1、第 12 卷 第 1 期2023 年 1 月Vol.12 No.1Jan.2023储能科学与技术Energy Storage Science and Technology模型与数据双驱动的锂电池状态精准估计陈清炀1，何映晖1，余官定1，刘铭扬2，徐翀2，李振明2（1浙江大学信息与电子工程学院，浙江 杭州 310058；2中国电力科学研究院有限公司储能与电工新技术研究所，北京 100192）摘要：针对电池荷电状态估计常用的模型驱动法与数据驱动法的缺点，本工作提出了一种模型与数据双驱动的锂电池状态精准估计算法。在建立经典二阶电池模型后，先使用扩展卡尔曼滤波器与无迹卡尔曼滤波器组成的双卡尔曼滤波器进
2、行初步的锂电池系统状态估测，再将初步的估算结果输入LSTM神经网络实现误差纠正，得到最终估测结果。本工作利用来自NASA PCoE的电池数据集对单驱动算法和双驱动算法分别进行了性能测试，结果表明双驱动法在降低了估算系统对数据依赖性的同时提高了估算精度以及算法鲁棒性，结合了两种单驱动法的优点并弥补了各自的缺点，得到了较为优异的结果。关键词：锂电池；电池荷电状态；电池健康状态；模型驱动法；数据驱动法；扩展卡尔曼滤波；无迹卡尔曼滤波；LSTM神经网络doi：10.19799/ki.2095-4239.2022.0508 中图分类号：TK 02 文献标志码：A 文章编号：2095-4239（2023）
3、01-209-09Integrating model-and data-driven methods for accurate state estimation of lithium-ion batteriesCHEN Qingyang1,HE Yinghui1,YU Guanding1,LIU Mingyang2,XU Chong2,LI Zhenming2(1College of Information and Electronic Engineering,Zhejiang University,Hangzhou 310058,Zhejiang,China;2Energy Storage
4、and Novel Technology of Electrical Engineering Department,China Electric Power Research Institute Co.,Ltd.,Beijing 100192,China)Abstract:Addressing the inadequacies of the conventional model-and data-driven methods,an integrating strategy combining both methods,for accurate state estimation of lithi
5、um-ion batteries is proposed for estimating battery state-of-charge.After establishing the classical second-order battery model,a dual-Kalman filter,composed of an extended Kalman filter and an unscented Kalman filter,was used to estimate the status of the lithium battery system preliminarily.Then,t
6、he preliminary estimation results were input into the LSTM neural network to correct the errors and complete the data-driven part.Datasets from NASA PCoE were used to test the performance of the single-and dual-driven methods.Results show that the integrating method reduces the dependence of the est
7、imation system on the data while improving the estimation accuracy and robustness because it combines the advantages of the model-and data-driven methods and makes up for their shortcomings.Satisfactory results were obtained.Keywords:lithium battery;state of charge;state of health;model-driven metho
8、d;data-driven 储能测试与评价收稿日期：2022-09-07；修改稿日期：2022-09-23。基金项目：国家电网有限公司“储能锂离子电池智能监测技术研究”科技项目（5500-202255364A-2-0-ZN）。第一作者：陈清炀（2000），女，硕士研究生，主要研究方向为锂电池热失控预警，E-mail：；通讯作者：余官定，教授，主要研究方向为人工智能与无线网络的交叉研究、移动边缘计算，E-mail：。2023 年第 12 卷储能科学与技术method;extended Kalman filter;unscented Kalman filter;long-short-term ne
