基于改进的高斯过程回归的SOC估计算法

doi:10.19799/j.cnki.2095-4239.2021.0297

储能科学与技术 ›› 2022, Vol. 11 ›› Issue (1): 253-257.doi: 10.19799/j.cnki.2095-4239.2021.0297

基于改进的高斯过程回归的SOC估计算法

孙爱芬¹(), 赤娜²

^1.郑州电力职业技术学院，河南郑州 451450
^2.郑州工业应用技术学院，河南郑州 451100

收稿日期:2021-06-29 修回日期:2021-07-21 出版日期:2022-01-05 发布日期:2022-01-10
通讯作者: 孙爱芬 E-mail:sunaifen@163.com
作者简介:孙爱芬（1984—），女，讲师，研究方向为电气自动化，E-mail：sunaifen@163.com。
基金资助:
郑州市社会科学调研课题《加快推动郑州创新型城市建设》(ZSLX2019336);2021年度河南省高等学校重点科研项目《发电厂直流系统故障主动监测与隔离技术研究及装置开发》(21B470012)

SOC estimation algorithm based on improved Gaussian process regression

Aifen SUN¹(), Na CHI²

^1.Zhengzhou Electric Power Vocational and technical college, Zhengzhou 451450, Henan, China
^2.Zhengzhou Institute of industrial application technology, Zhengzhou 451100, Henan, China

Received:2021-06-29 Revised:2021-07-21 Online:2022-01-05 Published:2022-01-10
Contact: Aifen SUN E-mail:sunaifen@163.com

摘要/Abstract

摘要：

为了提高锂离子电池荷电状态(SOC)的估计精度，文中采用基于高斯过程回归(GPR)机器学习的锂离子电池数据驱动方法，首先选取数据集，将电池测量参数电流和电压作为模型的输入向量，SOC作为模型的输出向量来训练模型，为了提高模型精度，文中改进了高斯过程回归模型。将上一时刻估计的SOC值加入到移动窗口中，并与电流和电压一起作为输入向量。通过窗口的大小不断更新训练集，从而训练出高精度SOC估计模型。通过实验采集的数据，并和GPR、最小二乘支持向量机(LSSVM)、支持向量机(SVM)和神经网络(NN)相比，所提模型估计的SOC均方根误差(RMSE)控制在1.5%以内，验证了提出方法的有效性。

关键词: SOC, 高斯过程回归, 电压, 电流

Abstract:

A data-driven method based on Gaussian process regression (GPR) machine learning is adopted herein to improve the estimation accuracy of the state of charge (SOC) of lithium-ion batteries. The current and the voltage measured by the battery are taken as the input vectors of the model, while the SOC is taken as the output vector of the model for model training. The GPR model is improved to improve the model accuracy. The SOC-estimated values are then added to the moving window and used as the input vectors together with the current and the voltage. A high-precision SOC estimation model is trained by updating the training set with the window size. Compared with the GPR, least square support vector machine, support vector machine, and neural network, the root mean square error of the SOC estimated by the proposed model is controlled within 1.5%, verifying the effectiveness of the proposed method.

Key words: SOC, gauss process regression, voltage, current

中图分类号:

TM 911

孙爱芬, 赤娜. 基于改进的高斯过程回归的SOC估计算法[J]. 储能科学与技术, 2022, 11(1): 253-257.

Aifen SUN, Na CHI. SOC estimation algorithm based on improved Gaussian process regression[J]. Energy Storage Science and Technology, 2022, 11(1): 253-257.

图/表 11

图1

表1

基于GPR框架的SOC估计算法"

