基于ELM和MCSCKF的锂离子电池SOC估计_王桥.pdf
《基于ELM和MCSCKF的锂离子电池SOC估计_王桥.pdf》由会员分享,可在线阅读,更多相关《基于ELM和MCSCKF的锂离子电池SOC估计_王桥.pdf(8页珍藏版)》请在咨信网上搜索。
1、基于 ELM 和 MCSCKF 的锂离子电池 SOC 估计王桥1),叶敏1),魏孟1,2),廉高棨1),武晨光1)1)长安大学公路养护装备国家工程研究中心,西安7100642)新加坡国立大学机械工程系,新加坡117576通信作者,E-mail:摘要为了减少噪声对锂离子电池荷电状态估计的影响,本文提出一种新颖的基于极限学习机和最大相关熵平方根容积卡尔曼滤波的 SOC 估计方法.首先,利用泛化性好、运行速度快的极限学习机作为卡尔曼滤波的测量方程;其次,基于灰狼优化算法,极限学习机的超参数被优化以提高电池荷电状态的估计精度;最后,基于最大相关熵平方根容积卡尔曼滤波,极限学习机的测量噪声被进一步减弱.
2、所提方法可以简化极限学习机繁琐的调参过程,且为闭环的 SOC 估计方法.所提方法在多工况和宽温度范围内被测试以验证其泛化性能.测试结果显示,所提方法明显地提高了锂离子电池的荷电状态估计精度.同时,对比其他算法,所提方法的平均运行时间仅仅为长短时序列和循环门控单元网络的三分之一.当行驶工况复杂、温度变化区间较大时,所提方法的均方根误差小于 1%,最大误差小于 3%.当存在初始误差与环境噪声时,所提方法显示出了优越的鲁棒性.关键词锂离子电池;荷电状态估计;极限学习机;灰狼优化;卡尔曼滤波;鲁棒性估计分类号TM911.3ELM-andMCSCKF-basedstateofchargeestimati
3、onforlithium-ionbatteriesWANG Qiao1),YE Min1),WEI Meng1,2),LIAN Gao-qi1),WU Chen-guang1)1)NationalEngineeringResearchCenterforHighwayMaintenanceEquipment,ChanganUniversity,Xian710064,China2)DepartmentofMechanicalEngineering,NationalUniversityofSingapore,Singapore117576,SingaporeCorrespondingauthor,E
4、-mail:ABSTRACTLithium-ionbatteriesarewidelyusedinelectricvehiclesandenergystoragesystems.Asaprerequisiteforthesafeandefficientapplicationoflithium-ionbatteries,batterymanagementsystemshavereceivedextensiveattentionworldwide.Amongtheseprerequisites,thestateofcharge(SOC),asthebasicparameterofbatteryma
5、nagementsystemonlineapplication,iscrucialforthesafeandefficientoperationofbatterymanagementsystems.However,measurementnoisedecreasestheaccuracyandrobustnessofthestateofchargeestimation.Toreducetheimpactofnoiseonthestateofchargeestimationoflithium-ionbatteries,anovelSOCestimationmethodbasedonanextrem
6、elearningmachineandamaximumcorrelationentropysquarerootvolumetricKalmanfilterisproposedinthis paper.First,the extreme learning machine is used as the measurement equations of the Kalman filter because of its goodgeneralizationandfastrunningspeed,andthevoltageandcurrentareselectedasthemodelinput;seco
7、nd,onthebasisofthegraywolfoptimizationalgorithm,theextremelearningmachinehyperparametersarethoroughlyoptimizedtoimprovetheaccuracyofthestateofchargeestimationforlithium-ionbatteries;finally,onthebasisoftheframeworkofthemaximumcorrelationentropysquarerootvolumetricKalmanfilter,aclosed-loopestimationi
8、srealizedtofurtherreducethestateofchargeestimationerrorcausedbythemeasurementnoiseofvoltageandcurrent.Theproposedmethodcansimplifythetime-consumingparameteradjustmentofanextremelearningmachineandshowsuperiorrobustnessunderlow-qualitymeasurement.Theproposedmethodisvalidatedundermultipledrivecycles an
