LSTM增强EKF算法

抗不确定性高精度

结合LSTM时序学习与EKF非线性处理，提高电池荷电状态估计在传感器故障、电池老化和外部干扰下的鲁棒性。

Baijia, Yu · 王刚 · Erning, Zhu · Siyu, Yao · 周云

Journal of Energy Storage 2025

技术优势

抗不确定性更强

LSTM部分学习时序依赖并适应环境不确定性，使算法在实际场景中表现更可靠。

不同工况下稳定

实验结果表明所提方法在不同测试条件下保持稳定性能，适合实际部署。

即插即用部署

该方法在电池管理系统中的实际部署被强调为可行，无需大幅改动现有架构。

应用场景

• 电池管理系统：直接用于BMS实时SOC估计，无需大幅改动现有架构。
• 动力电池健康监测：在传感器故障或电池老化情况下仍能准确估计SOC，提升EV可靠性。
• 储能系统状态估计：适应储能系统外部干扰，提供稳定的SOC估计用于能量管理。