包絡(luò)線()擬合。并計算出上下包絡(luò)線均值曲線10()，即

將10()從原始電流時間序列()移除，得到一個新的時間序列10()，即

判斷新的時間序列10()是否滿足IMF兩個基本條件，如果滿足，那么它就是所求的IMF分量；如果不滿足條件，重復(fù)以上步驟，將均值曲線1k()從1(k-1)()中移除，即

直到移除均值曲線后的分量1k()滿足IMF的基本條件，且滿足停止準(zhǔn)則

式中，為時間序列的長度；設(shè)置在0.2～0.3；為兩個連續(xù)篩選結(jié)果計算的標(biāo)準(zhǔn)偏差。那么1k()即為最小時間尺度的IMF分量，記為1()，即

將1()從原始時間序列()中去除，得到殘余序列1()，為

再把1()作為新的時間序列重復(fù)以上步驟，獲得新的IMF分量，直到殘余序列r()為恒定值或者單調(diào)函數(shù)時，分解結(jié)束。

綜上，原始時間序列()被分解成個IMF和一個殘余序列r()，可表示為

3 EMD-GRU的鋰離子電池SOC估計模型

基于前文對EMD和GRU算法的介紹，提出一種基于EMD-GRU鋰離子電池SOC估計方法，如圖4所示。該方法采用EMD算法對電池電流信號進行分解，把電流分解為若干個電流子序列，然后結(jié)合電池電壓和電池溫度波動作為GRU神經(jīng)網(wǎng)絡(luò)輸入，經(jīng)過全連接層網(wǎng)絡(luò)后，電池SOC作為輸出。已有的數(shù)據(jù)進行模型訓(xùn)練，得到模型參數(shù)，引入新的電流子序列、電壓和溫度作為網(wǎng)絡(luò)輸入，預(yù)測網(wǎng)絡(luò)的SOC。

圖4 EMD-GRU鋰離子電池SOC估計方法

EMD-GRU鋰離子電池SOC估計具體步驟如下：

（1）數(shù)據(jù)預(yù)處理。數(shù)據(jù)的準(zhǔn)確性決定著網(wǎng)絡(luò)模型的準(zhǔn)確性，收集電流、電壓、溫度=[IVT]和SOC數(shù)據(jù)y={SOC}，完成錯誤及缺失數(shù)據(jù)的修正，劃分訓(xùn)練集和測試集。

（2）經(jīng)驗?zāi)B(tài)分解。采用EMD將電流信號I分為子電流序列集合{1k,2k,…,I}?？紤]到分解后的電流序列數(shù)值單位相差較大，采用min-max歸一化電流子序列集，將數(shù)值縮放到0～1之間。

（3）GRU模型時序預(yù)測。采用訓(xùn)練集數(shù)據(jù)建立基于GRU的鋰離子電池SOC估計模型，通過設(shè)定網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，Adam作為網(wǎng)絡(luò)的訓(xùn)練優(yōu)化算法，ReLU作為網(wǎng)絡(luò)激活函數(shù)，方均誤差函數(shù)作為優(yōu)化目標(biāo)函數(shù)，進而訓(xùn)練得到最優(yōu)的SOC估計模型參數(shù)。

（4）模型評價。測試集作為GRU模型的輸入，得到估計的SOC值，進而通過預(yù)測值和實際值的誤差度量模型準(zhǔn)確性，選用平均絕對誤差（Mean Absolute Error, MAE）、方均誤差（Mean Square Error, MSE）、方均根誤差（Root Mean Square Error, RMSE）。計算公式分別為

4 仿真實驗結(jié)果

4.1 電池實驗和數(shù)據(jù)收集

電動汽車的實際行駛條件是復(fù)雜而不確定的。為了盡可能地模擬電動汽車的真實駕駛條件，訓(xùn)練數(shù)據(jù)需要推廣到其他駕駛條件。本文使用了來自美國馬里蘭大學(xué)高級生命周期工程中心（Center for Advanced Life Cycle Engineering, CALCE）的數(shù)據(jù)倉庫的公共數(shù)據(jù)集[21]。