9、d a wide temperature range to verify its generalization performance.The test results show that the proposed method收稿日期:20220510基金项目:陕西省科技创新团队(2020TD0012);中央高校基本科研业务费专项资金-长安大学优秀博士学位论文培育资助项目(300102252710);陕西省重点研发计划资助项目(2023-GHYB-05)工程科学学报,第45卷,第6期:9951002,2023年6月ChineseJournalofEngineering,Vol.45,No.6
10、:9951002,June2023https:/doi.org/10.13374/j.issn2095-9389.2022.05.10.003;http:/substantiallyimprovestheaccuracyoflithium-ionbatterystateofchargeestimation.Atthesametime,theaveragerunningtimeoftheproposedmethodisonlyone-thirdofthatoflongshortmemoryneuralnetworksandgaterecurrentunitneuralnetworks.Under
11、complexdrivingconditionsandalargetemperaturerange,therootmeansquareerroroftheproposedmethodislessthan1%,andthemaximumerrorislessthan3%.Furthermore,twocaseexperimentsareperformedtoevaluatetherobustnessoftheproposedclosed-loopestimationapproach,andtheresultsobtainedwhendatahaveaninitialstateofchargeer
12、rorandmeasurementnoiseverifythesuperiorrobustnessoftheproposedapproachcomparedwithlongshortmemoryneuralnetworksandgaterecurrentunitneuralnetworks.KEY WORDSlithium-ion battery;state of charge;extreme learning machine;grey wolf optimizer;Kalman filter;closed-loopestimation在全球化石能源枯竭与环境污染加剧的国际背景下,电动车辆(E
13、lectrifiedvehicle,xEV)市场展示出了广阔的前景1.动力电池作为新能源车辆的动力来源及储能元件,需要先进的电池管理系统(Batterymanagementsystem,BMS)以确保其工作的安全性与高效性.荷电状态估计(Stateofcharge,SOC)作为 BMS 最重要的参数之一,是均衡管理、充电控制和里程预测等其他模块高效运作的前提.因此,精确的 SOC 估计具有重要的意义23.当前,锂离子电池的 SOC 估计方法主要分为四大类,包括:安时积分法(Amperehourintegral,AHI)、开路电压法(Opencircuitvoltage,OCV)、基于模型的方法
14、(Modelbasedmethod)和数据驱动法(Databasedmethod)4.安时积分法通过对电流进行积分来计算 SOC,具有简单且易于应用的特点5.但安时积分法的 SOC 估计精度较低,其准确性严重受限于初始 SOC 值和电流传感器的精度.OCV与电池 SOC 具有较高的相关性,因此可以通过对OCV 与 SOC 进行点对点的标定来实现锂离子电池 SOC 的估计.但开路电压的获取通常需要很长时间,不能实现在线应用6.同时,OCV 对温度较为敏感.因此,当环境温度发生变化时,OCVSOC曲线会出现偏移.基于模型的方法所采用的模型主要包括:电化学模型、分数阶模型和等效电路模型.此方法通常与
15、卡尔曼滤波联合实现 SOC 的闭环估计7.由于卡尔曼滤波只能应用于线性系统,一些非线性卡尔曼滤波被提出并应用于 SOC 估计,包括:扩展卡尔曼滤波(ExtendedKalmanfilter,EKF),无迹卡尔曼滤波(UnscentedKalmanfilter,UKF)和容积卡尔曼滤波(CubatureKalmanfilter,CKF)811.基于模型方法的 SOC 估计精度主要依赖于精确的电池建模.但由于电池内部动态特性的复杂性和运行环境的多样性,精确的电池建模难以有效实现.同时,基于模型的方法的泛化性有限,当环境温度与行驶工况发生变化时,其精度会出现一定的波动.基于大数据的快速发展,数据驱动
16、法受到了越来越多的关注.据统计,车辆每天可以产生大于 4TB 的数据量1214.同时,近年来出现了大量的车辆大数据平台.大数据平台与新能源车辆大数据的协同闭环发展,有利于数据驱动方法的快速发展.基于数据驱动的 SOC 估计方法主要包括:高斯过程回归(Gaussianprocessregression,GPR)、循环神经网络(Recurrentneuralnetwork,RNN)和非循环神经网络.GPR 是一种常见的 SOC 估计方法,GPR 可直接得到预测结果的不确定性,且通过最大边缘化的方式可以在节省算力的同时输出良好的正则化结果15.但 GPR 为非参数模型,单次的计算均涉及所有的数据点.
