鋰離子電池作為重要的儲能元件，其荷電狀態（SOC）直接影響所在系統的運行狀態。為了實現對鋰離子電池SOC的精確估算，艦船綜合電力技術特種科技重點實驗室（海特種程大學）的研究人員李超然、肖飛、樊亞翔、楊國潤、唐欣，在2020年第9期《電工技術學報》上撰文，提出一種基于門控循環單元神經網絡（GRU-RNN）和Huber-M估計魯棒卡爾曼濾波（HKF）融合方法的鋰離子電池SOC估算模型。

實驗結果表明，基于GRU-RNN和HKF融合方法的鋰離子電池SOC估算模型不僅能夠準確地實現鋰離子電池SOC估算，而且能夠降低測量誤差及異常值對估算結果的影響，使鋰離子電池SOC估算結果快速且精確收斂。

在現代化電力系統中，儲能裝備所起到的用途越來越重要，其意義重要包括：削峰填谷，實現電力系統能量靈活的管理和應用；提高電力系統可靠性，在故障時供應臨時電能支撐；改善電能質量和特性；滿足高能量大功率用電設備需求。

常見的儲能方式包括抽水儲能、壓縮空氣儲能、飛輪儲能、超級電容儲能、超導磁儲能、鉛酸電池儲能、鋰離子電池儲能等。其中，鋰離子電池因其高能量密度、高功率密度、清潔可靠等優點，已經在便攜式電子設備、電動汽車輛和固定儲能裝置中獲得了廣泛應用。

作為儲能分系統中的重要儲能元件，鋰離子電池的運行狀態對電力系統能源調配策略非常重要，因此，要獲取鋰離子電池狀態信息并對其進行管理。其中，荷電狀態（StateofCharge,SOC）是鋰離子電池重要的狀態信息之一，其被含義為剩余電量與額定電量之比，用來衡量鋰離子電池中可用的電量，代表鋰離子電池的續航能力，類似于汽車“油表”的功能。

然而，鋰離子電池SOC無法通過儀器測量直接獲取，要通過儀器測量電壓、電流、溫度等間接進行估算。而由于鋰離子電池的時變性、非線性以及電化學反應的不確定性等因素，電壓、電流、溫度與SOC之間的關系變得難以刻畫，使得鋰離子電池SOC獲取成為一大難題。

為了解決以上問題，研究人員提出了大量鋰離子電池SOC估算方法，重要分為安時積分法、開路電壓法、電化學阻抗法、基于模型的方法、數據驅動的方法和融合方法。

其中，安時積分法根據電量的含義對電流持續檢測并進行積分得到電池釋放或吸收的電量，雖然被廣泛應用，但其無法獲取初始SOC，要結合其他方法使用。

開路電壓法通過觀察電池開路電壓（OpenCircuitVoltage,OCV），利用開路電壓和SOC之間的關系獲得SOC，但充電和放電階段OCV-SOC的關系曲線不一致且中間段曲線平緩，不易于SOC辨識。另外，還要將電池長時間靜置才可以獲得穩定的開路電壓，因此開路電壓法無法滿足SOC實時在線的估算需求。

電化學阻抗法則是通過測量電池交流內阻獲取SOC，但電池交流內阻受外部環境影響較大，且阻值難以測量，該方法一般適用于實驗室研究，無法應用到實際中。

基于模型的方法采用觀測器或濾波器框架，將電池SOC作為狀態量，并將安時積分法和電池模型分別作為狀態方程和觀測方程，通過觀測方程獲得的結果進行遞推式修正狀態量，進一步實現電池SOC估算。

常見的觀測器和濾波器包括卡爾曼濾波器、粒子濾波器、H∞觀測器、滑模觀測器等，采用的電池模型重要包括電化學模型、等效電路模型、熱模型和擬合模型等。雖然基于模型的方法能夠實現鋰離子電池SOC估算，但是電池內部復雜的化學反應和動態變化的外部環境，使得難以建立準確的電池模型。

此外，基于模型的方法要花費較大的計算資源對模型參數不斷進行辨識，這在一定程度上限制了該類方法的應用。數據驅動的方法通過機器學習算法來學習電池外部可觀測量和SOC之間復雜的非線性關系，防止了對鋰離子電池內部機理和模型的精確研究，在電池SOC估算中也得到了廣泛應用。這類方法重要采用支持向量機、模糊邏輯、神經網絡等機器學習方法。

