一种混合框架,结合了扩展卡尔曼滤波器和门控循环单元网络,用于LiFePO?锂离子电池的电量状态估计
《Journal of Energy Storage》:A hybrid framework integrating the extended Kalman filter and gated recurrent unit network for state-of-charge estimation of LiFePO? lithium-ion batteries
【字体:
大
中
小
】
时间:2026年04月29日
来源:Journal of Energy Storage 9.8
编辑推荐:
刘元|赖鑫|郑月久|张玉成
上海科技大学机械工程学院,上海200093,中国
摘要
为了解决锂铁磷酸盐(LFP)电池低剩余电量(SOC)估计精度的问题,这一问题源于其固有的平顶电压特性,本研究提出了一种混合方法,该方法结合了扩展卡尔曼滤波器(EKF)和门控循环单元(
刘元|赖鑫|郑月久|张玉成
上海科技大学机械工程学院,上海200093,中国
摘要
为了解决锂铁磷酸盐(LFP)电池低剩余电量(SOC)估计精度的问题,这一问题源于其固有的平顶电压特性,本研究提出了一种混合方法,该方法结合了扩展卡尔曼滤波器(EKF)和门控循环单元(GRU)神经网络。该方法建立了一个基于物理的、数据驱动的框架,能够在多种工作条件和温度下提高泛化能力,同时保持模型的可解释性。首先,一阶RC等效电路模型与EKF结合使用,提供初步的SOC估计值。然后GRU网络对EKF的输出进行自适应回归校正,动态补偿估计误差。为了提高模型的泛化能力,采用了迁移学习策略:在源域条件下学习电压、电流和SOC之间的共同特征,并通过特征映射和参数微调将其转移到各种目标条件(包括高温和低温环境)。实验结果表明,所提出的方法在不同工作条件和温度下,SOC估计误差保持在5%以内,显示出很强的鲁棒性。具体来说,在跨条件测试中,平均绝对误差(MAE)和均方根误差(RMSE)分别低于0.96%和1.54%。在45°C时,MAE和RMSE被限制在0.79%和1.29%以内;而在低温条件(5°C和10°C)下,MAE和RMSE分别限制在0.54%和0.59%以内。这项工作为LFP电池在多种场景下的准确SOC估计提供了一种可靠的物理-数据融合解决方案。
引言
锂离子电池(LIBs)由于其高能量密度、长循环寿命和低自放电率,已成为现代电动汽车和电网应用的能量存储系统的基石[1]、[2]、[3]。在各种LIB化学体系中,锂铁磷酸盐(LFP)电池因其增强的安全性和优越的热稳定性而特别适用于交通运输和固定存储[4]、[5]。准确的SOC估计在电池管理系统(BMS)中至关重要,因为它直接影响运行安全性、性能和寿命[6]。然而,LFP电池特有的平顶开路电压(OCV)特性——尤其是在中高SOC范围内——对基于电压的SOC估计构成了根本性挑战[7]、[8]。与镍钴锰(NCM)电池不同,LFP电池的OCV在宽广的SOC范围内变化很小,导致?OCV/?SOC关系接近于零,这严重限制了通过端电压测量来观察SOC的可能性[9]、[10]。在动态负载下,这种问题更加复杂,明显的极化效应和温度依赖性引入了额外的非线性,使得传统的SOC估计技术容易出错甚至失效[11]。
现有的SOC估计方法大致可以分为库仑计数法、基于OCV的技术、基于模型的滤波器和数据驱动的方法[12]。库仑计数法通过积分电流随时间的变化来跟踪SOC变化;虽然简单且能实时进行,但它受到初始SOC不确定性和电流传感器漂移引起的累积误差的影响[13]。OCV方法依赖于OCV和SOC之间的静态关系,但需要长时间的静止期才能达到平衡,因此不适合在动态工作条件下的在线应用[14]。这两种方法在LFP电池的平顶OCV区域都存在明显的局限性,在该区域电压提供的关于SOC的区分信息很少[15]。
基于模型的方法包括电化学模型和等效电路模型(ECMs)[16]。尽管电化学模型通过描述内部反应动态提供了高水平的物理可解释性,但其计算复杂性和参数化要求阻碍了实时BMS的实现。相比之下,ECMs因其简单性和计算效率而被广泛采用。当与状态观测器(如EKF)结合使用时,它们可以实现闭环SOC估计[17]、[18]。例如,郑等人[19]应用了迭代加权最小二乘(IRLS)算法和在线OCV识别技术,对NCM电池进行了SOC估计,误差低于2.5%。高等人[20]通过设计短时电流脉冲并结合无迹卡尔曼滤波器,实现了LFP电池的闭环SOC估计。然而,这些基于模型的方法仍然容易受到老化、温度或工作条件引起的参数变化的影响,从而显著降低估计性能。然而,这些基于模型的方法无法克服LFP电池平顶OCV-SOC曲线所带来的根本性瓶颈。
