1、第 12 卷 第 2 期2023 年 2 月Vol.12 No.2Feb.2023储能科学与技术Energy Storage Science and Technology基于递推门控循环单元神经网络的锂离子电池荷电状态实时估计方法朱文凯，周星，刘亚杰，张涛，宋元明（国防科技大学系统工程学院，湖南 长沙 410073）摘要：锂离子电池荷电状态(state of charge，SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit，GRU)等循环神经网络的SOC估计方法得到了广泛关注，其无需预设电池模型即可实现SOC准确估计。然而，这类估
2、计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题，提出了网络隐状态时序继承的递推更新方式，通过改进GRU网络的输出结构，从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比，该递推GRU方法在保证SOC估计准确度不降低的情况下，能减少99%以上的计算量，具有较好的应用前景。此外，针对部分应用场景中电池训练数据缺乏的问题，方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证，该方法能对不同温度环境、不同老化状态以及不同型
3、号的锂离子电池进行准确SOC估计，其最大估计误差均不高于3%。关键词：锂离子电池；门控循环神经网络；迁移学习；荷电状态doi：10.19799/ki.2095-4239.2022.0630 中图分类号：TM 912 文献标志码：A 文章编号：2095-4239（2023）02-570-09Real time state of charge estimation method of lithium-ion battery based on recursive gated recurrent unit neural networkZHU Wenkai,ZHOU Xing,LIU Yajie,ZHA
4、NG Tao,SONG Yuanming(College of Systems Engineering,National University of Defense Technology,Changsha 410073,Hunan,China)Abstract:Accurate estimation of the state of charge of Li-ion batteries is required to guarantee the safe operation of battery systems.SOC estimation methods based on recurrent n
5、eural networks,like Gated Recurrent Unit,have recently received much attention because they can achieve accurate SOC estimation without using pre-defined battery models.However,due to their high computational complexity,these estimation methods are difficult to apply in engineering.To address the is
6、sues of high computational complexity caused by the large number of hidden state iterations required for SOC estimation in traditional GRU neural networks,a recursive update method with hidden state temporal succession is proposed,and it is possible to obtain the accurate SOC estimate at the current
7、 moment with only one network calculation of the sampled data at the current moment by improving the output structure of GRU networks.When compared to the traditional GRU method reported in the literature,this recursive GRU method can reduce the computational effort by more than 99%while maintaining
8、 SOC estimation accuracy,which has a better application prospect.Furthermore,in some application scenarios where there is a 储能测试与评价收稿日期：2022-10-27；修改稿日期：2022-11-20。基金项目：湖南省科技创新计划资助项目（2021RC2074）。第一作者：朱文凯（1998），男，硕士研究生，研究方向为锂离子电池状态监测，E-mail：；通讯作者：周星，助理研究员，研究方向为锂离子电池管理技术，E-mail：395877464 ；张涛，教授，研究方向为能
