锂离子电池作为重要的储能元件，其荷电状态（SOC）直接影响所在系统的运行状态。为了实现对锂离子电池SOC的精确估算，舰船综合电力技术国防科技重点实验室（海军工程大学）的研究人员李超然、肖飞、樊亚翔、杨国润、唐欣，在2020年第9期《电工技术学报》上撰文，提出一种基于门控循环单元神经网络（GRU-RNN）和Huber-M估计鲁棒卡尔曼滤波（HKF）融合方法的锂离子电池SOC估算模型。
实验结果表明，基于GRU-RNN和HKF融合方法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算，而且能够降低测量误差及异常值对估算结果的影响，使锂离子电池SOC估算结果快速且精确收敛。
在现代化电力系统中，储能装备所起到的作用越来越重要，其意义主要包括：削峰填谷，实现电力系统能量灵活的管理和应用；提高电力系统可靠性，在故障时提供临时电能支撑；改善电能质量和特性；满足高能量大功率用电设备需求。
常见的储能方式包括抽水储能、压缩空气储能、飞轮储能、超级电容储能、超导磁储能、铅酸电池储能、锂离子电池储能等。其中，锂离子电池因其高能量密度、高功率密度、清洁可靠等优点，已经在便携式电子设备、电动车辆和固定储能装置中获得了广泛应用。
作为储能分系统中的重要储能元件，锂离子电池的运行状态对电力系统能源调配策略非常重要，因此，需要获取锂离子电池状态信息并对其进行管理。其中，荷电状态（State of Charge, SOC）是锂离子电池重要的状态信息之一，其被定义为剩余电量与额定电量之比，用来衡量锂离子电池中可用的电量，代表锂离子电池的续航能力，类似于汽车“油表”的功能。
然而，锂离子电池SOC无法通过仪器测量直接获取，需要通过仪器测量电压、电流、温度等间接进行估算。而由于锂离子电池的时变性、非线性以及电化学反应的不确定性等因素，电压、电流、温度与SOC之间的关系变得难以刻画，使得锂离子电池SOC获取成为一大难题。
为了解决以上问题，研究人员提出了大量锂离子电池SOC估算方法，主要分为安时积分法、开路电压法、电化学阻抗法、基于模型的方法、数据驱动的方法和融合方法。
其中，安时积分法根据电量的定义对电流连续检测并进行积分得到电池释放或吸收的电量，虽然被广泛应用，但其无法获取初始SOC，需要结合其他方法使用。
开路电压法通过观察电池开路电压（Open Circuit Voltage, OCV），利用开路电压和SOC之间的关系获得SOC，但充电和放电阶段OCV-SOC的关系曲线不一致且中间段曲线平缓，不易于SOC辨识。另外，还需要将电池长时间静置才可以获得稳定的开路电压，因此开路电压法无法满足SOC实时在线的估算需求。
电化学阻抗法则是通过测量电池交流内阻获取SOC，但电池交流内阻受外部环境影响较大，且阻值难以测量，该方法一般适用于实验室研究，无法应用到实际中。
基于模型的方法采用观测器或滤波器框架，将电池SOC作为状态量，并将安时积分法和电池模型分别作为状态方程和观测方程，通过观测方程获得的结果进行递推式修正状态量，进一步实现电池SOC估算。
常见的观测器和滤波器包括卡尔曼滤波器、粒子滤波器、H∞观测器、滑模观测器等，采用的电池模型主要包括电化学模型、等效电路模型、热模型和拟合模型等。虽然基于模型的方法能够实现锂离子电池SOC估算，但是电池内部复杂的化学反应和动态变化的外部环境，使得难以建立准确的电池模型。
此外，基于模型的方法需要花费较大的计算资源对模型参数不断进行辨识，这在一定程度上限制了该类方法的应用。数据驱动的方法通过机器学习算法来学习电池外部可观测量和SOC之间复杂的非线性关系，避免了对锂离子电池内部机理和模型的精确研究，在电池SOC估算中也得到了广泛应用。这类方法主要采用支持向量机、模糊逻辑、神经网络等机器学习方法。
