原文信息
State of power prediction joint fisher optimal segmentation and PO-BP neural network for a parallel battery pack considering cell inconsistency
原文链接：
https://www.sciencedirect.com/science/article/pii/S0306261924025145
Highlights
(1) 提出了一种基于 WCS 的电池单体定量区分策略
(2) 开发了一种利用 FOS 确定电池单体不一致程度的方法
(3) 开发了一种基于 PO-BP 神经网络的功率校正器，用于补偿 SOP 差异
(4) 将所开发的结合 FOS 和 PO-BP 的方法应用于并联电池组的 SOP 估算
Research gap
现有的多数研究缺乏精确量化电芯不一致性程度的方法，难以区分不同程度的不一致性，无法有效识别影响 SOP 预测的电芯。传统 SOP 预测方法，如模型预测法、监测法和融合法，分别存在简化结构忽视不一致性、计算存储负担大、依赖模型和 SOC 精度或受神经网络参数影响等问题。现有不一致性分类方法也无法全面精准量化电芯不一致性。因此，急需有效解决电芯不一致性以提升电池组 SOP 预测准确性的方法。
Abstract
Accurate state of power (SOP) of battery is critical for efficient control and stable operation of electric vehicles. Due to cell inconsistency and even varying degrees of discrepancy, especially, for the cells with large inconsistencies, accurately predicting SOP for a parallel battery pack faces challenges. To resolve these problems, a SOP prediction method joint Fisher optimal segmentation (FOS) and parrot optimizer-back propagation (PO-BP) neural network is developed. First, a quantitative differentiation strategy of the cell inconsistency based on weighted cosine similarity (WCS) is presented, which can describe the variation of cell similarity coefficient with maximum current deviation in parallel branch. Secondly, according to similarity coefficient and current deviation of the cells, a determination method using FOS for the degree of cell inconsistency is developed to identify cells with large inconsistencies. Finally, a power corrector based on the PO-BP neural network is developed to compensate for the SOP differences caused by the cells with large inconsistencies, thereby improving the SOP prediction accuracy. The experimental results verify the effectiveness of the developed method under various dynamic conditions, with a decrease of approximately 60 % in both the mean absolute error and the root mean square error of the SOP for a parallel battery pack.
Keywords
State of power
Cell inconsistency
Parallel battery pack
Power corrector
Graphics
图 1. 电芯不一致程度评估示意图
图 2. 所开发的 PO - BP 神经网络示意图
图 3. 所开发的 SOP 预测方法总体框架
图 4.FUDS下不同时间尺度SOP预测结果
图 5.DST下不同时间尺度的SOP预测结果
作者简介
团队介绍：
本研究由盐城⼯学院电⽓⼯程学院彭思敏教授联合盐城技师学院环境⼯程学院、哈尔滨⼯业⼤学汽⻋⼯程学院和上海交通⼤学电⼦信息与电⽓⼯程学院的研究⼈员共同完成。
一作及通信作者简介：
彭思敏，博士，IEEE 高级会员，盐城工学院先进储能技术及应用研究所创建者及所长。长期从事电池储能系统控制与管理、新能源汽车无线充电控制研究，主持国自然面上项目、国自然青年基金项目、江苏省自然科学基金项目、江苏省科技支撑项目、江苏省高校自然科学基金面上项目等；发表学术论文40余篇、入选ESI高被引论文4篇；入选江苏省高校“青蓝工程”中青年学术带头人、江苏省高校“青蓝工程”优秀青年骨干教师，盐城市有突出贡献中青年专家；担任Applied Energy，IEEE Transaction on Power Electronics等30多个SCI期刊审稿人。
关于Applied Energy
本期小编：陈媛 ；审核人：武龙星
《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子10.1，CiteScore 21.2，本刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。开源（Open Access）姊妹新刊《Advances in Applied Energy》影响因子13.0，CiteScore 23.9。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！
公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org
