本发明提供了一种基于拓展卡尔曼滤波算法和LSTM网络对锂离子电池荷电状态的联合预测方法,引入神经网络算法通过对EKF算法的预测值和预测误差进行补偿,从而提高对荷电状态的预测精度。本发明建立等效电路模型后,根据采集设备获得的锂离子电池内外参数,对数据预处理后进行加权平均,联立卡尔曼滤波算法和长短期记忆网络,将拓展卡尔曼滤波算法的预测值和误差值作为神经网络的训练样本,进一步提高预测精度,结果证明,本发明的荷电状态联合预测法能实时地跟踪实际值,在电流波动较大时能也能较为准确的显示电源当前状态并得到准确的荷电状态的预测值,在降低了噪声对预测结果的干扰的同时降低了计算量,利于电池管理系统的集成。
声明:
“基于EKF-LSTM的锂电池荷电状态联合预测测量方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)