17、因此,当数据量较大时,GPR 的计算效率低下16.循环神经网络包括:长短时记忆(Longshorttermmemory,LSTM)和循环门控单元(Gatedrecurrentunit,GRU)已经被广泛的应用于序列处理问题,且取得了不错的效果.LSTM和 GRU 通过复杂的门控单元,实现了如同电路一般的复杂结构,可以实现长时间维度的数据记忆1718.但 RNN 的训练通常需要较长时间.当迭代次数超过 300 次时,基于 CPU 的 RNN 训练通常需要 3000s以上,且随着训练数据量的增大,其训练时间会指数式的上升.对比 RNN,非循环神经网络的训练效率更高.其中,极限学习机(Extreme
18、learningmachine,ELM)随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需要设置隐含层神经元的个数,便可以获得最优解.因此,ELM 具有学习速度快、泛化性能好等优点19.但基于简单的单层 ELM 难以保证锂离子电池 SOC 估计的高精确性2021.因此,本文提出一种基于极限学习机和最大相关熵平方根容积卡尔曼滤波(Maximumcorrentropysquare-rootcuba-tureKalmanfilter,MCSCKF)的 SOC 估计方法.基于 MCSCKF 方法,ELM 被设定为电池 SOC 的测量方程,安时积分方程被设定为电池 SO
19、C 的状态方程.基于MCSCKF,大大减少了ELM 的SOC 估计误差,实现了精确的 SOC 估计.同时为进一步减少996工程科学学报,第45卷,第6期ELM 的测量误差,本文提出利用灰狼优化(Greywolfoptimizer,GWO)对 ELM 的训练参数进行优化22.最后,所提方法在多工况和宽温度范围内被测试以验证其泛化性能.通过与 LSTM 和 GRU 进行多维度的对比,验证了所提方法的优越性.1极限学习机极限学习机在 2004 年由南洋理工大学提出,以改进反向传播算法(Backpropagation,BP)、提升学习效率并简化学习参数18.该算法随机产生输入层与隐含层间的连接权值及隐
20、含层神经元的阈值,具有学习速度快、泛化性能好等优点.ELM 的结构如图 1 所示,是一种单隐含层前馈神经网络,由输入层、隐含层和输出层组成,输入层与隐含层、隐含层与输出层神经元间全连接.温度数据与SOC 的相关性较低23,而电流电压作为直接可测得的电池外部信息,不仅易于获得,而且与 SOC 的相关性较高.因此,本文直接将电流电压数据作为 ELM 的输入,SOC 作为 ELM 的输出.12n1nInput layerHidden layerOutput layer1jcij2m1mo1xo2o3ocy图图1极限学习机拓扑结构Fig.1Topologyofanextremelearningmach
21、ine(xj,tj)xj=xj1,xj2,xjnTtj=tj1,tj2,tjmT假设有任意样本,其中,则含有 L 个隐含节点的单隐含层神经网络可表示为:Li=1ig(ixj+bi)=oj,j=1,2,N(1)g(x)i=i1,i2,inTibiii=i1,i2,imTi其中,为激活函数,是第个隐含层单元的输入权重,是第 个隐含层单元的偏置,是第 个隐含层单元的输出权重.ELM 的目标是使得输入值的误差最小,可表示为:xNj=1oj tj=0(2)ixjbi即存在对应的、和,使得:Li=1ig(ixj+bi)=tj,j=1,2,N(3)并可用矩阵表示为:H=T(4)HT其中,是隐含层节点的输出,
22、为输出权重,为期望输出值.2最大相关熵平方根容积卡尔曼滤波本文选用的卡尔曼滤波是容积卡尔曼滤波(CKF)的改进版本,即最大相关熵平方根容积卡尔曼滤波(MCSCKF).为了提高 SCKF 在处理非高斯噪声方面的性能,提出了 MCSCKF,其详细流程见文献 11.最大相关熵准则用于替代传统的最小均方误差准则,以提高 CKF 的鲁棒性.改进后的版本在处理高斯噪声时不仅保留了 SCKF 的优势,而且在处理非高斯噪声时表现出很强的鲁棒性.MCSCKF 的主要流程如表 1 所示.表表1MCSCKF 主要流程Table1MainprocedureofMCSCKFMainprocedureofMCSCKFSt
23、ep1:Settheinitialvalueandthecorrespondingsquarerootcovariancematrixandsett=1.Step2:Calculatethecubaturepointsandpropagationcubaturepointsofthestateequation.Step3:Calculatethepriorestimateandsquaretherootcovariance.Step4:Evaluatethecubaturepointsandthepropagationcubaturepointsofthemeasurementequation
24、.Step5:DefinethesquarerootcovariancematrixoftheupdatedmeasurementvaluewithMCC,calculatetheaveragevalueofthepriormeasurement,andgettheupdatedsquarerootcovariancematrix.Step6:Comparethematrixtransformationofthemeasuredvaluewiththethreshold:Ifitisgreaterthanthethreshold,returntostep2;otherwise,gotothen
25、extstep.Step7:Calculatetheposteriorstateestimateandthecorrespondingsquarerootcovariancematrix,t=t+1andreturntostep2.王桥等:基于 ELM 和 MCSCKF 的锂离子电池 SOC 估计997图 2 显示了本文的闭环 SOC 估计示意图.基于闭环估计可以保证 SOC 估计在实际条件下的鲁棒性.本文的 SOC 闭环估计基于 MCSCKF 滤波框架,利用 GWOELM 对 SOC 估计建模,并作为滤波的测量方程,安时积分法作为状态方程.其中,GWOELM 的输入为电流与电压,输出为 SO
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ELM MCSCKF 锂离子电池 SOC 估计 王桥
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。