基于特征优选与改进极限学习机的锂电池SOC估计_寇发荣.pdf

第 12 卷 第 4 期2023 年 4 月Vol.12 No.4Apr.2023储能科学与技术Energy Storage Science and Technology基于特征优选与改进极限学习机的锂电池SOC估计寇发荣，罗希，门浩，郭杨娟，杨天祥（西安科技大学机械工程学院，陕西 西安 710054）摘要：为提高数据驱动方法预测荷电状态(state of charge，SOC)的效率与精度，提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集，利用随机森林(random forest，RF)算法判定训练集各特征对SOC的影响程度，选择出最优训练样本，并对优选样本的合理性进行验证；利用极限学习机(extreme learning machine，ELM)对SOC进行预测，针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题，选取麻雀搜索算法(sparrow search algorithm，SSA)进行参数优化以提高估计精度；随后，通过BJDST工况仿真试验对SSA参数优化的有效性进行验证；在恒流放电与DST工况实验下，分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine，SVM)与BP神经网络(back-propagation neural network，BPNN)对SOC进行预测，结果表明，SSA-ELM算法预测效果最优，预测误差基本保持在1.5%以内，可实现较高精度的SOC预测。关键词：随机森林(RF)；麻雀搜索算法(SSA)；极限学习机(ELM)；特征优选；荷电状态(SOC)doi：10.19799/ki.2095-4239.2022.0704 中图分类号：MT 912 文献标志码：A 文章编号：2095-4239（2023）04-1234-10State of charge estimation of lithium battery based on feature optimization and improved extreme learning machineKOU Farong,LUO Xi,MEN Hao,GUO Yangjuan,YANG Tianxiang(School of Mechanical Engineering,Xian University of Science and Technology,Xian 710054,Shaanxi,China)Abstract:In this study,a state of charge(SOC)estimation method is proposed based on a combination of data preprocessing and algorithm optimization in order to improve the efficiency and accuracy of data-driven method in predicting SOC.The open data was selected as the training set,and the random forest(RF)algorithm was used to determine the influence degree of each feature of the training set on SOC.For this,optimal training samples were selected,and the rationality of the optimal samples was verified.Limit learning machine(ELM)was used to predict SOC,aiming at the instability of random weights and thresholds generated by ELM in the prediction process.This leads to the unsatisfactory accuracy of SOC estimation.Sparrow search algorithm(SSA)was selected for optimize parameters and improve estimation accuracy.Subsequently,the effectiveness of SSA parameter optimization was verified using the BJDST simulation test.Under the constant current discharge and DST working conditions,the improved extreme learning machine(SSA-ELM),ELM,support vector 储能测试与评价收稿日期：2022-12-26；修改稿日期：2023-01-05。基金项目：国家自然科学基金项目（51775426），西安市科技计划项目（21XJZZ0039）。第一作者及通讯联系人：寇发荣（1973），男，博士，教授，主要研究方向为电池管理系统与车辆动力学，E-mail：。引用本文：寇发荣,罗希,门浩,等.基于特征优选与改进极限学习机的锂电池SOC估计J.储能科学与技术,2023,12(4):1234-1243.Citation：KOU Farong,LUO Xi,MEN Hao,et al.State of charge estimation of lithium battery based on feature optimization and improved extreme learning machineJ.Energy Storage Science and Technology,2023,12(4):1234-1243.