《Electric Power Systems Research》:Critical review on hybrid models for state-of-charge estimation of lithium-ion batteries in wide temperatures
编辑推荐:
•评估适用于宽温度范围电池的混合式SOC估算框架。•总结了RBFNN-UKF集成及温度补偿策略。•在考虑不同测试条件的情况下评估了已报告的结果。•讨论了鲁棒性、不确定性和工程应用要求。•强调了自适应和基于物理的估算未来的发展趋势。引言作为支撑现代能源系统的关键技术,锂离子电池因其
- •
评估适用于宽温度范围电池的混合式SOC估算框架。
- •
总结了RBFNN-UKF集成及温度补偿策略。
- •
在考虑不同测试条件的情况下评估了已报告的结果。
- •
讨论了鲁棒性、不确定性和工程应用要求。
- •
强调了自适应和基于物理的估算未来的发展趋势。
引言
作为支撑现代能源系统的关键技术,锂离子电池因其出色的综合性能而被广泛应用于电动汽车、储能等领域。然而,低温环境严重限制了其性能,导致能量/功率衰减和充电困难等问题,这成为了实现全气候应用的主要挑战。提高电池管理系统(BMS)的智能化水平迫在眉睫,其核心在于开发准确且可靠的SOC(剩余电量)估算技术。
在复杂工作条件下实现精确的SOC估算技术是提高电池管理系统智能化水平的重要突破点。锂离子电池的SOC估算方法主要可以分为以下几类:直接测量法、基于模型的算法、机器学习算法和混合方法。库仑计数法通过测量电池的充放电电流并对其进行时间积分来估算SOC [1]。在低温下,电池的库仑效率降低,实际容量减少,从而增加了库仑计数法的误差。开路电压法(OCV)通过利用电池开路电压与SOC之间的对应关系来估算SOC [2]。在低温下,电池内阻增加,极化程度加剧,使得OCV与SOC之间的对应关系变得更加复杂和非线性,从而降低了OCV法估算SOC的准确性。基于模型的方法涉及等效电路模型,通常与卡尔曼滤波器等算法结合使用以实现SOC估算 [3]。如果模型参数不能准确反映低温下的电池特性,SOC估算的准确性将显著下降。鉴于这些极端条件下的限制,传统方法需要补充策略才能保持有效性。
为了解决这些挑战,机器学习和混合方法等新兴方法展现出巨大潜力。如果在常温下训练的模型直接应用于低温环境,SOC估算的准确性将会下降 [4]。因此,需要使用包含低温数据的训练集或采用迁移学习等方法来提高模型在低温环境中的适应性 [5]。
目前,针对低温下锂离子电池的荷电状态(SOC)评估,混合方法已成为研究热点。本文研究了RBFNN-UKF作为代表性的混合架构,并将其与结合了多层感知器(MLP)、埃尔曼神经网络(Elman Neural Network)、卷积神经网络(CNN)、长短期记忆(LSTM)和门控循环单元(GRU)模型的UKF方案进行了比较。目的是明确各种方法的具体权衡和应用条件,而不是验证单一方法的优越性。
本文通过Web of Science、Scopus、IEEE Xplore和ScienceDirect等数据库进行了系统性的文献调查。主要搜索范围是2022年至2026年发表的最新研究,同时保留了早期对SOC估算算法发展有重要贡献的代表性出版物。文献搜索使用了与锂离子电池、荷电状态(SOC)估算、混合模型、神经网络、卡尔曼滤波和低温运行相关的关键词组合。仅包括那些专注于锂离子电池SOC估算、提供明确方法描述并提供实验验证或定量分析的研究。排除了与SOC估算无关的出版物、重复的研究以及技术细节不足的论文。所选研究的评估标准包括方法学的完整性、实验可靠性以及对宽温度范围SOC估算应用的相关性。
电池荷电状态估算的发展可以分为四个相互关联的阶段。早期研究确立了开路电压校准和库仑计数作为静态校准和在线充电积分的基础 [1,2]。基于模型的估算随后将等效电路模型与卡尔曼滤波器结合使用,实现了动态运行下的闭环校正,但引入了对参数识别和温度敏感模型准确性的依赖 [3],[6],[7],[8]。随着电池数据集的扩展,人工神经网络(ANN)、长短期记忆(LSTM)和门控循环单元(GRU)方法将重点转向非线性和时间特征学习,但也带来了数据覆盖范围、可迁移性和计算成本等方面的新挑战 [[9],[10],[11],[12]]。
因此,最新研究转向了结合基于滤波的状态校正和使用神经网络或基于物理的组件来表示非线性电池行为的混合架构 [[13],[14],[15]]。这一演变不应被简单的视为早期方法的替代。开路电压和库仑计数方法对于校准和参考构建仍然很重要,等效电路模型滤波提供了可解释的状态空间基础,而数据驱动模型则增强了对复杂运行条件的适应性。当前的研究前沿在于通过温度补偿、在线适应、不确定性量化和跨电池单元、循环次数和老化状态的标准化验证来协调这些互补作用。
本文的其余部分组织如下:第二部分回顾了直接测量、基于物理的、机器学习和混合SOC估算方法;第三部分从非线性逼近、时间建模、计算成本和应用要求等方面比较评估了代表性的人工神经网络(ANN)架构;第四部分讨论了ANN-UKF混合框架、温度补偿、来源报告的性能和方法学局限性;第五部分总结了主要发现并概述了以实施为导向的研究方向。
部分片段
锂离子电池荷电状态估算方法分析
锂离子电池的荷电状态(SOC)估算是电池管理系统的核心功能。从物理角度来看,SOC是电池剩余容量与其额定容量的比值。基于传统算法在某一时间间隔内的SOC可以按照公式(1)计算得出。
ANN模型的SOC估算比较评估
人工神经网络模型可以在不需要完整显式电化学模型的情况下处理电池测量值与SOC之间的非线性及时变关系。在浅层架构中,多层感知器提供了全局非线性逼近,但对训练数据的覆盖范围敏感,可能对快速变化的操作响应较慢 [[48],[49],[50]]。径向基函数神经网络使用局部基函数响应并具有相对较快的训练速度。
结合ANN和UKF的低温电池荷电状态估算
在锂离子电池SOC估算领域,基于神经网络的卡尔曼滤波混合架构通常遵循“数据驱动建模-状态空间转换-滤波校正”的三阶段过程(图6)。首先,通过输入数据(如端电压、电流和温度)构建非线性映射模型。随后,将神经网络的输出作为UKF观测方程的输入。最后,进行无迹
结论
本文综述了锂离子电池的SOC估算方法,分析了开环、基于模型、数据驱动和混合方法在宽温度条件下的优点和局限性。在各种温度下实现准确的SOC估算,特别是在低温下,仍然是电池管理系统面临的关键挑战。结合基于模型和数据驱动方法的混合策略在处理复杂电池特性方面显示出潜力。
CRediT作者贡献声明
王顺利:撰写——审稿与编辑。王阳:撰写——初稿。张勤:指导。Etse Dablu Bobobee:调查。Mamadou Fall:调查。Carlos Fernandez:可视化。
王顺利|王阳|张勤|Etse Dablu Bobobee|Mamadou Fall|Carlos Fernandez