基于LSTM-AEKF算法的鋰離子電池SOC估計

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)……