桂林电子科技大学团队提出一种改进粒子滤波的锂电池荷电状态估计方法（内含作者讲解视频）

阅读提示：本文约 2100 字

在电动汽车领域，电池的荷电状态（State of Charge, SOC）是一个至关重要的参数，直接影响着电动汽车的续航里程和性能表现。因此，准确地估计电池的SOC对于实现电动汽车的高效运行至关重要。提高参数辨识和SOC算法的精度是提高SOC估计的关键，桂林电子科技大学智能化电器与电力电子研究团队通过优化模型参数识别和SOC估计方法，提出了基于联合参数辨识的粒子群优化扩展粒子滤波的荷电状态估计方法，并验证了算法的有效性和适应性。

论文简报视频

研究背景

随着燃油车对环境污染的加剧，电动汽车因其低噪声、低排放、能源效率高等特点越来越成为道路的主要交通工具之一。目前，电动汽车的储能装置还是以锂离子电池为主，研究锂电池的荷电状态可以提高车辆续航里程，从而推动电动汽车的普及和可持续发展。

电池参数辨识和SOC估计是电池管理系统中至关重要的两个方面。电池参数辨识旨在准确识别电池等效电路模型中的参数，从而为SOC估计提供更可靠的基础。粒子滤波算法在SOC领域被广泛应用，能够有效处理非线性系统和非高斯噪声。

论文所解决的问题及意义

锂电池具有较强的非线性特性，模型参数会随着SOC的变化而变化，特别是在低SOC区域参数变化较大，会导致SOC算法出现较大的估计偏差；同时，采用粒子滤波算法进行SOC估计时，存在的粒子退化会影响SOC的估计精度。提高参数辨识和SOC的估计精度，有助于改进电池管理系统的设计和控制策略，提高电池的性能和循环寿命，因此，研究参数辨识和SOC估计方法具有重要的理论和应用意义。

论文方法及创新点

1. 算法的总体框架

本文设计了以FFRLS和PSO联合参数辨识为基础的改进粒子滤波的SOC评估算法。首先建立了二阶等效电路模型，联合FFRLS和PSO进行模型参数的辨识，然后以辨识的参数为基础，通过EKF对粒子进行更新并将最后得到的近似后验概率作为PF的重要密度函数，去克服粒子退化，同时引入粒子群算法优化重采样策略来缓解粒子贫化。流程图如图1所示。

图1 PSO-EPF流程图

2.联合参数辨识方法

建立电池等效电路模型，并通过HPPC实验获取OCV-SOC拟合曲线，采用FFRLS对模型进行参数辨识，FFRLS在参数辨识的同时记录历史电压为粒子群在后期进行参数辨识积攒了训练所需的数据，当采用粒子群进行参数辨识时，以最小压差建立适应度函来求取模型参数。联合参数辨识结果如下图2所示。

图2 FUDS 0℃工况下联合参数辨识

3.改进粒子滤波的SOC估计方法

扩展粒子滤波在状态预测阶段采用EKF来更新采样粒子，使得这些采样粒子能更好的接近真实的分布。将EPF算法的输出作为粒子群算法的输入，通过计算粒子的适应度值，根据适应度值，更新粒子个体和全局最优值，最终通过移动粒子向最优粒子靠近，获得最优估计值。下图是两种工况的算法验证。

图3 FUDS 25℃工况下不同算法预测曲线

图4 FUDS 25℃工况下不同算法预测误差曲线

图5 US06 25℃工况下不同算法预测曲线

图6 US06 25℃工况下不同算法预测误差曲线

以上两种工况的结果显示，基于FFRLS参数辨识的PSO-PF比PF精度有所提升，而基于联合参数辨识的PSO-PF比基于FFRLS的PSO-PF准确度有提升，采用联合参数辨识方法的PSO-EPF比PSO-PF效果更优，验证了所提方法的有效性。

结论

本文提出了一种基于联合参数辨识的粒子群优化扩展粒子滤波SOC估计方法。所提联合参数辨识方法发挥了两种参数辨识方法的优势，相较于为了提高精度，把A工况的离线辨识的结果用到B工况进行在线估计的方法，联合参数辨识方法只需在一种工况即可进行。所提PSO-EPF利用EKF生成PF的重要性密度函数来克服粒子退化，同时采用PSO算法缓解粒子贫化，结果显示该方法具有较高的估计精度，展现出了较强的鲁棒性和泛化能力。

团队介绍

研究人员隶属于智能化电器与电力电子研究所。团队负责人为范兴明教授，团队深耕智能电器与电工新技术、智能电网、新能源发电与应用、电力电子与电气控制等领域的理论及应用技术研究。团队依托和融合学校在机械、控制、电子等方面的学科优势，在高压智能电器和电力系统自动化领域具有较大影响力。团队立足服务地方，与区域经济发展相结合，推动智能化电器装备和电力系统技术和产业发展。

主要从事高压电器在线监测与故障诊断，新能源汽车电池系统参数评估与预测、能量管理、汽车电气绝缘与安全防护，无线电能传输及应用等方向的研究。

团队主持和参与主研国家自然科学基金项目各2项、主持广西科技开发重点项目、广西干亿元产业科技攻关项目、广西教育厅、重点实验室项目7项，发表学术论文80余篇，其中SC1、EI收录32篇，授权发明专利12件、实用新型专利35件，软件著作权登记10项。

范兴明

教授，博士生导师，研究方向为智能化电器与高电压新技术、新能源汽车电池系统参数预测与评估等。

贠祥

博士研究生，智能化电器、动力电池状态评估及预测、数据驱动与模型融合算法等。

王超

博士研究生，研究方向为新能源汽车电池系统参数预测与评估、电池热管理、机器学习等。

本工作成果发表在2024年第2期《电工技术学报》，论文标题为“基于联合参数辨识的粒子群优化扩展粒子滤波的锂电池荷电状态估计”。本课题得到国家自然科学基金和广西自然科学基金的支持。

引用本文

贠祥, 张鑫, 王超, 范兴明. 基于联合参数辨识的粒子群优化扩展粒子滤波的锂电池荷电状态估计[J]. 电工技术学报, 2024, 39(2): 595-606. Yun Xiang, Zhang Xin, Wang Chao, Fan Xingming. State of Charge Estimation of Li-Ion Battery Using Particle Swarm Optimization Extended Kalman Particle Filter Based on Joint Parameter Identification. Transactions of China Electrotechnical Society, 2024, 39(2): 595-606.

阅读全文

中国电工技术学会

新媒体平台

学会官方微信

电工技术学报

CES电气

学会官方B站

CES TEMS

今日头条号

学会科普微信

大赛官方微信

☎️ 《电工技术学报》：010-63256949/6981；邮箱：dgjsxb@vip.126.com ☎️ 《电气技术》：010-63256943；邮箱：dianqijishu@126.com ☎️ 《中国电工技术学会电机与系统学报（英文）》：电话：010-63256823；邮箱：cestems@126.com ☎️ 编务：010-63256994 ☎️ 订阅：010-63256817 ☎️ 商务合作：010-63256867/6838