基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测

doi:10.3969/j.issn.1000－7229.2016.09.007

电力建设 ›› 2016, Vol. 37 ›› Issue (9): 50-.doi: 10.3969/j.issn.1000－7229.2016.09.007

基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测

赵泽昆1，张喜林2，张斌3，韩晓娟1

1.华北电力大学控制与计算机工程学院，北京市102206；2.国网吉林省电力有限公司长春供电公司，长春市 130000；3.国网冀北三河市供电有限公司，河北省三河市065200

出版日期:2016-09-01
作者简介:赵泽昆（1992），男，硕士研究生，主要从事新能源发电控制技术、储能技术、故障诊断等方面的研究工作；张喜林（1957），男，硕士，正高级工程师，主要从事电力系统自动化等方面的研究工作；张斌（1989），男，硕士，主要从事新能源发电控制技术和储能技术等方面的研究工作；韩晓娟（1970），女，博士，教授，主要从事新能源发电控制技术、故障诊断、信息融合和检测技术等方面的研究工作。
基金资助:
国家自然科学基金项目（51577065）；国家电网公司科技项目（KY-SG-2016-204-JLDKY）

State-of-Charge Estimation of Large Scale Battery Energy Storage System Based on Improved Unscented Kalman Filter

ZHAO Zekun1, ZHANG Xilin2, ZHANG Bin3, HAN Xiaojuan1

1 School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China; 2. Changchun Power Supply Company, State Grid Jilin Electric Power Company, Changchun 130000, China; 3. Sanhe Electric Power Supply Company, State Grid Jibei Electric Power Company, Sanhe 065200, Hebei Province, China

Online:2016-09-01
Supported by:
Project supported by National Natural Science Foundation of China （51577065）

摘要/Abstract

摘要： 大容量电池储能系统的荷电状态（state of charge，SOC）是电池管理系统（battery management system，BMS）的重要参数，必须准确预测，由于电池单体存在较强的差异性，传统的SOC预测技术很难达到准确预测的效果。针对上述问题，提出基于改进无迹卡尔曼滤波法（unscented Kalman filter, UKF）的大容量电池储能系统SOC预测方法，利用遗传算法（genetic algorithm, GA）优化无迹卡尔曼滤波的滤波参数，进一步提高SOC的预测精度。在设定工况下对串联型电池储能系统进行仿真实验，仿真结果表明该文提出的改进无迹卡尔曼滤波方法可以获得有效可靠的SOC预测结果，具有良好的工程应用前景。

关键词: 遗传算法, 无迹卡尔曼滤波（UKF）, 荷电状态预测, 等效电路

Abstract: Accurate and reliable state of charge （SOC） estimation for large capacity battery energy storage system （LCBESS） is necessary for the battery management system （BMS）. Since the difference between batteries, it is difficult to obtain ideal prediction results by traditional methods. To solve the above problem, this paper proposes the prediction method of SOC for LCBESS based on improved unscented Kalman filter （UKF）, which adopts the genetic algorithm （GA） method to optimize the filter coefficients of UKF, in order to further improve the prediction accuracy of SOC. This paper simulates the series battery energy storage system under setting conditions. The simulation results show that the proposed improved unscented Kalman filter method can obtain the effective and reliable prediction results of SOC, which has a broad prospect of engineering application.

Key words: genetic algorithm, unscented Kalman filter （UKF）, prediction of state of charge, equivalent circuit

中图分类号:

TM 912

赵泽昆，张喜林，张斌，韩晓娟. 基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测[J]. 电力建设, 2016, 37(9): 50-.

ZHAO Zekun, ZHANG Xilin, ZHANG Bin, HAN Xiaojuan. State-of-Charge Estimation of Large Scale Battery Energy Storage System Based on Improved Unscented Kalman Filter[J]. Electric Power Construction, 2016, 37(9): 50-.