實驗中，將A123型號的電池放置在溫度室中，進行充放電，A123型號電池詳細(xì)參數(shù)見表1，測量電流和測量電壓如圖5所示，圖5a、圖5c和圖5e為測量電流，圖5b、圖5d和圖5f為測量電壓。動態(tài)應(yīng)力測試（Dynamic Stress Test, DST）數(shù)據(jù)集（圖5a和圖5b）與聯(lián)邦城市駕駛工況（Federal Urban Driving Schedule, FUDS）數(shù)據(jù)集（圖5c和圖5d）和US06數(shù)據(jù)集（圖5e和圖5f）都有不同的測量結(jié)果，DST和FUDS與US06在放電電流和電壓上有明顯的差異。由于訓(xùn)練數(shù)據(jù)往往多于測試數(shù)據(jù)，因此本文以DST和FUDS數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，US06作為測試數(shù)據(jù)集，溫度為10℃、20℃、30℃和40℃。

表1 A123型號電池參數(shù)

Tab.1 Detailed parameters of A123 battery

圖5 測量電流和測量電壓波形

4.2 GRU模型鋰離子電池SOC估計結(jié)果

為了驗證GRU模型是否適用于鋰離子電池SOC估計，對比分析了RNN模型和LSTM模型仿真結(jié)果。網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)統(tǒng)一為表2給出的數(shù)據(jù)。首先需要確定迭代次數(shù)，本文采用常溫20℃下進行迭代次數(shù)的選擇，表3和圖6分別為三種循環(huán)神經(jīng)網(wǎng)絡(luò)鋰離子電池SOC估計迭代次數(shù)和誤差之間的關(guān)系。

表2 網(wǎng)絡(luò)模型結(jié)構(gòu)及參數(shù)

Tab.2 Network model structure and parameters

表3 迭代次數(shù)與誤差關(guān)系表

Tab.3 The relationship between the number of iterations and the error

圖6 迭代次數(shù)與誤差關(guān)系

從表3可以看出剛開始10次迭代階段，RNN的精度較高，LSTM和GRU相對誤差較大，這與網(wǎng)絡(luò)隨機初始化參數(shù)有關(guān)聯(lián)，RNN初始化的參數(shù)更加接近于最優(yōu)參數(shù)。當(dāng)?shù)螖?shù)達(dá)到20次，LSTM和GRU這兩個變種循環(huán)網(wǎng)絡(luò)的精度已經(jīng)高于傳統(tǒng)的RNN。RNN在迭代次數(shù)50附近達(dá)到最優(yōu)，然而隨著迭代次數(shù)增加，由于過擬合導(dǎo)致模型誤差升高，因此RNN模型實驗迭代次數(shù)不宜過多。LSTM和GRU隨著迭代次數(shù)的增加，誤差持續(xù)降低，然而所求誤差是訓(xùn)練誤差，不能反映實際測試誤差，當(dāng)訓(xùn)練誤差遠(yuǎn)遠(yuǎn)小于電池測試儀器的測試精度0.05%時，將會過度擬合電池測量儀器噪聲。

由圖6可以明顯地看出，三種算法迭代次數(shù)在50次時收斂在較高的精度；迭代的MSE關(guān)系為GRU＜LSTM＜RNN；迭代次數(shù)在100次時的誤差在0.05%附近，因此為了防止過擬合，本文后續(xù)實驗部分迭代次數(shù)固定為100。

表4為GRU模型鋰離子電池不同溫度下SOC估計誤差，MAE為1.905 5%，MSE為0.065 5%，RMSE為2.508 5%。MAE滿足在2%以內(nèi)，已經(jīng)滿足諸多SOC估計的需求。GRU模型鋰離子電池不同溫度SOC估計結(jié)果如圖7所示，其估計誤差值波動幅值較小，波動的頻率平緩，估計波動趨勢和圖5電流波動趨勢相近。

表4 GRU模型鋰離子電池不同溫度下SOC估計誤差

Tab.4 GRU model lithium-ion battery SOC estimation error at different temperatures

圖7 GRU模型鋰離子電池不同溫度SOC估計結(jié)果

4.3 EMD-GRU模型鋰離子電池SOC估計結(jié)果

由4.2節(jié)實驗可以得出，SOC估計趨勢和充放電電流信號是最為相關(guān)的。為了更深入地研究電流對SOC的影響，提高其估計精度，本文對充放電電流進行EMD分解，這里采用20℃數(shù)據(jù)。圖8所示為基于EMD算法分解鋰離子電池充放電電流過程圖，圖8a～圖8h分別代表第1～8個IMF分量。其中IMF1～I(xiàn)MF3頻率較高，表現(xiàn)出非常強的隨機性與波動性，因此可以體現(xiàn)電流的波動性；IMF4～I(xiàn)MF6隨機性降低，呈現(xiàn)出一定的周期性；IMF7和IMF8基本平穩(wěn)，故可體現(xiàn)電流的長期趨勢。圖9為EMD分解后鋰離子電池充放電電流殘差，可以看出殘差電流單位與正常電流信號差異已經(jīng)小于1%，因此可以不用作為GRU網(wǎng)絡(luò)的輸入。

