基于电化学阻抗谱与HO-TFRNN模型的磷酸铁锂电池SOC估计

现在主要的SOC估计方法有5种。①开路电压法(open-circuit voltage method，OCV)，该方法在电池内部化学体系处于平衡状态时能近似估计实际的SOC状态，但是该方法需要电池保持长时间静置状态，不适用于实时估计。②安时积分法(Ampere-hour integration)，该方法具有操作简单、计算成本低等优点。然而安时积分法本身无法准确确定电池的初始SOC值，因此无法避免引入较大的估计误差。③传统的模型驱动的估计方法，如扩展卡尔曼滤波法(Kalman filter，KF)，能较准确估计多温度下的SOC状态，但该类方法复杂度高、估算耗时较长。④数据驱动的估计方法。使用深度学习方法样本对数据进行训练，能够建立起电池运行数据与实际电池状态之间的关系，从而估计电池状态。该类方法具备强大的非线性处理能力，能够避免建立高精度电池模型所带来的耗时过长问题，尤其适用于长期使用和动态工况下的估计。⑤基于电化学阻抗谱(electrochemical impedance spectroscopy，EIS)的方法。该方法可以非侵入式测试电池内部状态而且不需依赖电池的工作工况。EIS方法通过施加一定幅值且不同频率的交流(AC)信号，测量输出电压的幅值与相位，从而获取电池的电化学动态特性。EIS已成功应用于电池研究领域，包括对磷酸铁锂动力电池进行性能评估、电池状态监测、电极材料研究和电解质界面研究等。

基于深度学习和EIS的优势，研究者们近年来逐渐开始将之应用于电池SOC状态估计中。Messing等提出了一种基于深度神经网络(deep neural networks，DNN)和EIS的电池SOC估计策略，并验证其有效性；于天剑等提出了一种将自适应加权多通道长短期记忆网络(long short-term memory，LSTM)与Transformer融合的算法，以较高精度实现了对电池SOC和SOH的估计；在不同SOC条件下对三元锂电池进行了EIS测试，验证了EIS用于估计各种电池状态以及诊断电池故障的适用性，说明基于EIS的电池状态估计可扩展到三元锂离子电池等多种电池上；Pang等通过混合脉冲功率特性(HPPC)实验利用EIS数据建立二阶Thevenin等效电路模型，验证了EIS数据与SOC之间的强相关性。

现有研究表明基于EIS的方法会产生大量数据，若通过传统方法处理数据比较困难，而深度学习则需要大量的数据才能较好地分析出数据之间的关系。同时，将EIS数据结合等效电路模型提取其中的参数，将等效电路模型中的参数与EIS原始数据中的阻抗数据结合起来则可以更全面地利用EIS数据。因此，本研究将EIS与等效电路模型相结合获得特征数据，然后采用深度学习的方法进行电池SOC估计。首先通过大量实验采集了LFP电池在不同SOC状态下的原始EIS数据集；随后通过对EIS数据的处理，从等效电路模型参数和全频段EIS数据中筛选出与SOC相关性最强的特征参数子集，作为后续估计模型的输入；进而通过研究对比多种神经网络结构与优化算法，提出了基于河马优化算法(hippopotamus optimization，HO)和混合时间-频率循环神经网络(time-frequency recurrent neural network，TFRNN)的SOC估计算法。算法先采用TFRNN网络对电池SOC进行估计，确保算法的初始精度，然后引入Transformer对网络结构进行改进，再使用HO算法对算法中的各个超参数进行调优，提高了估计的精度。