基于LSTM循环神经网络的电池SOC预测方法

论文摘要

针对锂离子电池荷电状态（state of charge, SOC）预测问题,利用长短期记忆（long short-term memory, LSTM）循环神经网络建立电池SOC预测模型。在恒阻放电情况下,将电池输出电流、输出电压和电池表面温度作为模型的主要输入,使用训练样本对神经网络进行训练,使用验证样本进行验证。结果表明,用该方法进行电池SOC预测时可使最大绝对误差仅为1.96%,均方根误差为0.986%,可行性被验证。分析神经网络隐含层中不同的神经元个数对预测结果的影响,对比不同批大小情况下训练出的神经网络的预测误差。将隐含层分别设置为1至3个LSTM细胞核,得到不同条件下神经网络的预测误差。结果为电池SOC预测的神经网络模型的隐含层神经元个数、批大小和LSTM细胞核个数的设定提供参考。

论文目录

文章来源

类型: 期刊论文

作者: 耿攀,许梦华,薛士龙

关键词: 锂离子电池,荷电状态,电动汽车,长短期记忆,循环神经网络

来源: 上海海事大学学报 2019年03期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业,自动化技术

单位: 上海海事大学物流工程学院

分类号: TM912;TP183

DOI: 10.13340/j.jsmu.2019.03.021

页码: 120-126

总页数: 7

文件大小: 1012K

下载量: 563

相关论文文献

标签：锂离子电池论文;  荷电状态论文;  电动汽车论文;  长短期记忆论文;  循环神经网络论文;