有關數據驅動的方法而言，SOC估算結果與訓練集的選取有關，訓練集與所應用的電池工況越相似，則鋰離子電池SOC估算結果越準確。融合模型將上述方法中的兩種或多種進行組合，以彌補單一方法的缺陷并保留各自優勢，目前也得到了廣泛應用。

這類方法的融合形式重要以數據驅動方法與濾波方法結合以及濾波方法自身結合為主，包括支持向量機與卡爾曼濾波方法結合、模糊控制與卡爾曼濾波結合、神經網絡與卡爾曼濾波結合、粒子濾波與卡爾曼濾波結合等。

以數據驅動與濾波方法結合的融合模型，一方面能夠利用數據驅動的方法表示非線性關系且易于實現，另一方面能夠結合濾波方法迭代收斂的特性實時修正模型輸出，目前已經成為實現鋰離子電池SOC估算的有效方法。但以上方法由于未考慮時序因素的影響，因而無法較好地處理時間遞歸問題。

有關鋰離子電池而言，SOC是時變狀態量，其歷史狀態對當前狀態的影響是無法忽視的。另外，為了實現鋰離子電池SOC的精確估計，算法必須對噪聲具有魯棒性。因此，艦船綜合電力技術特種科技重點實驗室（海特種程大學）的研究人員，對卡爾曼濾波器進行魯棒性改進，并在改進卡爾曼濾波方法的框架下，分別引入安時積分法和考慮時序因素影響的循環神經網絡，提出了一種基于門控循環單元神經網絡（RecurrentNeuralNetworkwithGatedRecurrentUnit,GRU-RNN）和Huber-M估計魯棒卡爾曼濾波（Huber-MRobustKalmanFilter,HKF）融合方法的鋰離子電池SOC估算模型，對動態工況下的鋰離子電池SOC進行估算。

該方法在Huber-M估計魯棒卡爾曼濾波方法的基礎上，將安時積分法所使用的庫侖計量公式作為狀態方程，并將基于GRU-RNN的鋰離子電池SOC估算結果作為觀測量，從而實現了鋰離子電池SOC的估算，整體研究思路如圖1所示。

圖1研究思路

該方法具有以下優點：

①GRU-RNN能夠考慮時序因素有關鋰離子電池SOC的影響，具有較高的估算精度，同時能為HKF的狀態方程供應準確的初始值，使濾波算法更快地收斂；②HKF能夠提高GRU-RNN的魯棒性，降低電壓、電流、溫度傳感器測量誤差和偶發性測量異常值以及SOC初始誤差對鋰離子電池SOC估算精度影響，進一步提升模型估算精度；③庫侖計量公式是對鋰離子電池SOC隨時間變化過程的描述，采用庫侖計量公式作為鋰離子電池狀態方程，即使GRU-RNN的估算結果出現較大誤差，依然能夠保證最終鋰離子電池SOC估算結果的精確性。

圖2基于融合方法的鋰離子電池SOC估算

研究人員在六種鋰離子電池運行工況和三種異常工況下驗證了模型的精確性和魯棒性。實驗結果表明，該模型在三個溫度下Panasonic18650PF鋰離子電池測試數據集和鋰離子電池大倍率脈沖放電測試數據集上的最大MAE分別為0.56%和1.78%，最大MAX分別為2.39%和4.12%，最大RMSE分別為0.7%和2.01%。

該模型將GRU-RNN和HKF進行融合，一方面能夠通過HKF強化GRU-RNN的魯棒性，降低電壓、電流、溫度傳感器噪聲和異常值以及SOC初始誤差對鋰離子電池SOC估算精度的影響；另一方面，GRU-RNN能夠為HKF供應準確的初始值，使濾波算法更快地收斂。

另外，由于HKF的狀態方程采用庫侖計量公式，即使GRU-RNN出現較大誤差，依然能夠保證鋰離子電池SOC估算精度。下一步將針對該算法的實用性進行研究并在裝置中進行實際應用。此外，還可以在當前新增算法魯棒性的基礎上，進一步考慮算法自適應能力的提升，研究一種自適應且魯棒的SOC估算方法，從而使算法對不同電池對象和使用工況的變化具有自適應能力。

以上研究成果發表在2020年第9期《電工技術學報》，論文標題為“基于門控循環單元神經網絡和Huber-M估計魯棒卡爾曼濾波融合方法的鋰離子電池荷電狀態估算方法”，作者為李超然、肖飛、樊亞翔、楊國潤、唐欣。