基于LSTM循环神经网络的电池SOC预测方法

• 作者: 耿攀 薛士龙 许梦华
• 来源期刊: 上海海事大学学报
• 关键词: 锂离子电池 荷电状态(SOC) 电动汽车 长短期记忆(LSTM) 循环神经网络
• 年，卷（期）: 2019,（3）
• 页码范围: 120-126
• 页数: 7页
• 分类号: TM911
• 语种: 中文
• DOI: 10.13340/j.jsmu.2019.03.021

摘要

针对锂离子电池荷电状态(state of charge,SOC)预测问题,利用长短期记忆(long short-term memory,LSTM)循环神经网络建立电池SOC预测模型.在恒阻放电情况下,将电池输出电流、输出电压和电池表面温度作为模型的主要输入,使用训练样本对神经网络进行训练,使用验证样本进行验证.结果 表明,用该方法进行电池SOC预测时可使最大绝对误差仅为1.96％,均方根误差为0.986％,可行性被验证.分析神经网络隐含层中不同的神经元个数对预测结果的影响,对比不同批大小情况下训练出的神经网络的预测误差.将隐含层分别设置为1至3个LSTM细胞核,得到不同条件下神经网络的预测误差.结果 为电池SOC预测的神经网络模型的隐含层神经元个数、批大小和LSTM细胞核个数的设定提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	薛士龙	上海海事大学物流工程学院	45	134	6.0	8.0
2	耿攀	上海海事大学物流工程学院	28	150	7.0	11.0
3	许梦华	上海海事大学物流工程学院	1	3	1.0	1.0