基于EKF和CNN的离子电池的SOC预测-BiLSTM-注意

科学领域:

• * * 储能系统 储能系统
• * 电池管理系统电池管理系统
• * 计算电磁学 计算机电磁学

背景情况:

• *精确的电荷状态 (SOC) 估计对于铁酸盐 (LiFePO4) 电池的安全性和储能可靠性至关重要.
• *深度学习模型为SOC预测提供端到端的特征提取,但往往缺乏物理约束,影响可解释性和一致性.
• *纯粹基于数据的方法可以降低性能,而无需事先的物理知识.

研究的目的:

• * 开发一种新的混合深度学习模型,用于提高 LiFePO4 电池中的 SOC 估计.
• *将物理约束纳入数据驱动的框架,以提高预测准确性和可解释性.
• * 通过各种操作条件和温度验证模型的性能.

主要方法:

• * 用扩展的卡尔曼过 (EKF) 算法建立了第二级电阻电容器 (RC) 电路模型,用于初始 SOC 估计.
• * 卷积神经网络 (CNN) 用于特征提取,向双向长短期记忆 (BiLSTM) 网络输入.
• * 整合了注意力机制,以动态加重重要特征,提高预测准确度.

主要成果:

• * 拟议的混合模型在10°C和25°C的多种操作条件下实现了SOC估计平均误差小于0.5%.
• *与现有的CNN-BiLSTM-Attention和CNN-LSTM-Attention模型相比,该模型显示了较低的预测偏差和较低的波动幅度.
• * 在不同的操作条件下观察到优越的概括能力和接近边界条件的稳定性.

结论:

• * 集成的EKF-CNN-BiLSTM-Attention模型为LiFePO4电池提供了准确和物理一致的SOC估计.
• *混合方法克服了纯数据驱动方法的局限性,为储能系统提供了更高的可靠性.
• * 该模型显示了提高电池管理系统的安全性和性能的巨大潜力.