基于递归神经网络和粒子滤波的锂电池SOC估计
电池的SOC估计是电池管理系统的最重要的功能之一,是对电动汽车行驶里程的量化评估.由于复杂的电池动态和环境条件,现有的数据驱动电池状态估计技术无法准确估计电池状态.为了克服这个问题,本文通过结合递归神经网络建模和基于粒子滤波的误差消除提出了一种新的SOC估计方法.首先,采用具有长短时间记忆的递归神经网络来学习电池SOC与锂离子电池的可测量变量(例如电流、电压和温度)之间的长期非线性关系.其次,采用粒子滤波对神经网络模型的估计误差进行去噪,来平滑估计结果.本文所提出的方法是无模型的并且能够捕获可测量变量和电池状态之间的长期依赖性.最后,通过在随机工况和不同温度下与传统数据驱动方法比较来验证所提出方法的优越性.
锂电池 SOC估计 误差消除 递归神经网络 粒子滤波
朱亚运 田佳强 徐瑞龙 张陈斌
中国科学技术大学,安徽合肥,中国,230026
国内会议
第20届中国系统仿真技术及其应用学术年会(20th CCSSTA 2019)
合肥
中文
502-506
2019-08-01（万方平台首次上网日期，不代表论文的发表时间）