对于数据驱动的方法而言，SOC估算结果与训练集的选取有关，训练集与所应用的电池工况越相似，则锂离子电池SOC估算结果越准确。融合模型将上述方法中的两种或多种进行组合，以弥补单一方法的缺陷并保留各自优势，目前也得到了广泛应用。
这类方法的融合形式主要以数据驱动方法与滤波方法结合以及滤波方法自身结合为主，包括支持向量机与卡尔曼滤波方法结合、模糊控制与卡尔曼滤波结合、神经网络与卡尔曼滤波结合、粒子滤波与卡尔曼滤波结合等。
以数据驱动与滤波方法结合的融合模型，一方面能够利用数据驱动的方法表示非线性关系且易于实现，另一方面能够结合滤波方法迭代收敛的特性实时修正模型输出，目前已经成为实现锂离子电池SOC估算的有效方法。但以上方法由于未考虑时序因素的影响，因而无法较好地处理时间递归问题。
对于锂离子电池而言，SOC是时变状态量，其历史状态对当前状态的影响是无法忽视的。另外，为了实现锂离子电池SOC的精确估计，算法必须对噪声具有鲁棒性。因此，舰船综合电力技术国防科技重点实验室（海军工程大学）的研究人员，对卡尔曼滤波器进行鲁棒性改进，并在改进卡尔曼滤波方法的框架下，分别引入安时积分法和考虑时序因素影响的循环神经网络，提出了一种基于门控循环单元神经网络（Recurrent Neural Network with Gated Recurrent Unit, GRU-RNN）和Huber-M估计鲁棒卡尔曼滤波（Huber-M Robust Kalman Filter, HKF）融合方法的锂离子电池SOC估算模型，对动态工况下的锂离子电池SOC进行估算。
该方法在Huber-M估计鲁棒卡尔曼滤波方法的基础上，将安时积分法所使用的库仑计量公式作为状态方程，并将基于GRU-RNN的锂离子电池SOC估算结果作为观测量，从而实现了锂离子电池SOC的估算，整体研究思路如图1所示。
图1 研究思路
该方法具有以下优点：
①GRU-RNN能够考虑时序因素对于锂离子电池SOC的影响，具有较高的估算精度，同时能为HKF的状态方程提供准确的初始值，使滤波算法更快地收敛；②HKF能够提高GRU-RNN的鲁棒性，降低电压、电流、温度传感器测量误差和偶发性测量异常值以及SOC初始误差对锂离子电池SOC估算精度影响，进一步提升模型估算精度；③库仑计量公式是对锂离子电池SOC随时间变化过程的描述，采用库仑计量公式作为锂离子电池状态方程，即使GRU-RNN的估算结果出现较大误差，依然能够保证最终锂离子电池SOC估算结果的精确性。
图2 基于融合方法的锂离子电池SOC估算
研究人员在六种锂离子电池运行工况和三种异常工况下验证了模型的精确性和鲁棒性。实验结果表明，该模型在三个温度下Panasonic 18650PF锂离子电池测试数据集和锂离子电池大倍率脉冲放电测试数据集上的最大MAE分别为0.56%和1.78%，最大MAX分别为2.39%和4.12%，最大RMSE分别为0.7%和2.01%。
该模型将GRU-RNN和HKF进行融合，一方面能够通过HKF强化GRU-RNN的鲁棒性，降低电压、电流、温度传感器噪声和异常值以及SOC初始误差对锂离子电池SOC估算精度的影响；另一方面，GRU-RNN能够为HKF提供准确的初始值，使滤波算法更快地收敛。
另外，由于HKF的状态方程采用库仑计量公式，即使GRU-RNN出现较大误差，依然能够保证锂离子电池SOC估算精度。下一步将针对该算法的实用性进行研究并在装置中进行实际应用。此外，还可以在当前增加算法鲁棒性的基础上，进一步考虑算法自适应能力的提升，研究一种自适应且鲁棒的SOC估算方法，从而使算法对不同电池对象和使用工况的变化具有自适应能力。
