锂电池的状态估计和主动均衡是提高电池性能和延长使用寿命的关键技术，针对参数模型的荷电状态(State of charge，SOC)估计方法忽略电动汽车实际工况而导致的估计偏差较大的问题，提出一种基于遗传算法的极限学习机(GA-ELM)神经网络算法来估计电池的荷电状态SOC，通过遗传算法优化了ELM的参数，提高估计精度和泛化能力，并在UDDS工况数据下进行训练与测试。同时采用双向Buck-Boost均衡拓扑结构，该拓扑结构能够快速实现电池间的能量传递，同时又降低了传递路径的复杂性。通过遗传算法的极限学习机估计出的SOC作为均衡变量，利用Matlab/Simulink仿真平台进行试验。结果表明，提出的GA-ELM神经网络平均误差为0.15%，而传统的ELM神经网络平均误差为0.56%，因此提出的神经网络能够更精确地估计SOC；同时电池组之间能够快速完成能量均衡，证明了所提方案的可行性。
关键词：遗传算法;
Buck-Boost电路;
SOC估计;
极限学习机;
电池均衡
Abstract
State estimation and active equalization of lithium batteries are key technologies to improve battery performance and extend service life. Aiming at the problem that state of charge(SOC) estimation method of parameter model ignores the actual working conditions of electric vehicles and causes large estimation deviation, an extreme learning machine(GA-ELM) neural network algorithm is proposed based on genetic algorithm to estimate SOC of battery. The parameters of ELM are optimized by genetic algorithm to improve the estimation accuracy and generalization ability, and the training and testing are carried out under UDDS working condition data. At the same time, the bidirectional Buck-Boost balanced topology can quickly transfer energy between cells, while reducing the complexity of the transfer path. The SOC estimated by the extreme learning machine of genetic algorithm is used as the equilibrium variable, and the experiment is carried out by Matlab/Simulink simulation platform. The results show that the average error of the GA-ELM neural network proposed in this paper is 0.15%, while that of the traditional ELM neural network is 0.56%. Therefore, the neural network proposed can estimate SOC more accurately. At the same time, the energy balance between the battery pack can be quickly completed, which proves the feasibility of the scheme.
YU Zhongan, ZHANG Junling, CHEN Keyi. SOC Estimation and Active Equalization of Lithium Battery Based on GA-ELM[J]. Chinese Journal of Electrical Engineering, 2024, 19(1): 326-333 doi:10.11985/2024.01.035
常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等。神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优。极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用。由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解。
常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡。电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池。容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13]。荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14]。高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义。在电池组中SOC和SOH的变化影响着电池的可用寿命。
${{U}_{\mathrm{L}}}\left( t \right)={{U}_{\mathrm{OC}}}\left( t \right)+{{U}_{1}}\left( t \right)+{{U}_{2}}\left( t \right)+{{R}_{0}}\centerdot I\left( t \right)$
联立式(3)和式(4)得
$x\left( k+1 \right)=A\centerdot x\left( k \right)+B\centerdot I\left( k \right)+\omega \left( k \right)$
$y\left( k \right)=A\centerdot x\left( k \right)+B\centerdot I\left( k \right)+\omega \left( k \right)$
Since the predictions of lithium-ion battery remaining useful life(RUL) are inaccurate and the selection of weights and thresholds for an extreme learning machine(ELM) is random, an indirect prediction method for lithium-ion ba-ttery RUL is proposed based on ELM model. Moreover, the optimal weight and threshold of ELM are selected using genetic algorithm-ant algorithm(GAAA), and the prediction model for lithium-ion battery RUL using GAAA-ELM is established based on the time interval to equal discharging voltage which is a kind of indirect life feature character. Finally, the lithium-ion battery RUL is predicted and assessed based on NASA data sets of lithium-ion battery, which is further compared with that obtained using BP, ELM, and GA-ELM prediction model methods, showing that the proposed method can accurately and effectively predict the lithium-ion battery RUL.
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
Electric vehicle battery management system research
1
2007
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
基于开路电压和环境温度的铅酸蓄电池充电状态的数学模型
1
1997
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
Mathematical model of lead acid battery charging state based on open circuit voltage and ambient temperature
1
1997
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计
1
2014
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
State estimation of lithium ion battery based on adaptive unscented Kalman filter algorithm
1
2014
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
1
2006
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
1
2006
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
深度学习研究综述
1
2012
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
A review of deep learning research
1
2012
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
基于改进郊狼算法与极限学习机的工业金刚石检测
1
2023
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
Industrial diamond detection based on improved coyote algorithm and extreme learning machine
1
2023
... 常用的荷电状态(State of charge，SOC)估计方法有安时积分法[7]、开路电压法[8]、卡尔曼滤波算法[9]、放电试验法[10]和神经网络法[11]等.神经网络法具有非线性、并行结构和超强学习能力的特点，但是传统的神经网络算法易陷入局部最优.极限学习机(Extreme learning machine, ELM)[12]是一种单隐含层前馈神经网络，其良好的学习能力在多种领域上得到了广泛的引用.由于梯度下降需要多次迭代，以达到修正权值和阈值的目的，通过遗传算法迭代能够很好地解决局部最优的缺点，从而找到全局最优解. ...
基于容量和电压的混合最优控制均衡
1
2019
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
Hybrid optimal control equilibrium based on capacity and voltage
1
2019
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
基于SOC的锂动力电池组双向主动均衡控制
1
2017
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
Bidirectional active equalization control of lithium battery pack based on SOC
1
2017
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
串联锂离子电池组均衡拓扑综述
1
2021
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
Series of lithium ion battery equalization topology review
1
2021
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
基于自适应下垂控制的直流微电网多储能SOC动态均衡策略
1
2020
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
Dynamic balancing strategy of DC microgrid multi-energy storage SOC based on adaptive sag control
1
2020
... 常见的均衡控制策略分为三种：一是电压均衡，二是容量均衡，三是荷电状态均衡.电压均衡比较容易实现，其两端的电压可以直接测量得到数据，然而电压均衡也有缺点，其电压和电荷之间的非线性使其不适合某些类型的电池，包括锂电池.容量均衡是以剩余电池容量作为依据，均衡时高容量电池放电，然后向低容量电池充电直至电池之间的容量差距减小，但是该方法只适用于新电池，所以容量均衡没有广泛推广[13].荷电状态均衡是根据荷电状态的不一致性来描述电池的不一致性，以荷电状态(SOC)作为变量时，其电池之间的容量差异可以忽略，使得电池能够有效利用，同时还具有精度高、判断准确等特点[14].高精度、运行快、易操作等诸多优点都是均衡策略应具备的[15-16]，同时在电池组管理系统中，荷电状态(SOC)和健康状态(State of health，SOH)也是两个重要的参数，SOC为单个或整个电池组的电量，SOH由电池内部的容量衰减来定义.在电池组中SOC和SOH的变化影响着电池的可用寿命. ...
