工程科学学报.第42卷.第9期：1200-1208.2020年9月 Chinese Journal of Engineering,Vol.42,No.9:1200-1208,September 2020 https://doi.org/10.13374/j.issn2095-9389.2019.09.20.001;http://cje.ustb.edu.cn 基于融合模型的锂离子电池荷电状态在线估计 王晓兰12,3)，靳皓晴2,3)，刘祥远2,3) 1)兰州理工大学电气工程与信息工程学院，兰州7300502)甘肃省先进工业过程控制重点实验室，兰州7300503)兰州理工大学电气与 控制工程国家级实验教学示范中心，兰州730050 ☒通信作者.E-mail:wangzt@lut.cn 摘要针对锂离子电池荷电状态(Stage of charge,SOC)在线估计精度不高，等效电路模型法估计精度与模型复杂度相矛盾 的问题，本文对扩展卡尔曼滤波算法进行了改进，并以电池工作电压、电流为输入，对应等效电路模型法的SOC估计误差为 输出，采用极限学习机算法，建立基于输入输出数据的$OC估计误差预测模型，采用物理-数据融合方法，基于误差预测模 型，建立了等效电路模型法结合极限学习机的锂离子电池$0C在线估计模型.仿真结果表明，改进扩展卡尔曼滤波算法提高 了算法的估计精度.而物理-数据融合的锂离子电池SOC在线估计模型减小了由电压、电流测量所引人的估计误差，克服了 等效电路模型法估计精度与模型复杂度之间相矛盾的问题，进一步提高了$OC的估计精度，满足估计误差不超过5%的应用 需求 关键词锂离子电池：荷电状态估计：扩展卡尔曼滤波：极限学习机：融合模型 分类号TM911.3 Online estimation of the state of charge of a lithium-ion battery based on the fusion model WANG Xiao-lan,JIN Hao-qing2,LIU Xiang-yuan2) 1)College of Electrical and Information Engineering Lanzhou University of Technology,Lanzhou 730050,China 2)Key Laboratory of Gansu Advanced Control for Industrial Processes,Lanzhou University of Technology,Lanzhou 730050,China 3)National Demonstration Center for Experimental Electrical and Control Engineering Education,Lanzhou University of Technology,Lanzhou 730050, China Corresponding author,E-mail:wangzt@lut.cn ABSTRACT In the context of the global response to environmental pollution and climate change,countries have begun to pay attention to energy system reform and economic development to ensure low carbon transition.Among them,the development of low carbon transportation has become an important aspect of green transportation system construction.The development of electric vehicle technology can effectively reduce energy consumption and environmental pollution.However,with the recent reports of new energy vehicle safety accidents at home and abroad,the safety of lithium-ion batteries has attracted increasing attention from the industry.To prevent overcharging and overdischarging from affecting battery life and safety during use,a complete battery management system is required to control and manage a lithium-ion battery.The state of charge(SOC)used to reflect the remaining capacity of a battery is one of the key parameters.Therefore,an accurate SOC value is of significance to the safety of lithium-ion battery use and the safety performance of new energy vehicles.The low online estimation accuracy of the SOC of lithium-ion batteries and the estimation accuracy of the equivalent circuit model method are inconsistent with the model complexity.This study improved the extended Kalman filtering (EKF)algorithm and established a SOC estimation error prediction model based on the extreme learning machine (ELM)algorithm, 收稿日期：2019-09-20基于融合模型的锂离子电池荷电状态在线估计 王晓兰1,2,3) 苣，靳皓晴1,2,3)，刘祥远1,2,3) 1) 兰州理工大学电气工程与信息工程学院，兰州 730050    2) 甘肃省先进工业过程控制重点实验室，兰州 730050    3) 兰州理工大学电气与 控制工程国家级实验教学示范中心，兰州 730050 苣通信作者，E-mail：wangzt@lut.cn 摘    要    针对锂离子电池荷电状态（Stage of charge，SOC）在线估计精度不高，等效电路模型法估计精度与模型复杂度相矛盾 的问题，本文对扩展卡尔曼滤波算法进行了改进，并以电池工作电压、电流为输入，对应等效电路模型法的 SOC 估计误差为 输出，采用极限学习机算法，建立基于输入输出数据的 SOC 估计误差预测模型，采用物理–数据融合方法，基于误差预测模 型，建立了等效电路模型法结合极限学习机的锂离子电池 SOC 在线估计模型. 仿真结果表明，改进扩展卡尔曼滤波算法提高 了算法的估计精度，而物理–数据融合的锂离子电池 SOC 在线估计模型减小了由电压、电流测量所引入的估计误差，克服了 等效电路模型法估计精度与模型复杂度之间相矛盾的问题，进一步提高了 SOC 的估计精度，满足估计误差不超过 5% 的应用 需求. 关键词    锂离子电池；荷电状态估计；扩展卡尔曼滤波；极限学习机；融合模型 分类号    TM911.3 Online  estimation  of  the  state  of  charge  of  a  lithium-ion  battery  based  on  the  fusion model WANG Xiao-lan1,2,3) 苣 ，JIN Hao-qing1,2,3) ，LIU Xiang-yuan1,2,3) 1) College of Electrical and Information Engineering Lanzhou University of Technology, Lanzhou 730050, China 2) Key Laboratory of Gansu Advanced Control for Industrial Processes, Lanzhou University of Technology, Lanzhou 730050, China 3) National Demonstration Center for Experimental Electrical and Control Engineering Education, Lanzhou University of Technology, Lanzhou 730050, China 苣 Corresponding author, E-mail: wangzt@lut.cn ABSTRACT    In  the  context  of  the  global  response  to  environmental  pollution  and  climate  change,  countries  have  begun  to  pay attention to energy system reform and economic development to ensure low carbon transition. Among them, the development of low carbon transportation has become an important aspect of green transportation system construction. The development of electric vehicle technology can effectively reduce energy consumption and environmental pollution. However, with the recent reports of new energy vehicle safety accidents at home and abroad, the safety of lithium-ion batteries has attracted increasing attention from the industry. To prevent overcharging and overdischarging from affecting battery life and safety during use, a complete battery management system is required to control and manage a lithium-ion battery. The state of charge (SOC) used to reflect the remaining capacity of a battery is one of  the  key  parameters.  Therefore,  an  accurate  SOC  value  is  of  significance  to  the  safety  of  lithium-ion  battery  use  and  the  safety performance of new energy vehicles. The low online estimation accuracy of the SOC of lithium-ion batteries and the estimation accuracy of the equivalent circuit model method are inconsistent with the model complexity. This study improved the extended Kalman filtering (EKF)  algorithm  and  established  a  SOC  estimation  error  prediction  model  based  on  the  extreme  learning  machine  (ELM)  algorithm, 收稿日期: 2019−09−20 工程科学学报，第 42 卷，第 9 期：1200−1208，2020 年 9 月 Chinese Journal of Engineering, Vol. 42, No. 9: 1200−1208, September 2020 https://doi.org/10.13374/j.issn2095-9389.2019.09.20.001; http://cje.ustb.edu.cn