动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实...动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实SOC值进行对比分析,测试结果显示,充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0004%,1.71%]。放电时充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0002%,3.0%]。然后采用电池组的运营数据进行电池组的SOC的估计,并与实际运行数据的中SOC值进行比较,充电时的误差绝对值范围为[0.0029%,3.1%],放电时误差绝对值范围为[0.0001%,3.7%]。结果表明所提出的CNN-GRU联合算法在纯电动公交车锂电池组SOC估计方面具有良好的应用价值。展开更多
文摘动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实SOC值进行对比分析,测试结果显示,充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0004%,1.71%]。放电时充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0002%,3.0%]。然后采用电池组的运营数据进行电池组的SOC的估计,并与实际运行数据的中SOC值进行比较,充电时的误差绝对值范围为[0.0029%,3.1%],放电时误差绝对值范围为[0.0001%,3.7%]。结果表明所提出的CNN-GRU联合算法在纯电动公交车锂电池组SOC估计方面具有良好的应用价值。
