基于Bi-LSTM/Bi-GRU循环神经网络的锂电池SOC估计
2021-05-26朱元富贺文武李建兴李有财李培强
储能科学与技术 2021年3期
关键词:模型
朱元富,贺文武,李建兴,李有财,李培强
(1福建工程学院,福建 福州350018;2福建星云电子股份有限公司,福建 福州350015)
为有效缓解温室效应等引发的全球变暖以及化石能源的过度使用而造成的环境污染等问题,全球能源的使用结构正在发生积极改变。传统化石能源的使用比例逐渐下降,新型可再生能源的使用比例则逐渐上升[1]。锂电池因其循环寿命长、能量转换效率高、比能量大、充电效率快、自放电率低等优点,在能源市场占用率不断攀升,已然成为储能元件的首选[2]。快速成长的电动汽车等领域更是高度依赖于锂电池等相关技术的发展。
电池的SOC 具体定义为电池的剩余容量与其标称容量的比例[3],是能量管理与控制的主要依据。SOC 不仅为电池的使用性能提供参考信息,同时也是电池组电池管理系统的重要基础,对电池的保护、工作效率以及使用寿命等具有重要的指导作用。锂电池荷电状态物理上具有高度复杂的非线性特性,一般难以直接测量。因此,准确估计电池的SOC 对电池的高效利用以及电动汽车的整车能量管理等具有重要意义[4]。当前电池SOC的主要估计方法可分为如下几大类型。
一是基于电池性能参数的估计,即通过测量电池的电流、电压或电池内阻等进行估计,其典型方法有安时积分法[5],开路电压法(OCV)[6]以及内阻法[7]等。一般来说,安时积分法需要获取初始的SOC 值,同时因电流传感器的噪声影响,SOC 相关测量值会产生偏移,并随时间递增而导致误差累积。……
登录APP查看全文