9、源互联网，E-mail：zhangtao 。第 2 期朱文凯等：基于递推门控循环单元神经网络的锂离子电池荷电状态实时估计方法lack of battery training data,the method can combine migration learning to quickly complete network training.The method has been validated using laboratory test datasets and public datasets,and it is capable of performing accurate SOC est
10、imation for different temperature environments,aging states,and Li-ion battery models,with a maximum estimation error of less than 3%.Keywords:lithium-ion battery;gated recurrent unit network;transfer learning;state of charge锂离子电池因能量密度高、循环寿命长、无记忆效应等优势在电动汽车、静态储能等场景下得到了广泛应用。为了防止电池发生过充电或者过放电等异常状况，通常需要配
11、备电池管理系统(battery management system，BMS)来监测电池的荷电状态(state of charge，SOC)1。电池的SOC定义为电池当前的可放电量与实际容量的比值。在实际应用中，BMS需要通过测量到的电池电压、电流、温度等信号来实时估计电池的SOC2。目前电池SOC估计方法主要包括以下四类，如图1所示。开路电压法根据开路电压(open circuit voltage，OCV)与SOC的映射关系，通过测量电池的OCV来估计电池SOC。然而，由于OCV需要电池长时间的静置才能准确测量，所以开路电压法无法用于电池SOC的实时估计。安时积分法可以通过递推公式对电池SOC
12、进行实时估计。但是，安时积分法需要已知准确的SOC初值，且估计误差会因逐渐累计而越来越大。为了克服以上两种方法的困难，并结合两者各自优势，相关学者提出了基于模型的SOC估计方法，其通常采用机理模型3-4或者等效电路模型5-7来描述电池的动力学特性，然后结合 Kalman 滤波器8-12或龙贝格等观测器13-15对SOC进行估计。基于模型的SOC估计方法，能够对估计值实时校准，从而大幅提高了SOC的实时估计精度。然而，随着电池老化或者温度发生较大变化，电池的模型参数会发生改变，从而使得模型的精度下降，进而导致SOC的估计准确性下降。因此，近年来基于机器学习的电池SOC 估计方法得到了相关学者的广
13、泛关注16-17。机器学习方法是一种“黑箱模型”，其通过构建可测量数据与SOC之间的映射关系来估计电池SOC。通过将不同温度和老化状态的充放电数据加入到模型训练中，机器学习方法可以在不同温度下对不同老化状态的电池SOC进行准确估计。目前，用于估计电池SOC的机器学习方法主要包括支持向量机18-19、模糊逻辑20、高斯过程回归21-22、神经网络23-25等方法。对于采用机器学习方法进行电池SOC估计的研究已有很多，Deng等26利用最小二乘支持向量机与卡尔曼滤波融合的方法实现了磷酸铁锂电池的SOC和容量的联合估计；李嘉波等27利用梯度下降法进行高斯过程回归的参数寻优，通过仿真实验和恒流充放电实
14、验证明了SOC估计的有效性；Zhao等23采用极限学习机，并利用蚁群优化算法进行神经元个数的寻优，实现了电池SOC估计。然而，以上机器学习方法对于数据处理没有时序的概念，无法较好地处理时间递归问题，而电池内部是一个时变系统，历史的充放电数据对电池SOC的影响不可忽视。因此，能够处理时间序列数据的循环神经网络(recurrent neural network，RNN)及其变体长短时记忆网络(long short-term memory，LSTM)和GRU得到了相关学者的关注和研究。其中GRU相比LSTM具有更简单的结构和更低的计算复杂度，具有一定的优势。Yang等28采用反编码方式，将3维的输入
15、数据映射成了30维的数据，然后输入到GRU网络实现了SOC的有效估计；朱元富等29引入双向循环神经网络，增加逆序信息进行网络隐藏层训练，提高了SOC估计的准确性；李超然等17采用GRU神经网络与改进卡尔曼滤波器结合提高了SOC估计的鲁棒性；Tian等16基于GRU网络利用10分钟的充电数据与滤波方法结合实现了SOC值的准确标定。但是，目前基于GRU神经网络的锂电池SOC估计方法对于每一时刻SOC的估计均需要构造一个电池信号的时间序列在网络内部大量迭代，这大大增加了SOC估计的计算量，而限制了其在BMS中的实图1锂电池SOC估计方法分类Fig.1Classification of SOC est
16、imation methods for lithium batteries5712023 年第 12 卷储能科学与技术际应用。针对锂离子电池的时变特性以及GRU网络的特点，通过改进GRU网络的输出结构，提出了一种递推GRU网络，该方法可以实现序列输出，即一个时间序列的电池信号输入到递推GRU网络，可以对应得到一个时间序列的SOC估计值，从而能大大降低计算复杂度，可以满足锂电池SOC的实时估计需求。同时，针对部分应用场景中电池的标签数据缺乏，无法满足神经网络训练的情况，本工作首先通过其他电池标签数据进行预训练得到初阶网络，之后利用迁移学习进行网络参数的微调训练。通过这种方式，可以有效降低网络训练所需的标签数据量，拓宽方法的适用范围。1 基于递推GRU网络的锂电池SOC实时估计模型1.1SOC实时估计模型框架传统基于GRU神经网络方法进行锂离子电池SOC估计，本质上是建立可测量数据如电压、电流、温度等的时间序列和SOC之间的映射关系，其计算公式见式(1)。|hm=fGRU(Ut-m+1,Ut-m+2,Ut,It-m+1,It-m+2,It,Tt-m+1,Tt-m+2,Tt)SOCt=fDN