电池储能系统SOC融合估计方法

精度提升计算更快

融合BP与LSTM神经网络，按频段分工估计SOC，实现精度与计算时间的平衡。

孙玉树 · Hongchuan, Li · Wang, Bo · Jia, Dongqiang · 裴玮 · 唐西胜

Hunan Daxue Xuebao/Journal of Hunan University Natural Sciences 2023

技术优势

精度提升

通过频段分解，分别用BP和LSTM估计不同频率分量，相比单一方法提高了SOC估计精度。

计算更快

将高频分量交给计算量小的BP网络，低频分量交给LSTM，整体计算时间比单纯LSTM更短。

关键特征筛选

通过KL散度、Pearson相关系数和灰色关联度分析输入参数与SOC的相关性，选出影响较大的特征，简化模型输入。

应用场景

• 电池管理系统：为BMS提供高精度、低计算量的SOC估计算法，提升电池状态监控可靠性。
• 储能系统监控：用于储能系统实时SOC监测，优化充放电控制与能量调度。
• SOC估算算法部署：融合算法平衡精度与计算量，适合在嵌入式BMS中部署实时估计。