






摘 要:針對擴展卡爾曼濾波(Extended Kalman filter,EKF)算法與長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)不能準(zhǔn)確估計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)擴展卡爾曼濾波(Adaptve Extended Kalman filter, AEKF)與LSTM相結(jié)合的SOC估計算法,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算法辨識模型參數(shù),采用LSTM-AEKF算法估計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)行測試,結(jié)果表明,與傳統(tǒng)方法相比,LSTM-AEKF算法估計SOC的平均絕對誤差(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SOC。
關(guān)鍵詞:鋰離子電池;SOC估計;二階Thevenin等效模型;長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM);自適應(yīng)擴展卡爾曼濾波
中圖分類號: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,表示完全充滿電;當(dāng)SOC為0%時,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的測量受外界因素和電池內(nèi)部因素影響,對電池進(jìn)行SOC精確估計十分重要。
目前,SOC估計方法主要有3種,分別為安時積分法、長短期記憶網(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]。安時積分法是一種計量電池電量的基礎(chǔ)方法,它采用安時(Ampere-Hour,AH)累積的方法,對鋰電池進(jìn)行實時SOC估計[2]。LSTM算法估計非線性系統(tǒng)效果較好,但是在利用LSTM算法估計SOC的過程中,得到的解不一定是全局最優(yōu)解[4]。在實踐中,擴展卡爾曼濾波(Extended Kalman filter,EKF)算法是一種常用算法,可以較好地估計非線性系統(tǒng)的SOC問題[5]。
針對在不同噪聲環(huán)境中,EKF算法對SOC估計精度不足的問題,本文將自適應(yīng)……