基于LSTM-AEKF算法的锂离子电池SOC估计OA

针对扩展卡尔曼滤波(Extended Kalman filter,EKF)算法与长短期记忆网络(Long Short-Term Memory,LSTM)不能准确估计锂离子电池荷电状态(State of Charge,SOC)的问题,本文提出了一种基于二阶戴维宁(Thevenin)的等效电路模型,采用自适应扩展卡尔曼滤波(Adaptve Extended Kalman filter,AEKF)与LSTM相结合的SOC估计算法,即LSTM-AEKF算法.在二阶RC等效电路模型的基础上建立整数阶模型,并采用EKF算法辨识模型参数,采用LSTM-AEKF算法估计SOC,与AEKF算法、LSTM算法进行比较.根据马里兰大学公开数据集进行测试,结果表明,与传统方法相比,LSTM-AEKF算法估计SOC的平均绝对误差(Mean Absolute Error,MAE)与均方根误差(Root Mean Square Error,RMSE)分别下降了1.23%、1.5%,基于二阶RC模型的LSTM-AEKF算法可以有效估计SOC.