一种改进的粒子群优化-容积卡尔曼粒子滤波方法用于大规模储能锂离子卡特蓄电池荷电状态估计

跟着全球对大规模储能战略的需求，具有高能量密度的锂离子电池已成为首要储能体系。荷电状况(SOC)作为关键的储能体系完成安全有用的电池实时状况监测。本研讨提出一种改善的粒子群优化-容积卡尔曼粒子滤波器（PSO-CPF）用于大规模储能锂离子电池SOC估量。首要，本研讨在概念大将忘记因子与回忆长度相结合，构建了忘记因子有限回忆递归扩展最小二乘算法，有用进步了在线参数辨识精度与抗搅扰才能。其次，针对颗粒物降解经过引进多样性损失函数，本研讨建立了PSO-CPF模型，该模型有用改善了颗粒物降解粒子退化问题并保持了种群多样性。终究，为进一步进步模型的滤波功能，本研讨提出了一种新的适应度函数以减少噪声方差对终究优化粒子的影响。在不同温度的杂乱工况下，成果标明改善后的PSO-CPF最大差错介于1.86%至2.84%之间，均匀绝对差错与均方根差错其盯梢才能杰出，差错规模介于0.96%至1.19%之间。评估目标标明，所提模型具有更高的精度和更优的鲁棒性，为进步荷电状况（SOC）预算功能供给了参阅依据。