圖8 EMD分解的鋰離子電池充放電電流

圖9 EMD分解的鋰離子電池充放電電流殘差

表5所示為EMD-GRU模型鋰離子電池SOC估計誤差，相比于RNN、LSTM和GRU在三種誤差指標(biāo)都有一定的提升。MAE為1.509 3%，同比于GRU模型誤差降低了20.792 4%；MSE為0.037 5%，同比于GRU模型誤差降低了42.813 5%；RMSE為1.930 3%，同比于GRU模型誤差降低了23.049 6%。為了驗證本文在不同溫度下EMD-GRU模型的有效性，EMD-GRU模型鋰離子電池不同溫度下SOC估計誤差見表6，可以看出所有溫度條件下的MAE均在1.7%以內(nèi)，滿足SOC估計的需求。

表5 EMD-GRU模型鋰離子電池SOC估計誤差

Tab.5 EMD-GRU model lithium-ion battery SOC estimation error

表6 EMD-GRU模型鋰離子電池不同溫度下SOC估計誤差

Tab.6 EMD-GRU model lithium-ion battery SOC estimation error at different temperatures

圖10為EMD-GRU模型鋰離子電池不同溫度SOC估計結(jié)果，可以得到不同時刻的SOC估計情況。當(dāng)SOC在50%時，圖形的斜率變緩，導(dǎo)致誤差增加，經(jīng)過分析得出，10℃溫度下這部分誤差主要是因為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之間差異較大，訓(xùn)練數(shù)據(jù)的放電電流時間積分與充電電流時間積分的差值要大于測試數(shù)據(jù)，當(dāng)滿足訓(xùn)練數(shù)據(jù)的模型參數(shù)應(yīng)用于測試數(shù)據(jù)時，導(dǎo)致在中間部分下降較為緩慢，符合實際理論。

5 結(jié)論

本文介紹了循環(huán)神經(jīng)網(wǎng)絡(luò)算法優(yōu)缺點，進而引入一種循環(huán)神經(jīng)網(wǎng)絡(luò)的變種GRU。為了提高GRU模型鋰離子電池SOC估計精度，提出用EMD算法分解電流，將電流分為若干個電流子序列，加上電壓和溫度信號作為GRU網(wǎng)絡(luò)輸入，SOC值作為GRU網(wǎng)絡(luò)輸出來訓(xùn)練網(wǎng)絡(luò)參數(shù)，提高了SOC的估計精度。在不同溫度和不同工況下仿真分析得出，GRU網(wǎng)絡(luò)的鋰離子電池SOC估計精度優(yōu)于RNN和LSTM，所提EMD-GRU在SOC估計中，MAE為1.509 3%，MSE為0.037 5%，RMSE為1.930 3%，均小于2%，驗證了本文方法的有效性。

本文方法是在不同溫度下進行SOC估計，在實際應(yīng)用場景中，電池的溫度是動態(tài)變化的，因此缺乏系統(tǒng)溫度變化和老化適應(yīng)性的討論，測量電流信號分解過程是經(jīng)驗過程，也不易于快速估計電池的SOC。

[1] 溫法政. 鋰離子動力電池高精度建模與多狀態(tài)智能估計[D]. 濟南: 山東大學(xué), 2020.

[2] 孫國強, 任佳琦, 成樂祥, 等. 基于分?jǐn)?shù)階阻抗模型的磷酸鐵鋰電池荷電狀態(tài)估計[J]. 電力系統(tǒng)自動化, 2018, 42(23): 57-63.

Sun Guoqiang, Ren Jiaqi, Cheng Lexiang, et al. State of charge estimation of LiFePO4battery based on fractional-order impedance model[J]. Automation of Electric Power Systems, 2018, 42(23): 57-63.

[3] 費亞龍, 謝長君, 湯澤波, 等. 基于平方根無跡卡爾曼濾波的鋰電池狀態(tài)估計[J]. 中國電機工程學(xué)報, 2017, 37(15): 4514-4520, 4593.

Fei Yalong, Xie Changjun, Tang Zebo, et al. State-of-charge estimation based on square root unscented Kalman filter algorithm for Li-ion batteries[J]. Proceedings of the CSEE, 2017, 37(15): 4514-4520, 4593.

