基于改进的高斯过程回归的SOC估计算法

• 作者: 孙爱芬 赤娜
• 来源期刊: 储能科学与技术
• 学科: 工学
• 关键词: SOC 高斯过程回归 电压 电流
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 储能测试与评价|Energy Storage Test: Methods and Evaluation
• 页码范围: 253-257
• 页数: 5页
• 分类号: TM911
• 语种: 中文
• DOI: 10.19799/j.cnki.2095-4239.2021.0297

摘要

为了提高锂离子电池荷电状态(SOC)的估计精度,文中采用基于高斯过程回归(GPR)机器学习的锂离子电池数据驱动方法,首先选取数据集,将电池测量参数电流和电压作为模型的输入向量,SOC作为模型的输出向量来训练模型,为了提高模型精度,文中改进了高斯过程回归模型.将上一时刻估计的SOC值加入到移动窗口中,并与电流和电压一起作为输入向量.通过窗口的大小不断更新训练集,从而训练出高精度SOC估计模型.通过实验采集的数据,并和GPR、最小二乘支持向量机(LSSVM)、支持向量机(SVM)和神经网络(NN)相比,所提模型估计的SOC均方根误差(RMSE)控制在1.5％以内,验证了提出方法的有效性.