基于改进LSTM的脉冲大倍率工况下锂电池SOC估计

锂离子电池是电力系统中不可或缺的重要储能元件。针对脉冲大倍率放电下锂离子电池荷电状态(State of Charge,SOC)预测问题,采用改进的长短期记忆循环神经网络(Long Short-term Memory,LSTM)搭建三元锂电池SOC预测模型。所用方法在原有LSTM基础上增加两个门控单元,通过增强LSTM内部输入和输出的交互,提高模型的动态逼近能力。在脉冲大倍率放电工况下,将所用方法与BP神经网络(Back Propagation,BP)、LSTM神经网络相比较,验证了算法在脉冲放电下的预测性能。实验结果表明,改进方法可准确表征三元锂电池工作特性,满足了SOC估计的实际需求。     

基于LSTM神经网络的锂离子电池荷电状态估算

针对锂离子电池荷电状态(state of charge, SOC)预测问题,采用长短期记忆循环神经网络(long short-term memory, LSTM)搭建电池SOC预测模型。利用直流电子负载对18650锂离子电池进行多工况放电,将电池电压、放电电流作为模型输入。将采集数据分为训练集、验证集和测试集,在训练集上训练模型,在验证集上调节模型超参数,在测试集上测试模型性能。采用带动量的随机梯度下降(stochastic gradient descent, SGD)进行权重更新,并加入Dropout正则化方法。在动态放电情况下,使用所提方法预测电池SOC最大绝对误差为2.0%,平均绝对误差为1.05%,验证了该方法的可行性。测试结果表明,在模型训练过程中加入Dropout正则化方法,可以有效降低网络的过拟合现象,增强模型的泛化能力。