混合多尺度CNN-Residual-LSTM方法用于锂离子电池的鲁棒状态电量估计

摘要

在电池管理系统中，准确估计电池的荷电状态（SoC）和健康状态（SoH）对于保持能源效率、确保运行安全以及延长电池寿命至关重要。本研究提出了一种混合深度学习（DL）架构，该架构结合了多尺度卷积神经网络（CNNs）、残差块和长短期记忆（LSTM）单元。所提出的模型旨在学习电池数据中的局部空间模式和时间依赖关系。该模型使用真实的电池数据集进行了训练，并将其性能与传统的机器学习（ML）算法（如随机森林（RF）、支持向量回归（SVR）和梯度提升（GBM）进行了对比评估。模型性能通过常见的回归指标进行分析，包括平均绝对误差（MAE）、均方误差（MSE）和决定系数（R²）。结果表明，与评估的方法相比，所提出的模型具有更低的预测误差（MAE = 0.1507，MSE = 0.2030，R² = 0.9998）。此外，散点图和残差分布分析显示，模型预测值与实际值非常接近，且误差分布中不存在任何显著的系统性偏差。总体而言，这些结果表明，所提出的混合架构能够产生准确且稳定的SoC估计结果，为开发可靠的电池管理系统提供了一种可行的方法。