研究基于CALSE-LSTM模型和算法精确的电池充电状态估计方法
Zujun Ding1, Daiming Hu1, Yang Jing1
1Huaiyin Institute of Technology, Huaiyin, Jiangsu, 223002, China.
Heliyon
|September 10, 2024
概括
这项研究引入了CALSE-LSTM,这是一种用于准确估计电池充电状态 (SoC) 的新型模型. 与现有方法相比,它大大减少了估计错误.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 材料科学 材料科学 材料科学
背景情况:
- 精确的电荷状态 (SoC) 估计对于电池的性能和安全至关重要.
- 现有型号经常与复杂的电池动力学和功能提取作斗争.
研究的目的:
- 开发一个先进的融合模型,CALSE-LSTM,以优化电池 SoC 估计精度.
- 为了利用双重注意力机制和参数微调来增强特征学习.
主要方法:
- 卷积神经网络 (CNN),长期短期记忆网络 (LSTM) 和双重注意力机制 (自我注意力和挤压刺激) 的整合.
- 使用电池历史数据和功耗作为输入特征.
- 用鱼算法微调参数.
主要成果:
- 在城市动力计驾驶时间表 (UDDS) 条件下,CALSE-LSTM在城市动力计驾驶时间表 (UDDS) 条件下实现了1.73%的根平均平方误差 (RMSE).
- 与GRU (31.9%),LSTM (31.3%) 和CNN-LSTM (15%) 相比,显著减少了错误.
- 废弃性研究证实了双重注意力机制的有效性.
结论:
- 在电池SoC估计中,CALSE-LSTM展示了卓越的准确性和效率.
- 双重注意力机制和将功耗作为一个功能显著提高了性能.
- 该模型显示了电池管理系统中实际应用的巨大潜力.
