基于人工智能算法的电动汽车锂离子动力电池SOC与SOH估计技术.pdf

2024.21科学技术创新-225-

基于人工智能算法的电动汽车锂离子动力电池

SOC与SOH估计技术

徐佐禹

（青岛工学院，山东青岛）

摘要：本文基于人工智能算法构建了长短期记忆网络模型，并探究不同条件下该模型对锂离子动力电池

SOC和SOH的估计精度。在动力电池SOC估计中，增加隐藏层数目和隐藏层上神经元数量，可以提高模型对

电池SOC的估计精度。在隐藏层为2层、神经元为100个时，该模型对电池SOC的估计值和实测值十分接近，

RMSE误差仅为1.1%，ME值为2.4%。在动力电池SOH估计中，使用相同的长短期记忆网络模型进行SOH估

计，结果表明RMSE值为0.85%，ME值为1.02%。由此可得，使用基于人工神经网络的长短期记忆网络模型估

计动力电池SOC与SOH，可以满足精度要求。

关键词：人工智能算法；锂离子动力电池；SOC；SOH；电动汽车

图分类号U469.72；U463.63+3文献标识码A文章编号2096-4390渊2024冤21-0225-04

电动汽车锂离子动力电池属于非线性系统，因此由两部分组成，即当前时刻（t）的输入值和上一时刻

[1]

使用线性化处理的卡尔曼滤波算法估计电池的荷电（t-1）的输出值。但是长短期记忆网络中，任意一个

状态（SOC）和健康状态（SOH），很容易出现较为明显神经元的输入由三部分组成，除了当前时刻的输入值

的误差。相比之下，基于神经网络的人工智能算法，一（X）、上一时刻的输出值（h）外，新增了上一时刻的

tt-1

方面能够实时获取动力电池的各项参数，保证了SOC单元状态值（Ct-1）。长短期记忆网络的输入、输出如图

和SOH预测结果的时效性；另一方面则是省略了线1所示。

性化处理的步骤，提高了SOC与SOH估计结果的准

确性。现阶段比较成熟的神经网络算法有卷积神经网

络、循环神经网络以及长短期记忆网络等几种，长短

期记忆网络具有数据处理速度快、隐藏层数目易于扩

展、处理较长序列等优势，此基础上构建长短期

记忆网络模型，将电池充放电数据输入到模型中，根

据模型的输出结果可以判断动力电池SOC与SOH等图1长短期记忆网络的输入输出

内部状态，满足了电动汽车实时获取电池内部状态的应用长短期记忆网络时，核心问题于如何控

需要。制好单元状态，本文提出了一种解决思路：该网络

1基于人工智能算法的电池SOC估计中引入3个开关联合控制单元状态，1#开关的作用是

1.1长短期记忆网络的前向计算使单元状态保持长期状态；2#开关的作用是将即时状

长短期记忆网络（LSTM）是循环神经网络的基态保存到单元状态；3#开关控制是将长期状态值作为

础上发展而来的，针对循环神经网络不支持长时间序当前长短期记忆网络的输入值。3个开关的作用如图

列训练的缺陷，长短期记忆网络加入了一个“单元状2所示。

态（C）”。初始神经网络中，任意一个神经元的输入长短期记忆网络通过遗忘门和输入门控制单元

作者简介：佐禹（2005-），男，本在读，研究方向：人工智能。

-226-学技术创新2024.21

动力电池置于室温环境下，将电量完全放空后静置24