[4] Chen Lin, Wang Zhengzheng, Lü Zhiqiang, et al. A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms[J]. IEEE Transactions on Power Electronics, 2018, 33(10): 8797-8807.

[5] Meng Jinhao, Stroe D I, Ricco M, et al. A simplified model-based state-of-charge estimation approach for lithium-ion battery with dynamic linear model[J]. IEEE Transactions on Industrial Electronics, 2019, 66(10): 7717-7727.

[6] 楊亞麗, 李匡成, 陳濤, 等. 采用電動勢-內(nèi)阻模型在線估計蓄電池荷電狀態(tài)[J]. 電測與儀表, 2010, 47(3): 16-19, 37.

Yang Yali, Li Kuangcheng, Chen Tao, et al. Introducing the model of electromotive force-impedance estimating the SOC of battery on line[J]. Electrical Measurement & Instrumentation, 2010, 47(3): 16-19, 37.

[7] 劉芳, 馬杰, 蘇衛(wèi)星, 等. 基于自適應(yīng)回歸擴展卡爾曼濾波的電動汽車動力電池全生命周期的荷電狀態(tài)估算方法[J]. 電工技術(shù)學(xué)報, 2020, 35(4): 698-707.

Liu Fang, Ma Jie, Su Weixing, et al. State of charge estimation method of electric vehicle power battery life cycle based on auto regression extended Kalman filter[J]. Transactions of China Electrotechnical Society, 2020, 35(4): 698-707.

[8] 王榘, 熊瑞, 穆浩. 溫度和老化意識融合驅(qū)動的電動車輛鋰離子動力電池電量和容量協(xié)同估計[J]. 電工技術(shù)學(xué)報, 2020, 35(23): 4980-4987.

Wang Ju, Xiong Rui, Mu Hao. Co-estimation of lithium-ion battery state-of-charge and capacity through the temperature and aging awareness model for electric vehicles[J]. Transactions of China Electrotechnical Society, 2020, 35(23): 4980-4987.

[9] 魏克新, 陳峭巖. 基于自適應(yīng)無跡卡爾曼濾波算法的鋰離子動力電池狀態(tài)估計[J]. 中國電機工程學(xué)報, 2014, 34(3): 445-452.

Wei Kexin, Chen Qiaoyan. States estimation of Li-ion power batteries based on adaptive unscented Kalman filters[J]. Proceedings of the CSEE, 2014, 34(3): 445-452.

[10] Ragone M, Yurkiv V, Ramasubramanian A, et al. Data driven estimation of electric vehicle battery state-of-charge informed by automotive simulations and multi-physics modeling[J]. Journal of Power Sources, 2021, 483: 229108.

[11] 劉興濤, 李坤, 武驥, 等. 基于EKF-SVM算法的動力電池SOC估計[J]. 汽車工程, 2020, 42(11): 1522-1528, 1544.

Liu Xingtao, Li Kun, Wu Ji, et al. State of charge estimation for traction battery based on EKF-SVM algorithm[J]. Automotive Engineering, 2020, 42(11): 1522-1528, 1544.

[12] 孔祥創(chuàng), 趙萬忠, 王春燕. 基于BP-EKF算法的鋰電池SOC聯(lián)合估計[J]. 汽車工程, 2017, 39(6): 648-652.

Kong Xiangchuang, Zhao Wanzhong, Wang Chunyan. Co-estimation of lithium battery SOC based on BP-EKF algorithm[J]. Automotive Engineering, 2017, 39(6): 648-652.

[13] Hu Xiaosong, Li Shengbo, Peng Huei, et al. Robustness analysis of state-of-charge estimation methods for two types of Li-ion batteries[J]. Journal of Power Sources, 2012, 217: 209-219.

[14] Tian Yong, Lai Rucong, Li Xiaoyu, et al. A combined method for state-of-charge estimation for lithium-ion batteries using a long short-term memory network and an adaptive cubature Kalman filter[J]. Applied Energy, 2020, 265: 114789.

[15] Yang Fangfang, Zhang Shaohui, Li Weihua, et al. State-of-charge estimation of lithium-ion batteries using LSTM and UKF[J]. Energy, 2020, 201: 117664.

[16] Yang Fangfang, Li Weihua, Li Chuan, et al. State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network[J]. Energy, 2019, 175: 66-75.

