为提高锂电池荷电状态SOC(state-of-charge)预测精度,提出1种基于注意力机制和卷积神经网络-长短时记忆CNN-LSTM(convolution neural network-long short-term memory)融合模型的锂电池荷电状态预测方法。该模型采用一维CNN和LSTM神经网络学习得到SOC与锂电池放电数据的非线性关系,以及SOC序列存在的长期依赖性。同时,该模型采用“多对一”的结构,将当前时刻的SOC与多个历史时刻的放电数据建立映射关系,并通过注意力机制关注到对当前时刻SOC影响较大的历史放电数据,进一步提升SOC的预测准确度。动态工况下的锂电池SOC预测实验表明,该方法在不同温度条件下的平均预测误差为0.89%,与SVM、GRU和XGBoost相比,分别降低了81.2%、66.7%和56.5%,且优于未融合注意力机制的LSTM和CNN-LSTM,具有较高的预测精度和应用价值。
查看更多