物理信息集成SOC估计模型

精度提升超60%

把电化学模型导出的物理量注入基学习器，再用元学习器集成多个异构模型，无需权重计算就能让SOC估计更准、更稳。

Yu, Hanqing · Zhang, Zhengjie · Kaiyi, Yang · Zhang, Lisheng · Wentao, Wang · 杨世春 · 李俊夫 · 刘新华

Journal of Energy Storage 2023

参数信息

SOC估计精度提升

60 %

技术优势

精度提升超60%

通过引入SEM提取的开路电压和反应极化电阻作为物理信息，并采用集成学习，PIEDL框架显著降低SOC估计误差。

集成了物理信息

将电化学模型导出的物理量作为额外输入，使深度学习模型在训练数据受限的情况下仍能保持准确性。

泛化于不同电池

训练好的模型在不同类型的电池上验证了泛化能力，无需为每种电池重新训练。

应用场景

• 电池管理系统：用于BMS在线估计SOC，提升精度与鲁棒性。
• 电池状态估计：为SOC估计提供融合物理信息的模型，提升准确性。
• AI驱动控制：作为AI控制中的状态观测模块，保障控制决策。