电池荷电状态(state of charge,SOC)的准确估计近年来成为新能源发展的重中之重,也是电池管理系统(BMS)中最核心的部分。针对改进卡尔曼滤波算法(EKF)与门控循环单元神经网络算法(GRU)的缺陷,提出了一种基于3DGRU-EKF的改进SOC估算算法...电池荷电状态(state of charge,SOC)的准确估计近年来成为新能源发展的重中之重,也是电池管理系统(BMS)中最核心的部分。针对改进卡尔曼滤波算法(EKF)与门控循环单元神经网络算法(GRU)的缺陷,提出了一种基于3DGRU-EKF的改进SOC估算算法。首先使用二阶RC电池等效模型,利用复合脉冲功率特性测试(HPPC)进行电池参数辨识;随后对电池模型进行状态空间方程的建立,并利用EKF算法进行更新迭代来估算电池的SOC,可以得到卡尔曼增益与SOC估算误差;最后将2个量结合HPPC工况下的电压与电流作为3DGRU网络的输入,真实的SOC作为输出来训练神经网络。实验结果表明,提出的3DGRUEKF算法估算SOC的均方根误差(RMSE)与平均绝对误差(MAE)均小于0.5%,具有良好的效果。展开更多
文摘电池荷电状态(state of charge,SOC)的准确估计近年来成为新能源发展的重中之重,也是电池管理系统(BMS)中最核心的部分。针对改进卡尔曼滤波算法(EKF)与门控循环单元神经网络算法(GRU)的缺陷,提出了一种基于3DGRU-EKF的改进SOC估算算法。首先使用二阶RC电池等效模型,利用复合脉冲功率特性测试(HPPC)进行电池参数辨识;随后对电池模型进行状态空间方程的建立,并利用EKF算法进行更新迭代来估算电池的SOC,可以得到卡尔曼增益与SOC估算误差;最后将2个量结合HPPC工况下的电压与电流作为3DGRU网络的输入,真实的SOC作为输出来训练神经网络。实验结果表明,提出的3DGRUEKF算法估算SOC的均方根误差(RMSE)与平均绝对误差(MAE)均小于0.5%,具有良好的效果。