9、ural network锂电池由于具有循环寿命相对长、自放电量较少、无记忆性问题等优势，对我国新能源的发展与普及具有重要意义。根据中关村储能产业技术联盟全球储能项目数据库的调研报告，截至2019年6月，全球采用锂离子或动力电池的储能项目的比重已经超过了总电化学储能的86%1。随着锂电池的大面积普及，其本身的性能、利用率及安全性成为了业界最为关注的重点之一。健康状况(state of health，SOH)、荷电状况(state of charge，SOC)、开路电压(open circuit voltage，OCV)是用于判断锂电池状态是否正常的主要参数。值得注意的是，SOC无法直接检测，它与
10、可被测得的电池参数(包括开路电压、工作电流、电池内部温度等)间不存在线性关系，所以对于锂离子电池中SOC值的精确预测是业界研究的主要难点之一2-3。如今较为常见的电池SOC估测算法可分为直接估计法、模型驱动法与数据驱动法三类。直接估计法包括库仑计数法和开路电压法极易受到环境噪声和测量限制的影响，实用性较差4-7。相较于此，现有较为优越的两类SOC估测方法模型驱动法和数据驱动法在稳定性、收敛性和预测精度上都有了显著的提高。模型驱动法以卡尔曼滤波8为代表，在一定程度上降低了系统的开环风险，但若仅使用模型驱动法，电池模型本身的不精确性会大大影响SOC估算的精确度，同时电池充放电状态在使用过程中充满随
11、机性，观测量的频繁突变进一步放大了模型驱动法的不稳定性。数据驱动法以神经网络、模糊逻辑9-10为代表，在简化电池建模过程的同时保证了算法鲁棒性，但其忽略了系统的开环风险，对于选用的电池状态参数类别、数量、训练方式等都有着极高的要求，因此需要较高的训练成本才能确保其收敛性。现有的大多数SOC估测方法采用了模型驱动与数据驱动中的一种，通过将基本的卡尔曼滤波器或神经网络不断复杂化以实现个别算法指标的改进，却无法综合提升算法的估计精度、收敛性、鲁棒性、模型泛化和其他指标方面的全面性能。因此，针对以往算法的片面性，本工作提出了基于模型与数据双驱动的SOC估测算法，实现了算法综合性能的提高。本工作主要贡献
12、如下：（1）明确采用模型驱动与数据驱动的串联融合，在保证精度的同时提升算法的鲁棒性；（2）创新采用扩展卡尔曼滤波器与无迹卡尔曼滤波器这一组合分别处理SOC估计中线性程度不同的部分，提升模型驱动法结果的可信度；（3）使用 LSTM 神经网络完成数据驱动法部分，以贴合电池状态具有时序性的特点。在完成算法设计与搭建后，本工作采用来自NASA卓越中心的电池数据集对单驱动法、双驱动法分别进行测试，以证实双驱动法的优越性。1 锂电池等效模型由于本工作算法涉及模型驱动模块，因此需提前建立锂电池等效模型，其精度会极大地影响模型驱动法的性能。电池等效模型通常可分为电化学模型和等效电路模型两类。通常，电化学模型在
13、模拟电池状态时比后者更精确，然而实操难度较大。与传统电化学模型相比，等效电路模型简单，性能良好。因此，它被认为是最适合估算SOC的模型之一11。N阶RC模式也是最常见的等效电路模式之一，具有精度高等优点。它有n个电阻-电容分支，每个分支由一个电阻器和一个电容器组成。然而在实际的仿真模拟过程中，对等效电路模型中无限的RC网络进行计算分析是不现实的，简化模型是必要的。科研人员对一阶到四阶的RC等效电路模型进行了仿真试验12，发现一阶模型的拟合误差明显较大，而二、三和四阶模型误差相差不大。其原因可能是电池内部的电化学反应随着电池老化越来越复杂，简单的一阶模型已经难以拟合，而高阶模型对复杂的非线性过程
14、有更好的拟合能力。为了便于实际计算，本工作将以二阶 RC 等效电路模型为例进行分析。二阶 RC 等效电路模型结构如图 1 所示，本工作假设两个 RC 并联网络两端的电压差分别为U1、U2。210第 1 期陈清炀等：模型与数据双驱动的锂电池状态精准估计2 模型与数据双驱动的 SOC 估测算法2.1算法流程2.1.1双驱动联合模式由于本研究中电池模型并不精确，相关参数确切简洁，需同时追求估测的实时性和准确性，因此采用较为灵活的串联法来实现双驱动集成。模型与数据双驱动的联合模式主要可分为串联法、并联法与融合法三种13。本工作采取的串联法流程如图2所示，其先后利用两种驱动方式对数据进行处理，输出最终结
15、果。在实际应用过程中，也可以使用模型驱动方式为数据驱动方法筛选关键特性，这样就可以降低数据驱动方法的输入特性维度。数据驱动方法也可用作模型驱动方法的误差校正方法。该方法可以提高准确性、时间效率和灵活性。2.1.2双驱动SOC估测算法流程首先利用模型驱动模块对电池数据进行处理输出大致的SOC估计结果，再将该结果及原始数据输入数据驱动模块实现误差修正输出最终结果。利用SOC的初步估测数据以及两个卡尔曼滤波器的观测误差值，神经网络可以拟合出初步数据、误差值与最终参考值之间的某种非线性拟合关系，从而实现对初步数据的误差纠正，使其更接近真实值。另外，LSTM神经网络中加入了温度这一特征，从而涉及到了模型
16、驱动法中并没有计算到的部分，更有利于精度的提升。总体算法流程如图3所示。2.2模型驱动模块2.2.1扩展卡尔曼滤波器锂电池模型是一个经典的非线性系统，然而传统的卡尔曼滤波器仅能用来解决线性问题，无法应对锂电池SOC这一非线性相关的特征，因此本工作使用到扩展卡尔曼滤波器14。扩展卡尔曼滤波器(extended kalman filter，EKF)广泛应用于非线性系统的预判。EKF的基本原理是对状态函数和测量函数执行一阶的泰勒展开，从而使得其局部线性化。对于非线性系统，可以使用以下状态空间方程来描述：Xk=f(xk-1，uk-1)+wk-1yk=h(xk，uk)+vk(1)式中，Xk是系统状态变量；yk是系统观测变量；uk是系统输入变量；f是状态的非线性函数；h是观测的非线性函数；wk-1和vk分别是均值为零和协方差为Q和R的高斯白噪声。在使用EKF估计状态时，需要提供精准的先验噪声统计结果，包括过程噪声方差矩阵Q和测量噪声方差矩阵R。不准确的Q与R会导致EKF的计算准确度降低。如果Q和R太小，不确定性范围将太小，从而导致估计有偏差。如果Q和R太大，可能会导致过滤器发散。另外，EKF假设Q