导言

为应对环境恶化与能源危机，开展清洁可持续的新式储能技术已成为各国战略目标[1,2]。其间锂离子电池凭仗能量密度高、循环寿命长、自放电率低等优势，兼具完成大规模储能与输出的才能，成为使用最广泛的新式储能技术之一[[3], [4], [5]]。但是电化学储能仍存在一定安全隐患。例如，锂离子电池在过充、过放及高温条件下易发生起火、爆炸等安全事故，这将严重影响储能体系的稳定性与用户安全。电池办理体系(BMS)作为大规模储能体系中操控与办理电池状况的中心部件，其稳定性、可靠性、安全性及高效性的保障至关重要[6,7]。SOC（State of Charge）是电池办理体系（BMS）监测与办理的中心参数，一起也是预算能量状况（SOE）、健康状况（SOH）以及功率状况（SOP）等电池状况的前提与根底[8,9]。精确的SOC预算可有用防止电池过充与过放，然后进步大规模储能体系的安全功能[10,11]。完成SOC预算值的实时高效精准获取，关于完善BMS及推动新式储能技术开展具有重要意义。
精确的荷电状况（SOC）预算是当前电池研讨的热门与难点之一。现在，SOC预算办法首要包括直接测量法、安时（Ah）积分法、数据驱动法以及模型驱动法[[12], [13], [14]]。其间开路电压（OCV）法是最常用的直接测量办法[15,16]，该办法经过间接拟合电池OCV与SOC之间的函数联系完成预算，该联系与电池内部锂离子浓度变化密切相关[17]。该办法的优势在于原理简略、可操作性强且成果精度较高，但其劣势在于耗时较长且属于离线技术，无法使用于电池荷电状况（SOC）的实时在线测量。安时积分法根据电池作业期间流经电流的积分来核算SOC[12]，具有核算简略、易于完成、运算杂乱度低以及实时性杰出等优势。但是，该办法高度依赖精确的SOC初始值且选用开环核算办法，需进行周期性校正的缺点显著。此外，该办法还易受电流漂移、噪声及老化因素影响[18]。
数据驱动办法指利用机器学习算法建立电池外部数据与SOC之间的映射联系，然后获取SOC估量值[[19], [20], [21]]。其优势在于无需建立电池模型，但对数据质量要求极高且核算量较大[22]。Dou等[23]提出了一种根据改善极限学习机的SOC估量模型。该模型选用配对群算法查找极限学习机网络的关键超参数，经过引进混沌映射和正弦余弦算法优化查找成果。试验成果标明，该算法具有杰出的盯梢才能和泛化功能。针对单网络输出动摇较大的问题，Chen等[24]提出根据扩展输入(EI)和束缚输出(CO)的长短期回忆循环神经网络(LSTM-RNN)用于电池SOC估量。试验成果标明，EI-LSTM-CO算法能有用下降神经网络输出SOC的动摇幅度。
模型驱动法经过建立模型并根据电池作业机制进行剖析，首要包括电化学模型（EM）和等效电路模型（ECM）[14]。其间电化学模型从电化学机理层面描绘锂离子电池内部特性与充放电行为[25]，具有物理意义明确、适用于理论剖析的特色，但模型结构过于杂乱，导致在线使用才能较低。等效电路模型经过构建电路网络模仿锂离子电池充放电反响进程[13,26]。该模型结构简略、参数较少、核算量小且实时性好，被广泛使用于锂离子电池各类状况估量。等效电路模型包含分数阶模型（FOM）和整数阶模型（IOM）两类。分数阶模型虽具有更高的精度和动态功能，但存在核算杂乱度高、参数辨识困难等问题。Wang等文献[27]提出了一种根据一阶分数阶模型(FOM)的甲虫触角查找与递推最小二乘法协同参数辨识算法，并以该模型的荷电状况(SOC)估量为根底进行了比照研讨。成果标明，该办法在建模和SOC估量方面具有一定优势。Yu等[28]提出了一种根据协同进化粒子群优化(CPSO)的电池FOM参数辨识办法，以进步算法实时性并下降核算成本。结构简略的IOM易于核算和获取参数。根据二阶IOM，Hao等[29]引进粒子群优化(PSO)算法来挑选最优参数初始值和忘记因子值，以进步FFRLS的精度。一起，选用无迹粒子滤波算法进行SOC估量。试验成果标明，该办法具有更好的收敛性和更高的体系鲁棒性。为在进步精度的一起下降模型杂乱度，Lai等[30]提出了一种简略有用的频变整数阶模型(FDM)。该模型杂乱度与FOM相当，一起与IOM的杂乱程度相近。试验标明，该模型具有较高的核算功率和精度，具有较高的实际使用潜力。
卡尔曼滤波器（KF）是估量理论中最重要的办法之一。为将KF使用于非线性体系，研讨者们已提出一系列改善方案[[31], [32], [33]]。Wang等[34]提出一种根据动态矩阵操控（DMC）算法的模型参数更新办法，并将其与扩展卡尔曼滤波器（EKF）相结合以估量开路电压（OCV）和荷电状况（SOC）。试验成果标明，经DMC算法更新OCV后，EKF能更精确地估量SOC。Liu等[35]在扩展卡尔曼滤波器中引进根据自适应核宽度的最大相关熵原则(AMCC)，并将其与自适应迭代扩展卡尔曼滤波(AIEKF)相结合，提出了一种新的荷电状况(SOC)估量办法。试验成果标明，该办法在不同温度和噪声条件下均具有较高的SOC估量精度与鲁棒性。为进一步进步SOC估量的稳健性，Liu等[36]规划了开路电压(OCV)校正战略以下降OCV差错影响，然后经过交融AMCC-EKF与OCV补偿提出新式SOC估量办法。不同运行条件和温度下的试验成果标明，该办法能有用下降非高斯噪声搅扰环境中的荷电状况（SOC）估量差错。Ma等人[37]将容积卡尔曼滤波（CKF）结构中的最小均方差错（MMSE）替换为广义最大相关熵原则（GMCC），并选用不动点迭代办法建立根据GMCC-CKF的SOC估量模型，然后进步了非高斯噪声环境下的SOC估量精度。粒子滤波器(PF)不受模型非线性与高斯假设的限制，对变参数非线性特性具有更强的建模才能[[38], [39], [40]]，因而较卡尔曼滤波器(KF)更具优势。为进步荷电状况(SOC)估量精度，Chen等[41]提出H∞粒子滤波器(HIPF)算法。该算法是选用H∞滤波(HIF)改善的PF，能有用抑制规范粒子滤波执行进程中出现的粒子耗竭现象。Lee等[42]提出了根据数据驱动高斯进程的两种SOC估量办法：GP-无迹卡尔曼滤波（GP-UKF）与GP-粒子滤波（GP-PF）。该办法经过机器学习训练根据数据驱动的电池GP预测模型与观测模型，完成噪声协方差矩阵与当前电压似然函数的主动调理。试验成果标明，与传统办法比较，GP-UKF和GP-PF的估量精度均取得显著进步。
综上所述，数据驱动办法具有杂乱的网络结构，对核算才能和硬件要求较高；而ECM一般与滤波算法相结合，可视为对直接估量办法和安时积分法的改善。虽然与传统IOM比较，FOM具有更优的动态功能，但其参数辨识难度相对较高，现在文献[27]仅研讨了低阶FOM，且RLS的缺陷没有得到改善。虽然文献[28]提出的办法可以下降FOM的实时核算量，但CPSO算法的完成较为杂乱，且该研讨未将其实时功能与RLS进行比照。因而，综合考虑辨识难度、实时性与精度，本研讨选用IOM并对RLS算法进行改善规划。
虽然部分学者对卡尔曼滤波（KF）和粒子滤波（PF）进行了改善，但这些办法仍存在缺陷。如文献[34-37]所述，研讨者经过改善扩展卡尔曼滤波（EKF）和容积卡尔曼滤波（CKF）对荷电状况（SOC）估量开展了一系列研讨并取得成果，但由于KF自身的局限性，实际使用中仍存在偏差。虽然已有学者对PF开展改善研讨（如文献[29,41,42]），但现有办法多局限于单一功能目标的优化，缺少体系性和深度。为此，本研讨交融CKF与PF算法，经过进步参数辨识精度、优化重采样战略及改善建议密度函数，构建了一种高精度SOC估量模型。
本文提出一种改善的粒子群优化-容积卡尔曼粒子滤波（PSO-CPF）办法，用于进步大规模储能锂离子电池荷电状况（SOC）的实时估量精度。首要，经过将有限回忆长度与忘记因子有机结合，规划了忘记因子-有限回忆递归扩展最小二乘（FF-LMRELS）办法，以进步实际使用中在线参数辨识的精确性。与文献[29]引进粒子群优化算法改善忘记因子递推最小二乘法比较，本研讨的参数辨识办法具有更高功率。其次，本研讨建立了PSO-CPF滤波模型以减少粒子退化并保持粒子多样性，然后取得更优的盯梢精度。相较于文献[41,42]，本研讨对粒子滤波算法的改善更为全面，具有更优越的滤波功能。终究，提出新式适应度函数以下降噪声方差对终究优化粒子的影响，进一步进步荷电状况估量精度。本研讨提出的参数辨识办法与荷电状况估量战略将有用进步电池办理体系监控功能。