虚拟组件等效电路

SOC误差降六成

把可训练神经网络模块嵌入经典等效电路，在保持可解释性的同时大幅提升电池状态估计精度。

Guo Z. · Li, Yiyan · Zhenghao, Zhou · Zhang, Chen · 严正 · Chow, Moyuen

International Journal of Electrical Power and Energy Systems 2025

参数信息

SOC估计误差降低百分比

62 %

SOC估计误差降低范围

18–75 %

技术优势

误差降六成

不同老化循环下平均SOC估计误差降低62%，源于FreTS模块对非线性动态的灵活表征。

可解释不黑箱

神经网络模块被嵌入经典ECM结构，保留了电路的物理含义和可解释性，而非完全替代为黑箱模型。

在线可用

模型训练完成后可直接用于电池在线SOC估计，无需离线批量处理，适合BMS实时运行。

应用场景

• 电池建模：用可训练虚拟组件替换固定RC参数，提高模型精度。
• SOC在线估计：提供实时高精度SOC估计，降低BMS控制误差。
• 电池健康管理：适应老化循环，保持SOC估计精度以辅助健康管理。
• 智能传感：融合神经网络与物理模型，为智能传感提供可解释状态估计。
• 机器人电源：在动态负载下提供准确SOC，保障机器人电源管理。