基于GS-LSTM-Attention的钠储能电池荷电状态估计.pdfVIP

究与设计

基于GS-LSTM-Attention的钠储能电池荷电状态估计

1112

刚，戴迎根，方浩，于天剑

(1.唐湖北新能源事业部，湖北武汉430070；2.中南学交通运输工程学院，湖南长沙410075)

摘要：储能电池的荷电状态(SOC)具有波动性和非线性等特点，这给准确估计荷电状态带来了困难。

为了解决这一问题，提出了一种网格搜索优的结合注意力机制的长短期记忆网络(GS-LSTM-

Attention)模型，通过注意力机制捕捉关键信息，通过网格搜索优模型的关键超参数。实验结果表

明，GS-LSTM-Attention模型在各个工况和各个指标上都优于LSTM模型和LSTM-Attention模型，

222

各个工况下的决定系数(R)都高于0.91，且在2A工况下，R高达0.9771，比其它两种模型的R分别提

高了0.1203和0.0763，均方误差和平均绝对误差也有不同程度的降低，验证了本文模型的高精度和

应用价值。

关键词：储能电池；荷电状态估计；网格搜索；LSTM模型；注意力机制

中图分类号：TM91文献标识码：A文章编号：1002-087X(2025)10-2123-06

DOI:10.3969/j.issn.1002-087X.2025.10.018

StateofchargeestimationbasedonGS-LSTM-Attentionforsodium

energystoragebattery

1112

ZHOUGang,DAIYinggen,FANGHao,YUTianjian

(1.DatangHubeiNewEnergyBusinessUnit,WuhanHubei430070,China;

2.SchoolofTrafficTransportationEngineering,CentralSouthUniversity,ChangshaHunan410075,China)

Abstract:Thestateofcharge(SOC)oftheenergystoragebatteryexhibitsthecharacteristicssuchas

fluctuationandnonlinearity,whichmakesitdifficulttoaccuratelyestimatethestateofcharge.To

solvethisproblem,agridsearch-optimizedlong-termandshort-termmemorynetworkmodelcom

binedwithattentionmechanism(GS-LSTM-Attention)wasproposed.Thekeyinformationwascap

turedthroughtheattentionmechanism,andthekeyhyperparameters