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7 数模融合驱动的锂电池SOC估计技术
Table 7 SOC estimation technology of lithium battery driven by digital-analog fusion
混合形式技术特点技术优势
安时积分+ELM[73]安时积分法估计电池SOC, ELM修正预测误差ELM算法预测估计误差弥补安时积分法误差较大的问题

EKF+

Elman[77]

EKF估计电池SOC,Elman神经网络实时修正电池极化 电压使用Elman神经网络模型提高了锂电池等效模型精度,提升EKF的SOC估计精度

EKF+

BP[78]

EKF估计电池SOC,BP神经网络计算EKF误差并进行修正BP神经网络具有非线性建模能力,能够建立温度变量与SOC值差值,形成误差修正

UKF+

BP[23]

UKF估计电池SOC,BP神经网络估计初始电池SOC初始SOC更为准确,加快UKF的收敛速度

EKF+

ANN[75]

EKF估计神经网络权值及阈值等参数,利用神经网络预测电池SOC通过EKF获取更为准确的神经网络权值及阈值,提升神经网络SOC预测准确性

EKF+

LSTM[76]

UKF以及LSTM共同估计SOC,利用LSTM估计结果校正UKF结果结合UKF以及LSTM对SOC的估计效果,在多种情况下具有良好SOC估计效果

EKF+

SVM[74]

EKF估计电池SOC,SVM模型根据电池状态补偿电池参数误差使用SVM保证电池等效模型参数更为准确

EKF+

LSSVM[79]

EKF估计电池SOC,LSSVM估计电池SOH,建立SOC与SOH联合估计模型LSSVM适合短周期SOH估计,从电池健康状态的角度修正电池SOC估计结果