参考文献

［1］彭思敏,孙烨,辅小荣. 基于电池荷电状态的大容量电池储能系统建模与控制特性分析［J］. 电气应用,2015,34（21）:88-94. ［2］李司光, 张承宁. 锂离子电池荷电状态预测方法研究［J］. 北京理工大学学报,2012,32（2）:125-129，145. LI Siguang, ZHANG Chengning. State of charge evaluation of lithium-ion batteries［J］. Transactions of Beijing Institute of Technology, 2012,32（2）: 125-129，145. ［3］黄智宇,曹玉恒. 基于GA-RBF网络的磷酸铁锂电池SOC预测研究［J］. 重庆邮电大学学报（自然科学版）,2013,25（3）:412-417. HUANG Zhiyu, CAO Yuheng. Estimation for SOC of LiFePO4 Li-ion battery based on GA-RBF neural network［J］.Journal of Chongqing University of Posts and Telecommunicatioins（Natural Science Editon）, 2013,25（3）:412-417. ［4］林椿松,邓涛. 运用DE-BP神经网络的混合动力电池SOC预测［J］. 重庆理工大学学报（自然科学）,2015,29（8）:61-64. LIN Chunsong, DENG Tao. Hybrid electric vehicle SOC prediction based on DE-BP neural network［J］. Journal of Chongqing University of Technology（Natural Science）, 2015,29（8）:61-64. ［5］CHARKHGARD M, FARROKHI M. State-of-charge estimation for lithium-ion batteries using neural networks and EKF［J］. IEEE Transactions on Industrial Electronics, 2011, 57（12）:4178-4187. ［6］么居标,吕江毅,任小龙. 基于无迹卡尔曼滤波的动力电池荷电状态估计［J］. 电源技术,2014,38（9）:1629-1630,1740. YAO Jubiao, LV Jiangyi, REN Xiaolong. An unscented Kalman filter-based estimation of battery state of charge in electric vehicles［J］. Chinese Journal of Power Sources, 2014,38（9）:1629-1630,1740. ［7］魏克新,陈峭岩. 基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计［J］. 中国电机工程学报,2012,32（31）:19-26,214. WEIKexin,CHEN Qiaoyan. Electric vehicle battery SOC estimation based on multiple-model adaptive Kalman filter［J］.Proceedings of the CSEE, 2012,32（31）:19-26,214. ［8］HU X, SUN F, ZOU Y. Comparison between two model-based algorithms for Li-ion battery SOC estimation in electric vehicles ［J］. Simulation Modelling Practice & Theory, 2013, 34（4）:1-11. ［9］彭思敏,窦真兰,沈翠凤,等. 基于无迹卡尔曼滤波的并联型电池系统SOC估计研究［J］. 中国农机化学报,2015,36（6）:291-295. PENG Simin, DOU Zhenlan, SHEN Cuifeng. Research on SOC estimation of parallel-connection battery system based on unscented Kalman filter［J］. Journal of Chinese Agricultural Mechanization, 2015,36（6）:291-295. ［10］陆秋瑜,胡伟,郑乐,等. 多时间尺度的电池储能系统建模及分析应用［J］. 中国电机工程学报,2013,33（16）:86-93,14.. LU Qiuyu, HU Wei, ZHENG Le. Modeling and analysis of battery energy storage systems in multi-time scales application［J］. Proceedings of the CSEE, 2013,33（16）:86-93,14. ［11］彭思敏，施刚，蔡旭，等. 基于等效电路法的大容量蓄电池系统建模与仿真［J］. 中国电机工程学报，2013,33（7）:11-18. PENG Simin, Shi GANG, CAI Xu. Modeling and simulation of large capacity battery systems based on the equivalent circuit method［J］. Proceedings of the CSEE, 2013,33（7）:11-18. ［12］雷肖，陈清泉，刘开培，等.电动车蓄电池荷电状态估计的支持向量机方法［J］.中国电机工程学报，2008，28（18）：114-118. LEI Xiao, CHEN Qingquan, LIU Kaipei. Support vector machine based SOC estimation for electric vehicles［J］. Proceedings of the CSEE, 2008，28（18）：114-118. ［13］董世骏,王玮,孙丙香,等. 基于TargetLink的电池SOC估算软件开发方法［J］. 电力建设,2015,36（07）:181-186. DONGShijun, WANG Wei, SUN Bingxiang. Soft development method of battery SOC estimation based on Targetlink［J］. Electric Power Construction, 2015,36（07）:181-186. ［14］孙冬,陈息坤. 基于离散滑模观测器的锂电池荷电状态估计［J］. 中国电机工程学报,2015,35（1）:185-191. SUN Dong, CHEN Xikun. Charge state estimation of Li-ion batteries based on discrete-time sliding mode observers［J］. Proceedings of the CSEE, 2015,35（1）:185-191. ［15］吴铁洲,胡丽平. 基于UKF的动力电池SOC估算算法研究［J］. 电力电子技术,2014,48（4）:23-26. WU Tiezhou, HU Liping. Study of SOC estimation algorithm of power battery based on UKF［J］. Power Electronics, 2014,48（4）:23-26. ［16］TIAN Y, XIA B, SUN W, et al. A modified model based state of charge estimation of power lithium-ion batteries using unscented Kalman filter［J］. Journal of Power Sources, 2014, 270: 619-626. ［17］HE Z, GAO M, WANG C, et al. Adaptive state of charge estimation for Li-Ion batteries based on an unscented Kalman filter with an enhanced battery model［J］. Energies, 2013, 6（8）:4134-4151. ［18］HE W, WILLIARD N, CHEN C, et al. State of charge estimation for electric vehicle batteries using unscented Kalman filtering ［J］. Microelectronics Reliability, 2013, 53（6）:840-847.

