在车辆行驶过程中,荷电状态(State of Charge,SOC)估算高度依赖电流测量,但电流传感器故障会导致数据缺失,进而降低SOC估算精度,为此,亟需一种能够在电流数据异常或缺失情况下仍可准确估算SOC的方法。针对此问题,提出了一种基于卷积神...在车辆行驶过程中,荷电状态(State of Charge,SOC)估算高度依赖电流测量,但电流传感器故障会导致数据缺失,进而降低SOC估算精度,为此,亟需一种能够在电流数据异常或缺失情况下仍可准确估算SOC的方法。针对此问题,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)-长短期记忆(Long Short-Term Memory,LSTM)网络-科尔莫戈洛夫-阿诺德网络(Kolmogorov-Arnold Networks,KAN)的数据驱动方法,该方法不依赖电流数据,可以作为电流传感器失效时的替代SOC估算方案。CNN-LSTM网络-KAN模型综合利用了CNN的特征提取能力、LSTM网络的时间序列建模优势和KAN的非线性分解能力,从而实现对车辆行驶过程中SOC的估算。最终CNN-LSTM网络-KAN模型通过实车行驶数据集得到了效果验证,结果表明,所提方法对SOC的预测值与SOC真实值之间的平均绝对误差(Mean Absolute Error,MAE)为0.381,均方根误差(Root Mean Square Error,RMSE)为0.467,决定系数R2为0.980。说明所提方法在电流传感器失效情况下,仍然能够有效估算车辆的SOC。展开更多
