随着电动汽车技术的迅猛发展,准确评估电池的荷电状态(State of Charge,SOC)对于保障车辆性能和安全至关重要.针对现有SOC估计方法的不足,提出了基于麻雀搜索算法进行参数优化的长短期记忆(Long and Short-Term Memory,LSTM)神经网络模...随着电动汽车技术的迅猛发展,准确评估电池的荷电状态(State of Charge,SOC)对于保障车辆性能和安全至关重要.针对现有SOC估计方法的不足,提出了基于麻雀搜索算法进行参数优化的长短期记忆(Long and Short-Term Memory,LSTM)神经网络模型.首先通过实车数据采集与预处理,构建了包含多种实车运行参数的数据库,并利用信息熵和互信息理论对数据进行特征筛选,以识别与SOC高度相关的特征.然后将筛选出的特征输入到长短期记忆神经网络模型中,并使用麻雀搜索算法对模型参数进行优化.研究结果表明:该模型在多种驾驶工况和不同的充放电环境下均能实现高精度的SOC估计,验证了SOC估计的准确性和鲁棒性,为电池管理系统的发展提供了有力的技术支持.展开更多
文摘随着电动汽车技术的迅猛发展,准确评估电池的荷电状态(State of Charge,SOC)对于保障车辆性能和安全至关重要.针对现有SOC估计方法的不足,提出了基于麻雀搜索算法进行参数优化的长短期记忆(Long and Short-Term Memory,LSTM)神经网络模型.首先通过实车数据采集与预处理,构建了包含多种实车运行参数的数据库,并利用信息熵和互信息理论对数据进行特征筛选,以识别与SOC高度相关的特征.然后将筛选出的特征输入到长短期记忆神经网络模型中,并使用麻雀搜索算法对模型参数进行优化.研究结果表明:该模型在多种驾驶工况和不同的充放电环境下均能实现高精度的SOC估计,验证了SOC估计的准确性和鲁棒性,为电池管理系统的发展提供了有力的技术支持.