算法1：GPR算法SOC估计流程

Step1. 选择工况获取训练集D(X,y)，X包括电池参数的测量值电压和电流，y表示相应的SOC

Step2. 将选择的数据进行归一化处理

Step3. 选择协方差函数，并将相应的超参数 $θ$ 完成初始化。

Step4. 使用共轭梯度法求解对数似然函数，获取最优超参数值

Step5. 验证模型：给定预测的输入x，获得相应的估计值，

$μ ε = k ε T K + σ n 2 I - 1 y$

$∑ ε = σ n 2 + k ε ε - k ε T K + σ n 2 I - 1 k ε$

其中 $μ ε$ 为SOC的估计值。

表1

图2

表2

图3

图4

图5

图6

图7

图8

表3

参考文献 10

1	张小利, 王玥童, 夏金松, 等. 基于改进的CDKF锂电池SOC估计方法[J]. 储能科学与技术, 2021, 10(4): 1454-1462.
	ZHANG X L, WANG Y T, XIA J S, et al. Estimation of the SOC of lithium batteries based on an improved CDKF algorithm[J]. Energy Storage Science and Technology, 2021, 10(4): 1454-1462.
2	吴海东, 任晓明, 那伟, 等. 改进安时法结合神经网络估算锂离子电池SOC[J]. 电池, 2016, 46(1): 16-19.
	WU H D, REN X M, NA W, et al. Estimating SOC of Li-ion battery by improved AH combined with neural network[J]. Battery Bimonthly, 2016, 46(1): 16-19.
3	邹琳, 刘佳俊, 马国庆, 等. 基于双无迹卡尔曼滤波的锂电池SOC估算[J]. 电源技术, 2021, 45(4): 450-454.
	ZOU L, LIU J J, MA G Q, et al. Estimation of state of charge of lithium battery based on dual unscented Kalman filter[J]. Chinese Journal of Power Sources, 2021, 45(4): 450-454.
4	齐延兴, 杨雪银, 王增玉. 基于STM32的蓄电池内阻测量系统设计[J]. 汽车实用技术, 2021, 46(2): 41-43.
	QI Y X, YANG X Y, WANG Z Y. Design of battery internal resistance measurement system based on STM32[J]. Automobile Applied Technology, 2021, 46(2): 41-43.
5	HUANG Z J, FANG Y S, XU J J. SOC estimation of Li-ion battery based on improved EKF algorithm[J]. International Journal of Automotive Technology, 2021, 22(2): 335-340.
6	孙万里. 基于EKF算法的车载电池SOC估算研究[J]. 电子测试, 2021(9): 59-60.
	SUN W L. Research on SOC estimation of vehicle battery based on EKF algorithm[J]. Electronic Test, 2021(9): 59-60.
7	李岩, 韩志刚, 蒋乙未, 等. 基于改进UKF算法的锂电池SOC精准估算[J]. 传感器与微系统, 2021, 40(6): 126-128, 132.
	LI Y, HAN Z G, JIANG Y W, et al. Accurate estimation of lithium battery SOC based on improved UKF algorithm[J]. Transducer and Microsystem Technologies, 2021, 40(6): 126-128, 132.
8	TALHA M, ASGHAR F, KIM S H. A neural network-based robust online SOC and SOH estimation for sealed lead-acid batteries in renewable systems[J]. Arabian Journal for Science and Engineering, 2019, 44(3): 1869-1881.
9	ZHANG L, LI K, DU D J, et al. A sparse least squares support vector machine used for SOC estimation of Li-ion batteries[J]. IFAC-PapersOnLine, 2019, 52(11): 256-261.
10	李超然, 肖飞, 樊亚翔, 等. 基于高斯过程回归的锂电池SOC估算方法[J]. 海军工程大学学报, 2021, 33(1): 55-59.
	LI C R, XIAO F, FAN Y X, et al. State of charge estimation method for lithium battery based on Gaussian process regression[J]. Journal of Naval University of Engineering, 2021, 33(1): 55-59.

方法	RMSE/%	MAE/%
GPR	1.56	4.12
改进的GPR	0.93	1.69

方法	RMSE/%	MAE/%
SVM	5.88	18.45
LSSVM	3.12	7.23
GPR	1.79	6.54
改进的GPR	1.15	1.49

[1]	鲁志颖, 江杉, 李全龙, 马可心, 傅腾, 郑志刚, 刘志成, 李淼, 梁永胜, 董知非. 全钒液流电池在充电结束搁置阶段的开路电压变化[J]. 储能科学与技术, 2022, 11(7): 2046-2050.
[2]	武怿达, 张义, 詹元杰, 郭亚奇, 张辽, 刘兴江, 俞海龙, 赵文武, 黄学杰. 氧化硼修饰的钴酸锂材料及其电化学性能[J]. 储能科学与技术, 2022, 11(6): 1687-1692.
[3]	田峰, 程志江, 杨涵棣, 杨天翔. 模块化多电平复合变换器电池储能系统容错控制策略[J]. 储能科学与技术, 2022, 11(5): 1583-1591.
[4]	郝金鹏, 杜迎春, 伍弘, 和琨, 汪垒. 侧壁面正弦加热条件下电场强化固液相变研究[J]. 储能科学与技术, 2022, 11(5): 1446-1454.
[5]	胡海燕, 侴术雷, 肖遥. 基于分子轨道杂化的高电压钠离子电池层状氧化物正极材料[J]. 储能科学与技术, 2022, 11(4): 1093-1102.
[6]	乔东格, 刘训良, 温治, 豆瑞峰, 周文宁. 升温和脉冲充电对锂枝晶生长抑制作用的数值分析[J]. 储能科学与技术, 2022, 11(3): 1008-1018.
[7]	沈渭程, 甄文喜, 邵冲, 谢琦. 基于超导磁储能系统的双馈风机协同故障穿越策略[J]. 储能科学与技术, 2022, 11(1): 136-146.
[8]	李练兵, 李思佳, 李洁, 孙坤, 王正平, 杨海跃, 高冰, 杨少波. 基于差分电压和Elman神经网络的锂离子电池RUL预测方法[J]. 储能科学与技术, 2021, 10(6): 2373-2384.
[9]	朱奕楠, 吕桃林, 赵芝芸, 杨文. 基于并行卡尔曼滤波器的锂离子电池荷电状态估计[J]. 储能科学与技术, 2021, 10(6): 2352-2362.
[10]	贾增昂, 凌志斌, 李旭光. 正弦脉动电流充放电下的锂离子电池发热特性[J]. 储能科学与技术, 2021, 10(6): 2260-2268.
[11]	叶晖, 李爱魁, 张忠. 基于储能的无功补偿技术综述[J]. 储能科学与技术, 2021, 10(6): 2209-2217.
[12]	谢克桓, 李传常, 陈荐, 余龙海, 谭准, 秦位海. 全钒液流电池储能仿真模型及荷电状态监测方法研究[J]. 储能科学与技术, 2021, 10(6): 2363-2372.
[13]	冯一峰, 沈佳妮, 车海英, 马紫峰, 贺益君, 谈文, 杨庆亨. 钠离子电池健康状态预测[J]. 储能科学与技术, 2021, 10(4): 1407-1415.
[14]	韩云飞, 谢佳, 蔡涛, 程时杰. 结合高斯过程回归与特征选择的锂离子电池容量估计方法[J]. 储能科学与技术, 2021, 10(4): 1432-1438.
[15]	刘彬, 胡子强, 李夔宁, 谢翌, 郑锦涛. 基于大平板热管的电池热管理实验及仿真[J]. 储能科学与技术, 2021, 10(4): 1364-1373.

基于改进的高斯过程回归的SOC估计算法

SOC estimation algorithm based on improved Gaussian process regression

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 10

相关文章 15

编辑推荐

Metrics

本文评价