电池储能系统SOC神经网络融合估计方法

为了更好地获取电池储能系统当前的运行状态,提出了基于神经网络融合的电池储能系统SOC估计方法.首先,对比分析了前馈(BP)、门控循环单元(GRU)和长短时记忆(LSTM)神经网络算法的优劣,BP计算时间较短,LSTM对时序数据估计精度较高;然后,利用KL散度、皮尔逊相关系数和灰色关联度分析了不同输入参量和SOC的相关程度,并和LSTM估计结果相比对,筛选出对电池储能系统SOC影响较大的特征参量;最后,应用经验模态分解算法将SOC数据分解为多个分量,利用样本熵将分量聚合为高低两个频段,进而应用BP、LSTM神经网络算法分频段估计,和单一策略相比,该方法在提高SOC估计精度的同时,减少了计算时间.