State-of-charge estimation of lithium-ion batteries using LSTM and UKF
State-of-charge estimation of lithium-ion batteries using LSTM and UKF
复制标题
使用 LSTM 和 UKF 估计锂离子电池的充电状态
DOI：
10.1016/j.energy.2020.117664
复制
发表时间：
2020-06
期刊：
影响因子：
9
通讯作者：
Qiang Miao
中科院分区：
文献类型：
--
作者：
Fangfang Yang;Shaohui Zhang;Weihua Li;Qiang Miao
对于磷酸铁锂电池，环境温度和开路电压-荷电状态（SOC）曲线平坦是影响SOC估计精度的两个主要因素，而SOC估计对于电动汽车续驶里程估计和电池最优充电控制至关重要。为了解决这些问题，本文提出了一种长短期记忆（LSTM）-递归神经网络来模拟不同温度下复杂的电池行为，并根据电压、电流和温度变量估计电池SOC。采用无迹卡尔曼滤波器（UKF）滤除噪声，进一步减小估计误差。所提出的方法进行评估，使用从动态应力测试，联邦城市驾驶时间表，和US 06测试收集的数据。实验结果表明，该方法可以很好地学习环境温度的影响，并在0° C ~ 50° C的温度范围内估计电池SOC，均方根误差小于1.1%，平均误差小于1%。此外，所提出的方法也提供了一个令人满意的SOC估计在其他温度下，没有以前的数据训练。
For lithium iron phosphate battery, the ambient temperature and the flat open circuit voltage-state-of-charge (SOC) curve are two of the major issues that influence the accuracy of SOC estimation, which is critical for driving range estimation of electric vehicles and optimal charge control of batteries. To address these problems, this paper proposes a long short-term memory (LSTM)–recurrent neural network to model the sophisticated battery behaviors under varying temperatures and estimate battery SOC from voltage, current, and temperature variables. An unscented Kalman filter (UKF) is incorporated to filter out the noises and further reduce the estimation errors. The proposed method is evaluated using data collected from the dynamic stress test, federal urban driving schedule, and US06 test. Experimental results show that the proposed method can well learn the influence of ambient temperature and estimate battery SOC under varying temperatures from 0° C to 50° C, with root mean square errors less than 1.1% and mean average errors less than 1%. Moreover, the proposed method also provides a satisfying SOC estimation under other temperatures which have no data trained before.
登录
查看更多内容
影响因子：
7.7
作者：
Sahinoglu, Gozde O.;Pajovic, Milutin;Wada, Toshihiro
通讯作者：
Wada, Toshihiro
在新的组合动态负载曲线下估算锂离子电池充电状态的三种基于模型的算法的比较研究
影响因子：
11.2
作者：
Yang Fangfang;Xing Yinjiao;Wang Dong;Tsui Kwok-Leung
通讯作者：
Tsui Kwok-Leung
具有双粒子滤波器充电状态估计的新型动力锂离子电池温度补偿模型
影响因子：
11.2
作者：
Liu Xingtao;Chen Zonghai;Zhang Chenbin;Wu Ji
通讯作者：
Wu Ji
影响因子：
20.6
作者：
Julier, SJ;Uhlmann, JK
通讯作者：
Uhlmann, JK
影响因子：
11.2
作者：
Ng, Kong Soon;Moo, Chin-Sien;Hsieh, Yao-Ching
通讯作者：
Hsieh, Yao-Ching