基于PSO-ELM的储能锂电池荷电状态估算.pdfVIP

电力工程败术

1652020年1月ElectricPowerEngineeringTechnology第39卷第1期

DO【：10P2158/E2096-3203P020PlP23

基于PSO-ELM的储能锂电池荷电状态估算

缪家森1,3,成丽珉3,吕宏水1,2

(1-南瑞集团(国网电力科学研究院)有限公，江苏南京211106；

2-国电南瑞科技股份有限公，江苏南京211106；

3-南京师范大学南瑞电气与自动化学院，江苏南京210042)

摘要：对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分

法存在累积误差，卡尔曼滤波算法需要建立精确的电池模型，神经网络法不依赖具体的锂电池模型，能够反映锂电

池的非线性关系，因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低针对以往电池SOC估算

精度低等问题，文中提出粒子群%PSO)优化极限学习机%ELM)神经网络的方法。以电池电压、电流和温度作为

PSO-ELM模型的输入向量，以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试，采用PSO对ELM

随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明，与BP神经网络的预测结果相比,文中估算SOC的

方法具有更高的精度。

关键词：储能电池;荷电状态估算;粒子群优化算法;极限学习机

中图分类号:TM727;TP183文献标志码：A文章编号：2096-3203(2020)01-0165-05

(extremalearningmachine，ELM)具有结构简单、学

0引言

习时间短、参数易整定、不易陷入局部最优等优

近年来，环境保护、节能减排得到了社会各界点［13(14］$由于elm初始化参数生成方式的随机性

的重视，各国对风能、太阳能等绿色能源的投入力导致模型隐含层神经元冗余、对未知输入参数识别

度加大，使得新能源发电在电力系统中的渗透率不能力差，进而造成预测值与真实值偏差较大［15(16］$

断提高［1(3］$然而新能源发电的功率输出存在随机基于以上问题，文中建立基于粒子群(pagm1e

性、波动性⑷，分布式储能单元的引入使得新能源swarmoptimization,PSO)优化ELM的SOC估算模

发电对电网稳定性的影响问题得到了解决［5］$在型，利用PSO对ELM的输入层权值和隐含层阈值

各种储能方式中，以磷酸铁锂电池为主的储能系统进行迭代寻优，通过改善ELM随机参数的产生过程

最具发展前景［6］$为了提高电池使用寿命、保证储提高SOC估算精度$

能系统的安全运行，需要对储能系统配备电池管理

系统！batesmanaaemenisystem，BMS)$1ELM网络结构模型

对电池荷电状态(stateofcharaa，SOC)进行估elm是由南洋理工大学的黄广斌教授等人于

算是BMS的关键技术之」7)$SOC表示电池剩余2004年提出的一种单隐层前馈神经网络算法模型,

容量与电池实际总容量的比值［8］，受电池的温度、其网络结构如图1所示。ELM网络由输入层、隐含

充放电倍率、自放电率、电池老化等多种因素的影层和输出层构成，各层之间的连接方式为全连接。

响$SOC估算方法有开路电压法(opencircuC，0和)分别为输入层、隐含