基于深度学习的电池SOC分阶段估算

电池荷电状态(state of charge,SOC)是评估电池电气状态和储能系统状态的核心指标。针对电池的高度非线性关系及SOC在不同阶段特性的差异,采用误差反向传播算法神经网络(back propagation neural network,BP)和门控循环单元循环神经网络(gate recurrent unit-recurrent neural network,GRU-RNN)分阶段搭建不同的预测模型,利用电池电压、电流、温度和电池健康度(state of health,SOH),实现电池全生命周期SOC估算。由于BP和GRU-RNN模型参数难以确定,采用改进的遗传算法(genetic algorithm,GA)进行参数寻优,以此提高算法的全局搜索能力和收敛速度。验证结果表明,该方法将SOC估算平均误差减小至1.78%,与单一的预测模型相比,提出的估算方法能够有效提高估算的精度。