电源状态预测、联合费舍尔最优分割和并行SSB蓄电池组的PO-BP神经网络，考虑电池不一致性

2026-08-10 20:57:42

电池的准确功率状态（SOP）对于电动汽车的高效控制和稳定运行至关重要。由于电池不一致甚至差异程度不一，尤其是对于存在较大不一致的电池，准确预测并联电池组的标准操作程序（SOP）存在挑战。为解决这些问题，开发了一种结合费舍尔最优分割（FOS）和鹦鹉优化回传播（PO-BP）神经网络的SOP预测方法。首先，提出了基于加权余弦相似度（WCS）的单元不一致性定量分化策略，可以描述单元相似系数随最大电流偏差在并联分支中的变化。其次，根据相似系数和单元格的电流偏差，开发了一种利用FOS确定单元不一致性程度的方法，以识别存在较大不一致性的单元格。最后，基于PO-BP神经网络开发了功率校正器，以补偿细胞间存在较大不一致性引起的SOP差异，从而提高SOP预测的准确性。实验结果验证了该方法在多种动态条件下的有效性， SOP中并联电池组的平均绝对误差和均方根误差均降低了约60%。

简介

由于持续优化其运行稳定性和效率性能，锂离子电池被广泛应用于储能和电动汽车[[1]、[2]、[3]、[4]]。为了满足容量和功率输出需求，多个电池并联形成电池组[5]。电池管理系统的核心功能是获取电池的状态信息，准确预测电力状态（SOP）是关键指标[6]。然而，电池SOP无法直接测量，且还受电压、电流、电荷状态（SOC）和温度等多个参数影响[7,8]。此外，电池不一致性问题使得准确预测电池组的标准作业程序（SOP）变得困难[9]。
目前，电池SOP预测方法主要包括测试方法[10]、基于机器学习的方法[11,12]和基于模型的方法[13,14]。由于考虑多个约束变量和动态响应特性，基于模型的方法在电池组SOP预测中被广泛应用[15]。虽然通过简化为大单元可以直接预测电池组的标准作业程序（SOP），但这种方法忽略了内部结构和单元间的不一致性[16]。为缓解细胞不一致性带来的担忧，提出了一些策略。在[17]中，建立了平均模型，并利用比值向量描述单个电池单元与平均电池单元的特征差异，从而实现了电池组的SOP估计。在[18]中，代表性电池单元根据电压和SOC选择，以表示其他电池的充电和放电行为，并在多参数限制下预测电池组的峰值功率。在[19]中，每个电池的参数被认为是动态变化且均匀分布的，不一致电池组的SOP通过预测SOC、电压和温度的安全边界来预测。这些研究主要关注细胞间特性相似或细胞不一致性较低的情景。因此，电池组SOP被视为单个SOP与电池单元数量的乘积。然而，当单元格不一致性程度升高时，这会导致明显的预测误差。
处理电池不一致性的另一种方法是监测每个电池的功率输出，确保SOP预测的准确性，并可应用于串联和并联电池组[20]。在实际应用中，许多电池通常并联以满足容量和电流的需求。在[21]中，构建了一个等效电路模型（ECM），集成了温度补偿机制，并利用自适应扩展卡尔曼滤波器预测串并联电池组的标准操作程序（SOP）。在[22]中，通过改进的无香卡尔曼滤波器获得电池SOC和端子电压的高精度，然后基于多参数约束估算串并联电池组的可用功率。在[23]中，定义了SOP与SOC之间的分析关系，然后基于贝叶斯算法和粒子滤波算法对串并联电池组进行SOP预测。然而，这种方法需要相当大的计算能力和存储容量。此外，电池组SOP的准确性取决于模型和SOC的准确性。为解决电流分布引起的非单调系统状态变化，建立了系统模型和通用状态空间方程以预测并联电池组的SOP[24]。
此外，还开发了一些集成模型与机器学习的SOP预测技术[25]。该方法的主要优势在于，即使电池模型和估计的SOC不准确，也能利用先进算法补偿功率损失。鉴于电池组SOC不准确的影响，基于遗传算法（GA）的SOP估计用于在较长时间尺度内减少OCV泰勒级数展开引起的大残差[26]。尽管电池组的SOP精度通过GA得到了提升，但其收敛率和计算效率表现较差[27]。为适应电池参数的变化，提出了一阶ECM与人工神经网络（ANN）混合模型，以获得电池组的瞬时功率[28]。然而，SOP预测的准确性受神经网络参数设置的影响。在[29]中，电池组的SOP基于代表性电池进行预测并作为基值，然后通过模糊控制算法补偿电池间SOC和SOH的差异，从而提高预测准确性。然而，用于推导SOP基底的方法不适用于并联电池组。
在许多现有关于电池组SOP预测的研究中，电池不一致性程度的问题鲜有关注。提出了一个外部可测量参数耦合模型来估算电池组的SOP，并利用电池间电压差的绝对和平均电压值分析电池不一致性程度[30]。然而，没有具体定义区分单元不一致性的程度。由于使用和老化，电池组内的电池单元常常出现大小不一致。尤其是那些存在较大不一致性的电池单元，这对电池组SOP预测的准确性产生负面影响，且这些单元难以完全找到。克服这一问题的关键在于根据电池的不一致性将电池分类为不同等级。
细胞不一致性的分类方法主要归纳为三种类型：时间序列法、均差法、特定因子法。时间序列方法涉及测量所有电池的充电和放电电压或电流，然后利用电压或电流曲线作为区分不同电池的指示[31]。均差法涉及表征电池与平均电池之间电参数的差异。细胞不一致性通过SOC差[32]、电阻差和容量差[33]来评估。此外，针对不同因素对电池参数的影响，提出了一种特定因子方法，用于区分表现出不一致性的电池。在[34]中，考虑了温度分布不均对电池内部电阻和容量的影响。在[35]中，电池的放电速率决定了电池组的容量，而电池的分类则通过计算其自放电率实现。尽管这些研究描述了电池不一致性对电池系统运行特性的影响，但尚未量化电池不一致性。为量化单元不一致，提出了相关系数[36]和欧几里得距离[37]等方法。变差系数也用于测量单元不一致，基于方差和标准差公式[38,39]。相比之下，余弦相似度不仅用于归一化不同参数，而且不受参数向量维度影响。在[40]中，通过内部电阻量化了单元不一致性，确定相似系数最大的单元作为代表单元。在[41]中，通过利用电流和电压差构造特征向量来量化单元与相邻单元的不一致，确定相似系数最小的单元为异常单元。然而，只能判断极端数值单元格的不一致性程度，而不能适用于所有单元格。
为克服上述问题，开发了一种针对电池不一致性的并联电池组的SOP预测方法。本文的主要贡献包括：（1）为描述并联分支中单元不一致性随最大电流偏差的变化，提出了基于加权余弦相似度（WCS）的定量策略。（2）为了识别表现出较大不一致性的细胞，采用基于Fisher最优分割（FOS）的判定方法来确定细胞不一致性的程度。（3）基于鹦鹉优化器回传（PO-BP）神经网络的功率校正器被开发出来，以补偿细胞间较大不一致性引起的SOP差异。（4）开发的SOP预测方法可应用于存在显著电池不一致性的并联电池组，并在动态条件下验证其有效性和准确性。