|
| 基于EKF-LSTM 融合算法的锂离子电池荷电状态预测方法 |
|
| |
|
| 摘要点击次数: 102 |
| 全文下载次数: 38 |
| 中文摘要: |
| 针对动态工况下锂离子电池荷电状态估计精度不足的问题，提出一种融合扩展卡尔曼滤波（EKF）与长短期记忆网络（LSTM）的预测方法。该方法通过 EKF 实现实时状态递推估计，利用LSTM网络对EKF的线性化误差进行动态补偿，构建端到端的误差校正机制；采用二阶电阻-电容等效电路模型对电池进行建模，并选用马里兰大学电池数据集辨识模型参数。在“联邦城市驾驶规程”和“北京动态应力测试”2种工况下进行验证，结果表明：EKF-LSTM 融合算法的均方根误差和均值绝对误差均显著低于单独使用EKF算法时，电池荷电状态（SOC）误差均控制在1% 以内。该预测方法可为电动汽车电池管理系统优化提供新的思路。 |
| 英文摘要: |
| |
| 查看全文 查看/发表评论 |
| 关闭 |
|
|
|
