申请/专利权人:重庆邮电大学
申请日:2023-12-14
公开(公告)日:2024-03-22
公开(公告)号:CN117741443A
主分类号:G01R31/367
分类号:G01R31/367
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本发明涉及一种基于A‑CNN‑LSTM的储能锂电池SOC估计方法,属于电力技术领域。本发明提出将注意机制与CNN–LSTM网络相结合的A–CNN–LSTM模型。利用CNN层可以快速提取输入数据的空间特征,利用LSTM提取时间序列数据中的长短期依赖关系。引入注意力机制,自适应地分配每次输入的特征权值。在估计过程中自动放大关键的输入特征,加快模型的收敛速度,实现针对BESS的高精度、高鲁棒性SOC实时估计。开展集装箱式储能系统数据采集、模型搭建、实验验证研究,证明本发明所提的A–CNN–LSTM模型优越性。
主权项:1.基于A-CNN-LSTM的储能锂电池SOC估计方法,其特征在于:该方法包括以下步骤:S1:对集装箱式储能系统锂离子电池运行数据的采集阶段;利用传感器采集系统采集电池运行电压、电流、功率的电气量,利用温度监测系统实时记录每个时刻的温度;S2:通过划分数据集为训练集和测试集,并进行归一化处理,将预处理后的电池的变量,包括电压、电流、温度和功率数据输入网络训练;通过将注意力机制引入CNN–LSTM搭建SOC估计模型;S3:为分析网络层层数对估计结果的影响,调节网络参数优化网络权重与偏差,调整网络超参数和选择损失函数最小值时的各网络层设置,完成BESS的SOC实时估计,并与其他模型进行对比实验分析。
全文数据:
权利要求:
百度查询: 重庆邮电大学 基于A-CNN-LSTM的储能锂电池SOC估计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。