第 4 期寇发荣等：基于特征优选与改进极限学习机的锂电池SOC估计machine,and back-propagation neural network were used to predict the SOC.The results show that the SSA-ELM algorithm has the best prediction effect and a prediction error within 1.5%,thus achieving high-precision SOC prediction.Keywords:random forest;sparrow search algorithm;extreme learning machine;feature optimization;state of charge荷电状态(SOC)作为动力锂电池的核心参数之一，其值的准确估计不仅能够保证电池安全可靠地工作，还可以提升电池续航能力和使用寿命1。对锂电池SOC估计的常见方法有4种，分别为基于模型的方法2、基于融合模型的方法3、基于试验的方法4和基于数据驱动的方法5。基于模型的方法能较准确地描述电池的动静态特性，估计过程不需要精确的SOC初始值，但过度依赖模型与所辨识参数的精确度6。基于融合模型的方法，其复杂性高于基于模型的方法7。该方法融合了各模型的优点，估计精度较高、鲁棒性强。基于试验的方法原理简单、易实现，实际应用局限性大8。随着机器学习的快速发展与完善，基于数据驱动的方法被广泛应用于SOC的估计中9。该方法仅通过训练采集到的数据就可以估计得到准确的SOC，极大地简化了建模过程。其泛化性与鲁棒性强。使用数据驱动的方法对SOC进行估计时，常借助的工具有神经网络(neural network，NN)、深度学习(deep learning，DL)、支持向量机(SVM)与极限学习机(ELM)等10-14。文献15使用传统 ELM对锂电池SOC进行了估计，同工况下对比BP神经网络(BPNN)和SVM，结果表明ELM在学习速度、精度及泛化能力方面具有明显优势。文献16将长短 期 记 忆 神 经 网 络(long short-term memory neural network，LSTMNN)应用于 SOC 估计，将电压、电流、温度作为训练输入，训练结果表明不同温度下最大误差为3.5%。文献17在考虑电压增量的基础上，使用BP神经网络对SOC进行了估计。设定电压、电流与电压增量作为训练输入，使用 思 维 进 化 算 法(mind evolutionary algorithm，MEA)对BP神经网络进行改进，最终在以0.2 C充电数据下仿真得到MEA-BP算法的均方根误差为1.76510-5。文献18引入深度神经网络(deep neural network，DNN)对电池 SOC 进行了估计，训练时选择电压与电流作为输入，通过微调一层预训练神经网络，均方根误差可达到2.3%。文献19利用粒子群(particle swarm optimization，PSO)算法对BP神经网络进行优化，将放电倍率、电压、温度及电流的数据作为PSO-BP神经网络的训练输入向量，预测所得SOC误差保持在4%以内。文献15-19通过不同方法均对SOC实现了估计，但估计过程均未给出各训练输入特征的重要程度和选择依据。且文献17和文献19未考虑实车电池数据采集系统，将电压增量和放电倍率作为训练输入特征，此做法缺乏实际意义。针对上述问题，本工作利用随机森林(RF)算法对输入数据集各特征进行影响程度判定，结合实车电池数据采集系统进行特征优选，并对特征优选的合理性进行了验证。选定训练速度快、精度高的ELM对SOC进行预测，针对ELM权值与阈值随机产生导致预测精度不理想的问题，利用麻雀搜索算法(SSA)对其进行优化；并通过BJDST工况仿真试验验证了SSA寻优的有效性。最后，在恒流放电与DST工况实验下对改进极限学习机(SSA-ELM)算法的预测精度进行了验证。1 特征优选与验证1.1影响程度判定与优选使用数据驱动方法对电池 SOC 进行预估时，输入特征会影响预估的精度与时长。因此，选择合适的输入特征极为重要。本工作利用RF对采集到的数据进行训练，判定各特征影响程度，结合实车数采系统对特征进行优选。RF由若干不同的决策树组成，是一种集成学习算法，能够利用袋外(out of bag，OOB)样本错误率评估各个特征在回归问题上的重要性20。该算法能在不降维的情况下处理高维特征的输入样本且抗噪声能力强。本工作借助马里兰大学CELCE团队所提供的试验测试数据21，试验电池型号为INR18650，标称容量 2 Ah。选取 0、25、45 的BJDST工况下采集到的数据进行训练，使用RF对SOC进行估计。以温度、电压、电流、放12352023 年第 12 卷储能科学与技术电能量、电压对时间的导数(dV/dt)、电流对时间的导数(dI/dt)作为输入，以SOC作为输出。根据算法特性，将每个输入特征对SOC影响程度进行了判定。判定结果如图1所示。假设输入特征集合为：=m1，m2，mN(1)随机森林有T棵决策树时，特征mi的影响程度计算指标F可表示为F=el+eiT(2)式中，el为OOB样本在决策树l的误差；ei为随机重排特征mi的袋外误差。分析图1可知，对SOC估计结果影响较大的特征为温度、放电能量、电压、电流。dV/dt及dI/dt的影响程度为0.312和0.244，数值仅占温度的9.47%和7.41%，影响程度低，在此忽略不计。汽车行驶过程中，电池工作温度、电压、电流的参数值易被电池数据采集系统采集，而放电能量只能通过后续工作被计算出。使用RF进行处理回归(估计)问题时，随着输入特征(数据)的增加，估计时长也会大幅增加。过多的数据也会导致过拟合的发生，降低预估