最近,数据驱动方法通过利用机器学习(ML)从操作数据中捕获复杂的非线性映射到SOC,而无需显式的物理建模,显示出相当大的潜力[21]、[22]。谢等人[23]提出了一种基于机器学习的SOC重置方法,该方法在短时间静止期间使用低频松弛电压来纠正初始化误差。刘等人[24]使用卷积神经网络(CNN)在不需要电池模型的情况下估计SOC,表现出很强的泛化能力。卢等人[25]引入了门控CNN进行容量估计,并通过微调提高了跨条件适应性。洪等人[26]设计了一种混合长短期记忆和门控循环单元(LSTM-GRU)网络,使用真实车辆数据进行多步SOC预测。虽然这些方法在捕捉电池行为中的非线性动态方面表现出色——特别是对于以平顶电压为主的LFP电压曲线[27]、[28]——但它们通常需要大量的标记训练数据。在未见过的条件、温度或电池老化状态下,它们的性能往往会下降,限制了实际跨场景的应用[29]。田等人[30]提出了一种多物理融合方法,结合了双层无迹卡尔曼滤波(DLUKF)和高斯过程回归,将端电压与电池膨胀力结合起来。尽管结合机械应力信号有效提高了电压平台区域的估计精度,但需要在每个电池上安装高精度膨胀力传感器,显著增加了实际BMS的硬件成本、系统体积和部署复杂性。总之,尽管现有方法各有优点,但在应对LFP电池的平顶电压、动态工作条件和温度变化所带来的综合挑战方面仍存在相当大的局限性[31]。因此,开发一种平衡模型可解释性和数据驱动灵活性的混合SOC估计方法对于提高电动汽车和能量存储系统中LFP电池的管理性能具有重要意义。
为了弥合模型驱动和数据驱动范式之间的差距,混合方法受到了越来越多的关注[32]。通过将物理滤波器(如EKF)与神经网络(NNs)结合,这些方法在保持基于模型的一致性的同时,使用数据驱动组件来纠正系统误差——特别是在LFP电压平台等具有挑战性的条件下。在这项工作中,我们提出了一种基于迁移学习的混合框架,将EKF与GRU网络协同结合,以实现鲁棒的跨条件SOC估计。迁移学习最近已成为电池状态估计的有效范式。通过利用从数据丰富的源域学习到的共同特征,迁移学习使模型能够仅使用少量的校准数据快速适应新的目标域,从而显著缓解了数据稀缺的问题[33]。Shah等人[34]已成功将迁移学习策略应用于循环神经网络,证明在有限的微调数据下,它可以显著降低计算成本并在未见过的动态工作条件下提高精度。
在本文中,EKF首先提供一个基于物理的初步SOC估计值,然后由GRU网络进行自适应细化,以补偿动态估计误差。为了提高对异常值和非高斯噪声的鲁棒性,引入了基于Huber损失的目标函数。此外,实施了一种结构化的迁移学习策略,通过预训练和微调,使得模型能够快速适应新的工作条件或温度,而只需少量的目标域数据。在多种工作条件和温度下的广泛验证证实,所提出的方法将SOC误差保持在5%以内,显示出强大的准确性和泛化能力。
为了清楚地展示本研究相对于现有文献的进步,表1中提供了与以往工作的比较分析。
本文的主要贡献总结如下:
(1) 提出了一种混合EKF-GRU估计框架,其中EKF提供基于物理的初步估计值,GRU执行动态误差校正,从而在复杂的工作条件下提高精度。
(2) 采用Huber损失函数来提高GRU网络对异常值的鲁棒性,同时保持对典型误差范围的敏感性。
(3) 结合了迁移学习机制,通过预训练和微调,允许快速适应新的条件和温度,显著提高跨场景的泛化能力。
本文的其余部分组织如下:第2节介绍方法和算法设计。第3节描述实验设置和数据处理。第4节展示和讨论实验结果。第5节总结研究。
概述
本研究提出了一种混合SOC估计方法,该方法将基于物理的EKF与数据驱动的GRU神经网络协同结合。核心概念是利用GRU动态校正EKF的残余误差,从而在复杂的工作条件下提高估计精度。如图1所示,所提出的框架通过以下步骤运行:
首先,使用一阶ECM来描述电池的动态行为。EKF与GRU网络结合使用,以实现鲁棒的跨条件SOC估计。
实验设备
本研究的实验集中在LFP电池上,测试电池的关键规格在表1中提供。实验工作包括基本特性测试和动态性能评估。特性测试包括标准容量验证和混合脉冲功率特性(HPPC)测试,以确定基本的电化学性质。动态性能在三种代表性条件下进行了评估。
结果与讨论
为了评估所提出的EKF–GRU融合方法在SOC估计方面的性能,在25°C、45°C、10°C和5°C的环境温度下,进行了三种代表性驾驶循环(DST、NEDC和UDDS)下的比较实验。这种设置允许对传统EKF和所提出的混合方法进行全面比较。图6、图7、图8、图9、图10展示了在不同条件下的SOC估计轨迹和相应的误差。
结论
本研究提出了一种混合SOC估计框架,该框架将EKF与GRU神经网络结合用于LiFePO?电池。通过结合残差学习和迁移学习机制,所提出的方法在不同工作条件和温度环境下显著提高了估计精度和泛化能力。主要发现总结如下:
(1) 在室温(25°C)下,所提出的方法显著降低了SOC估计误差。
作者贡献声明
刘元:撰写——原始草稿、软件、方法论、概念化。
赖鑫:监督、资金获取、撰写——审阅与编辑。
郑月久:项目管理、资源。
张玉成:调查。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了中国国家自然科学基金(NSFC)(项目编号52277223和52577238)和上海浦江计划(23PJD062)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号