[17] 李超然, 肖飛, 樊亞翔, 等. 基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)和Huber-M估計魯棒卡爾曼濾波融合方法的鋰離子電池荷電狀態(tài)估算方法[J]. 電工技術(shù)學(xué)報, 2020, 35(9): 2051-2062.

Li Chaoran, Xiao Fei, Fan Yaxiang, et al. A hybrid approach to lithium-ion battery SOC estimation based on recurrent neural network with gated recurrent unit and Huber-M robust Kalman filter[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 2051-2062.

[18] 李超然, 肖飛, 樊亞翔, 等. 基于深度學(xué)習(xí)的鋰離子電池SOC和SOH聯(lián)合估算[J]. 中國電機工程學(xué)報, 2021, 41(2): 681-692.

Li Chaoran, Xiao Fei, Fan Yaxiang, et al. Joint estimation of the state of charge and the state of health based on deep learning for lithium-ion batteries[J]. Proceedings of the CSEE, 2021, 41(2): 681-692.

[19] 劉昊天, 王萍, 程澤. 一種編解碼器模型的鋰離子電池健康狀態(tài)估算[J]. 中國電機工程學(xué)報, 2021, 41(5): 1851-1860.

Liu Haotian, Wang Ping, Cheng Ze. A novel method based on encoder-decoder framework for Li-ion battery state of health estimation[J]. Proceedings of the CSEE, 2021, 41(5): 1851-1860.

[20] 金秀章, 劉岳, 于靜, 等. 基于變量選擇和EMD-LSTM網(wǎng)絡(luò)的出口SO2濃度預(yù)測[J]. 中國電機工程學(xué)報, 2021, 41(24): 8475-8484.

Jin Xiuzhang, Liu Yue, Yu Jing, et al. Prediction of outlet SO2concentration based on variable selection and EMD-LSTM network[J]. Proceedings of the CSEE, 2021, 41(24): 8475-8484.

[21] 龐輝, 郭龍, 武龍星, 等. 考慮環(huán)境溫度影響的鋰離子電池改進雙極化模型及其荷電狀態(tài)估算[J]. 電工技術(shù)學(xué)報, 2021, 36(10): 2178-2189.

Pang Hui, Guo Long, Wu Longxing, et al. An improved dual polarization model of Li-ion battery and its state of charge estimation considering ambient temperature[J]. Transactions of China Electrotechnical Society, 2021, 36(10): 2178-2189.

State-of-Charge Estimation of Lithium-Ion Battery Based on Gated Recurrent Unit Using Empirical Mode Decomposition

Li Ning1He Fuxing1Ma Wentao1Jiang Lin2Zhang Xiaoping3

（1. School of Electrical Engineering Xi'an University of Technology Xi’an 710048 China 2. Department of Electrical Engineering and Electronics University of Liverpool Liverpool L69 3GJ United Kingdom 3. Department of Electronics, Electrical and Systems Engineering University of Birmingham Birmingham B15 2TT United Kingdom）

State of charge (SOC) estimation technology of lithium-ion battery is an important part of the battery management system (BMS) design of electric vehicles. In this paper, an SOC estimation method for lithium-ion batteries based on gated recurrent unit (GRU) using empirical mode decomposition (EMD) is proposed. The EMD algorithm is introduced to decompose the discharge current, based on the GRU estimation of the SOC, which not only improves the ability of the GRU model to maintain long-term information for long-term current signals, but also betters the accuracy of SOC estimation of lithium-ion battery. Simulation experiments show that, compared with the traditional recurrent neural network and long-term and short-term memory network, the EMD-GRU method proposed in this paper displays the average absolute error of the lithium-ion battery SOC estimation is 1.509 3%, a year-on-year decrease of 20.792 4%.

Lithium-ion battery, state-of-charge estimation, gated recurrent unit, empirical mode decomposition

10.19595/j.cnki.1000-6753.tces.211069

TM912

國家自然科學(xué)基金（51507140）、國家留學(xué)基金委國際清潔能源拔尖人才項目（[2018]5046, [2019]157）、江蘇省配電網(wǎng)智能技術(shù)與裝備協(xié)同創(chuàng)新中心開放基金項目（XTCX202007）資助。

2021-06-19

2021-12-07

李 寧 男，1983年生，博士，副教授，研究方向為電力電子化的電力系統(tǒng)及其控制。E-mail：lining83@xaut.edu.cn（通信作者）

何復(fù)興 男，1995年生，碩士研究生，研究方向為鋰離子電池SOC估計。E-mail：2180320030@stu.xaut.edu.cn

（編輯 李冰）