基于GWO-LSTM与LSSVM的锂离子电池荷电状态与容量联合估计

作者：王桥; 魏孟; 叶敏^*; 廉高棨; 麻玉川

来源：汽车安全与节能学报, 2022, 13(03): 571-579.

• 锂离子电池
• 荷电状态(SOC)估计
• 容量估计
• 长短时记忆网络(LSTM)
• 灰狼优化(GWO)
• 最小二乘支持向量机(LSSVM)

为了提高锂离子电池老化后的荷电状态(SOC)估计精度，通过分析锂离子电池的充电与放电特性，提出一种基于长短时记忆(LSTM)网络和最小二乘支持向量机(LSSVM)的荷电状态与容量联合估计模型。根据锂离子电池的充放电特性，提出片段电压的充电时间作为健康因子；基于最小二乘支持向量机建立了锂离子电池的容量估计模块，容量估计结果通过记忆门控被记录下来；基于灰狼算法优化的长短时记忆网络(GWO-LSTM)框架建立了锂离子电池的荷电状态与容量的联合估计模型。结果表明：与粒子群算法优化的反向传播神经网络(BPNN-PSO)和传统长短时记忆网络模型对比，所提方法的容量估计精度提高了43%以上，SOC估计表现出更好的鲁棒性。

• 单位
  长安大学