电工电气杂志社

基于FA-EKF的锂电池参数辨识与SOC 估计

来源：电工电气发布时间：2025-01-08 09:08 浏览次数：23

基于FA-EKF的锂电池参数辨识与SOC 估计

李晓晨^1，2，杨帆^1，3，纳春宁¹

(1 宁夏大学电子与电气工程学院，宁夏银川 750021；

　　2 国网宁夏电力有限公司中卫供电公司，宁夏中卫 755099；

　　3 中国铁塔股份有限公司吴忠市分公司，宁夏吴忠 751100)

摘要：随着新能源汽车的广泛使用，锂电池的荷电状态(SOC)成为电池管理系统的研究热点。针对扩展卡尔曼滤波(EKF)的锂电池的荷电状态估计中传统参数辨识法易受初始条件影响，而陷入局部最优的问题，提出了适用于非线性系统的萤火虫算法(FA)参数辨识，并与遗传算法(GA)的参数辨识结果比较，结合扩展卡尔曼滤波法，实现两种参数辨识结果的荷电状态估计。采用 MATLAB/Simulink 软件搭建 EKF 模型，仿真结果表明，相对于 GA-EKF，所提出的 FA-EKF 参数辨识与 SOC 估计精度更高。

关键词： 锂电池；新能源汽车；参数辨识；荷电状态估计；扩展卡尔曼滤波；萤火虫算法；遗传算法

中图分类号：TM761 ；TM912 文献标识码：A 文章编号：1007-3175(2024)12-0009-06

Parameter Identification and SOC Estimation of Lithium

Battery Based on FA-EKF

LI Xiao-chen^1,2, YANG Fan^1,3, NA Chun-ning¹

（1 School of Electronic and Electrical Engineering, Ningxia University, Yinchuan 750021, China;

2 State Grid Ningxia Electric Power Co., Ltd. Zhongwei Power Supply Company, Zhongwei 755099, China;

3 China Tower Co., Ltd. Wuzhong Branch, Wuzhong 751100, China）

Abstract: With the widespread use of new energy vehicles, the state of charge (SOC) of lithium batteries has become a research hotspot in battery management systems. In response to the issue that the traditional parameter identification method in the extended Kalman filter (EKF) estimation of lithium battery SOC is susceptible to the influence of initial conditions and can fall into local optima, a firefly algorithm (FA) parameter identification method suitable for nonlinear systems is proposed. The results are compared with those of the genetic algorithm (GA) parameter identification, and combined with the extended Kalman filter method, to achieve SOC estimation for both parameter identification results. The EKF model is built using MATLAB/Simulink software, and simulation results show that the proposed FA-EKF parameter identification and SOC estimation have higher accuracy compared to GA-EKF.

Key words: lithium battery; new energy vehicle; parameter identification; state of charge estimation; extended Kalman filter; firefly algorithm;genetic algorithm

参考文献

[1] 崔晓丹，吴家龙，邓馗，等. 基于改进 EKF 算法的锂离子电池 SOC 在线估计[J] . 电器与能效管理技术，2024(6) ：49-58.

[2] 董磊，赖纪东，苏建徽，等. 基于 IMAFFRLS-EKF 的锂电池在线参数辨识和 SOC 估计方法[J] . 太阳能学报，2024，45(6) ：66-74.

[3] 孙冠宇，沈金荣. 基于 LSTM-AEKF 联合算法的锂电池 SOC 估计研究[J] . 自动化与仪器仪表，2024(6) ：231-235.

[4] 陈亮，卢玉斌，林正廉. 基于改进 AFFRLS-AUKF 的锂电池 SOC 估计[J] . 电源技术，2024，48(6) ：1109-1115.

[5] 张传明，万佑红，肖杨. 基于内环修正 CDKF 算法的锂电池 SOC 估计[J]. 电源技术，2024，48(6) ：1116-1122.

[6] 沈浩然，刘振兴，邵丽源，等. 基于改进无迹卡尔曼滤波的锂电池荷电状态估计[J] . 控制工程，2023，30(12) ：2217-2225.

[7] 于仲安，张军令，陈可怡. 基于 GA-ELM 的锂电池 SOC 估计及主动均衡[J] . 电气工程学报，2024，19(1) ：326-333.

[8] 安治国，周志鸿，伍柏霖. 分数阶扩展卡尔曼滤波算法的锂电池 SOC 估算[J]. 重庆理工大学学报(自然科学)，2023，37(9) ：23-30.

[9] 李洋，石振刚. 基于 PSO-BP-UKF 算法的锂电池 SOC 估计方法研究[J]. 电器与能效管理技术，2024(6) ：42-48.

[10] 贠祥，张鑫，王超，等. 基于联合参数辨识的粒子群优化扩展粒子滤波的锂电池荷电状态估计[J]. 电工技术学报，2024，39(2) ：595-606.

[11] 陈梦宇，张杰. 基于 PSO-SG-BiGRU 模型估算锂电池 SOC [J]. 武汉理工大学学报，2023，45(7) ：117-123.

[12] BALDI S, ZHANG Zichen, LIU Di.Eligibility traces and forgetting factor in recursive least-squares-based temporal difference[J].International Journal of Adaptive Control and Signal Processing，2022，36(2) ：334-353.

[13] 吴华伟，张远进，叶从进. 基于萤火虫神经网络的动力电池 SOC 估算[J]. 储能科学与技术，2019，8(3) ：575-579.

[14] 张远进，吴华伟，叶从进. 基于 IFA-EKF 的锂电池 SOC 估算[J]. 储能科学与技术，2020，9(1) ：117-123.

返回索引列表

Article retrieval

文章检索

基于FA-EKF的锂电池参数辨识与SOC 估计