基于LSTM-AEKF算法的鋰離子電池SOC估計(jì)

摘 要：針對(duì)擴(kuò)展卡爾曼濾波（Extended Kalman filter，EKF）算法與長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）不能準(zhǔn)確估計(jì)鋰離子電池荷電狀態(tài)（State of Charge，SOC）的問題，本文提出了一種基于二階戴維寧（Thevenin）的等效電路模型，采用自適應(yīng)擴(kuò)展卡爾曼濾波（Adaptve Extended Kalman filter， AEKF）與LSTM相結(jié)合的SOC估計(jì)算法，即LSTM-AEKF算法。在二階RC等效電路模型的基礎(chǔ)上建立整數(shù)階模型，并采用EKF算法辨識(shí)模型參數(shù)，采用LSTM-AEKF算法估計(jì)SOC，與AEKF算法、LSTM算法進(jìn)行比較。根據(jù)馬里蘭大學(xué)公開數(shù)據(jù)集進(jìn)行測(cè)試，結(jié)果表明，與傳統(tǒng)方法相比，LSTM-AEKF算法估計(jì)SOC的平均絕對(duì)誤差（Mean Absolute Error，MAE）與均方根誤差（Root Mean Square Error，RMSE）分別下降了1.23%、1.5%，基于二階RC模型的LSTM-AEKF算法可以有效估計(jì)SOC。

關(guān)鍵詞：鋰離子電池；SOC估計(jì)；二階Thevenin等效模型；長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）；自適應(yīng)擴(kuò)展卡爾曼濾波

中圖分類號(hào)：TM 912 " " " " " " 文獻(xiàn)標(biāo)志碼：A

鋰電池的SOC（State of Charge）即鋰電池目前的剩余電量，SOC取值為0%～100%，當(dāng)SOC為100%時(shí)，表示完全充滿電；當(dāng)SOC為0%時(shí)，表示電池剩余電量為0，電池的內(nèi)部電量完全放空。電池SOC的測(cè)量受外界因素和電池內(nèi)部因素影響，對(duì)電池進(jìn)行SOC精確估計(jì)十分重要。

目前，SOC估計(jì)方法主要有3種，分別為安時(shí)積分法、長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）相關(guān)算法和卡爾曼濾波相關(guān)算法[1]。安時(shí)積分法是一種計(jì)量電池電量的基礎(chǔ)方法，它采用安時(shí)（Ampere-Hour，AH）累積的方法，對(duì)鋰電池進(jìn)行實(shí)時(shí)SOC估計(jì)[2]。LSTM算法估計(jì)非線性系統(tǒng)效果較好，但是在利用LSTM算法估計(jì)SOC的過程中，得到的解不一定是全局最優(yōu)解[4]。在實(shí)踐中，擴(kuò)展卡爾曼濾波（Extended Kalman filter，EKF）算法是一種常用算法，可以較好地估計(jì)非線性系統(tǒng)的SOC問題[5]。

針對(duì)在不同噪聲環(huán)境中，EKF算法對(duì)SOC估計(jì)精度不足的問題，本文將自適應(yīng)……