锂电池SOC估计的实现方法分析与性能对比
黎冲, 王成辉, 王高, 鲁宗虎, 马成智

Review on implementation method analysis and performance comparison of lithium battery state of charge estimation
Chong LI, Chenhui WANG, Gao WANG, Zonghu LU, Chengzhi MA
表6 用于锂电池SOC估计的神经网络技术
Table 6 Neural network technology for lithium battery SOC estimation
网络类型网络模型优势网络模型局限性
ELM[57-58]

1.网络结构简单；

2.模型参数少，计算方便且快；

3.技术成熟有效

1.仅考虑经验风险，未考虑结构化风险，易陷入过度拟合；

2.受离群异常点影响大；

3.模型参数直接计算，调整困难

BPNN[59]

1.可以满足锂电池SOC估计的非线性映射关系；

2.技术成熟有效

1.模型参数优化的收敛速度慢；

2.模型性能对参数的初始值敏感，易陷入局部最优值

RBF[60]

1.有较强的非线性映射能力，满足SOC非线性要求；

2.模型精度较高；

3.收敛速度快

1.模型不具有可解释性；

2.受基函数参数影响；

3. 算法的计算复杂度高

NARX[63]

1.具有时间序列分析能力；

2.模型较为简单

1. 模型训练速度较慢；

2.模型性能受数据影响很大

LSTM[64]

1.强大时间序列分析能力可以反映SOC时序特点；

2.无需特征提取过程，可以完成特征自主学习；

3.预测精度高

1.需要假设数据序列是相关的；

2.序列长度受限；

3.模型训练时间长；

4.参数多易过度拟合

GRU [65]

1.相比而言参数较少，降低了过拟合风险；

2.强大时间序列分析能力可以反映SOC时序特点

3.预测精度高

1.需要假设数据序列是相关的；

2.模型训练时间较长