[1]	陈凯龙，宋洁莹，刘欣，张建坡. “Sen”变压器(ST)的稳态等效模型研究[J]. 电力建设, 2020, 41(2): 76-84.
[2]	袁桂丽，董金凤，魏更，贾新潮. 基于需求响应和多能互补的冷热电联产微网优化调度[J]. 电力建设, 2019, 40(9): 64-72.
[3]	宫建锋，曹雨晨，胡志冰，陈星屹，葛鹏江，张鹏. 基于改进遗传算法的工业园区综合能源系统能量管理方法[J]. 电力建设, 2019, 40(8): 51-58.
[4]	谭思维，刘洋，许立雄，王瀚琳. 考虑风电消纳的区域多微网-配电网能源交易模式[J]. 电力建设, 2019, 40(7): 1-9.
[5]	梁海深，李盛伟，白临泉，刘聪，李维，徐健，王庆彪. 基于SNOP的柔性配电网中分布式电源最大准入容量计算[J]. 电力建设, 2018, 39(8): 69-76.
[6]	谢珍建1，胡卫利2，谈健1，肖晶3，武赓4，刘洋4，曾鸣4. 面向区域能源服务商的智能楼宇需求侧响应优化策略[J]. 电力建设, 2018, 39(3): 116-.
[7]	朱雨薇，吕林，刘友波, 周春燕，张永清. 基于动态小波分解的混合储能系统平滑控制策略[J]. 电力建设, 2017, 38(9): 111-.
[8]	贺继锋, 杜治，黄家祺，方仍存，周玉洁，刘源，杨军. 考虑储能站投资收益的配电网规划模型 [J]. 电力建设, 2017, 38(6): 92-.
[9]	杜蜻蜓,刘继春,王冬,杨常. 计入柔性负荷的售电公司参与市场竞价两阶段优化模型 [J]. 电力建设, 2017, 38(6): 142-.
[10]	牛东晓，马天男，王海潮，刘鸿飞，黄雅莉. 基于KPCA和NSGAII优化CNN参数的电动汽车充电站短期负荷预测[J]. 电力建设, 2017, 38(3): 85-.
[11]	刘源，杨军，杨丙权，朱旭，陈艳，王宣. 考虑"风-光-荷-储"联合运行的配电网双层规划方法[J]. 电力建设, 2017, 38(11): 87-.
[12]	杨晶晶，林勇，褚明华，周宁慧，何光宇. 基于用电效用概念的可中断负荷调度模型及其削峰优化算法[J]. 电力建设, 2016, 37(7): 119-125.
[13]	吴俊玲，张彦涛，秦晓辉，梁才浩. 减少弃风损失的储能容量和布局优化研究[J]. 电力建设, 2016, 37(6): 24-30.
[14]	谢兼达，邱晓燕，任立，刘波. 计及直流配电效益的混合储能系统容量配置模型[J]. 电力建设, 2016, 37(5): 28-33.
[15]	雷倩，吉兴全，文福拴，刘志鹏，于永进，许焕奇. 利用暂态分量的含分布式电源配电系统故障诊断[J]. 电力建设, 2016, 37(2): 42-49.

基于改进无迹卡尔曼滤波法的大容量电池储能系统SOC预测

State-of-Charge Estimation of Large Scale Battery Energy Storage System Based on Improved Unscented Kalman Filter

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价