电池组荷电状态估计模型

误差低于3%

一种基于真实驾驶数据和CNN-BiLSTM-Attention的深度学习模型，通过引入电池组内单体不一致性演化特征，显著提高了电池组SOC估计的精度。

Sun, Changcheng · 高明裕 · Cai, Hui · Xu, Fei · Zhu, Chunxiang

Journal of Energy Storage 2024

参数信息

SOC估计误差

<3 %

均方根误差

<1.12 %

平台期SOC估计误差

<2 %

整体RMSE降低比例

31 %

低SOC区间RMSE降低比例

51 %

技术优势

误差低于3%

在窗口长度25步、重叠率>72%的设置下，SOC估计误差控制在3%以内，满足BMS精度要求。

平台期误差更低

在30%–100% SOC的放电平台期，估计误差降到2%以下，对实际驾驶中常见的平台期运行更可靠。

低SOC区精度大幅提升

加入Weibull分布特征后，低于31% SOC区间的RMSE降低约51%，有效解决低荷电状态估计难题。

应用场景

• 电池管理系统：提升SOC估计精度，防止过充过放，增强电池安全性。
• 电动车电池：基于真实行车数据，适应实际驾驶工况，提高续航估算可靠性。
• 储能系统：适用于大规模储能电池组的SOC监测，优化能量管理。
• 车联网：可利用车联网实时数据流进行在线SOC估计。