基于CNN-LSTM的锂离子SOC估计.pdfVIP

电气传动2024年第54卷第2期ELECTRICDRIVE2024Vol.54No.2

基于CNN-LSTM的锂离子SOC估计

1，231，241，2

刘娟，雷辉，吕金，王洋，徐德树

（1.天津电气科学研究院有限公司，天津300180；2.电气传动国家工程研究中心，

天津300180；3.陕西龙门钢铁有限责任公司，陕西韩城715400；

4.天津天传电气传动有限公司，天津300301）

摘要：电池荷电状态（SOC）是锂离子电池管理技术中最重要的参数之一，高精度的SOC估计有利于储能

电站的并网和控制。电池充放电数据不仅具有时序性，特征变量之间也存在一定空间关系，为提高估算方法

的准确性和通用性，提出一种基于CNN-LSTM联合网络结构的锂离子电池SOC估计方法，先通过CNN特征提

取获取了锂离子电池不同维度数据间的特征关系，然后经过LSTM网络结构提取其中的时间序列关系，联合网

络充分获取了电池数据集的空间时间特性。实验结果表明，基于CNN-LSTM联合网络模型预测电池SOC平均

误差控制在0.65%，较单独的CNN网络预测平均误差降低4.4%左右，较单独的LSTM网络预测的平均误差降

低0.2%左右，具有较好的应用前景。

关键词：锂离子电池；电池荷电状态；卷积神经网络；长短期记忆网络

中图分类号：TM28文献标识码：ADOI：10.19457/j.1001-2095.dqcd25099

SOCEstimationofLithium-ionBatteriesBasedonCNN-LSTM

1，231，241，2

LIUJuan，LEIHui，LÜJin，WANGYang，XuDeshu

（1.TianjinReseachInstituteofElectricScienceCo.，Ltd.，Tianjin300180，China；2.NationalEngineeringResearch

CenterofElectricDrive，Tianjin300180，China；3.ShaanxiLongmenIronSteelCo.，Ltd.，Hancheng715400，

Shaanxi，China；4.TianjinTianchuanElectricDriveCo.，Ltd.，Tianjin300301，China）

Abstract：Thestateofcharge（SOC）ofbatteriesisoneofthemostimportantparametersinlithium-ion

batterymanagementtechnology，andhigh-precisionSOCestimationisbeneficialforthegridconnectionand

controlofenergystoragestations.Batterychargeanddischargedataarenotonlytime-seriesinnature，butalso

havecertainspatialrelationshipsbetweenfeaturevariables.Toimprovetheaccuracyand