第12卷第2期2023年2月Vol.12No.2Feb.2023储能科学与技术EnergyStorageScienceandTechnology基于BP-UKF算法的锂离子电池SOC估计杨帆1，和嘉睿2，陆鸣1，陆玲霞1，于淼2（1浙江大学工程师学院，浙江杭州310015；2浙江大学电气工程学院，浙江杭州310027）摘要：电池的荷电状态(stateofcharge，SOC)是电池管理的重要指标之一，准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性，本文基于二阶Thevenin等效模型，提出一种将无迹卡尔曼滤波(unscentedKalmanfilter，UKF)与BP(backpropagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上，首先利用UKF算法对电池SOC进行初步估计，通过非线性点变换的方法避免了扩展卡尔曼滤波(extendedKalmanfilter，EKF)在线性化过程中对系统造成的精度损失；其次，构建三层BP神经网络，综合考虑锂离子电池的充放电电压、电流等参数，对估计结果进行修正，将估计误差从初始估计结果中排除，以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据，并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明，本文提出的BP-UKF算法的最大误差在2.18%以内，平均误差在0.54%以内，均方根误差在0.0044以内，较EKF算法和UKF算法有较大程度地提升；并且在较大的环境噪声条件下，BP-UKF算法的准确性提升更为明显。关键词：SOC估计；无迹卡尔曼滤波算法；锂离子电池；二阶Thevenin模型；BP神经网络doi：10.19799/j.cnki.2095-4239.2022.0574中图分类号：TM911文献标志码：A文章编号：2095-4239（2023）02-552-08SOCestimationoflithium-ionbatteriesbasedonBP-UKFalgorithmYANGFan1,HEJiarui2,LUMing1,LULingxia1,YUMiao2(1PolytechnicInstitute,ZhejiangUniversity,Hangzhou310015,Zhejiang,China;2CollegeofElectricalEngineering,ZhejiangUniversity,Hangzhou310027,Zhejiang,China)Abstract:Thestateofcharge(SOC)ofbatteriesisoneofthemostimportantindicatorsforbatterymanagement.AnaccurateSOCestimationisnecessarytoensurethesafeandeffectiveoperationsoflithium-ionbatteries.ToimprovetheaccuracyoftheSOCestimationoflithium-ionbatteries,thispaperproposesaSOCestimationmethodbyadoptingtheintegrationoftheunscentedKalmanfilter(UKF)andthebackpropagation...
