来源：期刊VIP网 时间：
作者：陈媛;李佳乐;刘炎忠;何怡刚;
单位：安徽大学人工智能学院;武汉大学电气与自动化学院;
摘要：准确估计荷电状态（State of Charge,SOC）是确保锂离子电池可靠运行的基础。针对现有深度学习方法输入特征不足的问题，提出一种基于物理模型和深度学习算法的SOC估计方法。该方法结合卷积神经网络（Convolutional Neural Network,CNN）的局部特征提取能力和双向门控循环单元（Bi-directional Gated Recurrent Unit,BiGRU）的时序序列处理能力，通过引入一阶电阻-电容（Resistor-Capacitor,RC）模型输出的端电压作为输入特征，与实测电压、电流共同构成神经网络输入，从而提升CNN-BiGRU对复杂动态工况的建模能力。实验结果表明，CNN-BiGRU模型的SOC估计效果良好，对于马里兰大学高级生命工程中心（Center for Advanced Life Cycle Engineering,CALCE）数据集，常温（25℃）下其均方根误差为0.16%、平均绝对值误差为0.12%。该模型对不同环境温度和不同老化程度的锂电池均具有较高的预测精度和鲁棒性。
关键词：锂离子电池;;SOC估计;;物理模型;;CNN-BiGRU模型
基金资助：国家自然科学基金重点项目(51637004);国家自然科学基金青年科学基金C类(62503002)
