机构名称：
¥ 1.0
摘要 — 在净零碳转型下，锂离子电池 (LIB) 在支持更多可再生能源发电的连接、提高电网弹性和创建更灵活的能源系统方面发挥着关键作用。然而，电池的使用寿命较短且成本相对较高，这阻碍了电池技术（如可再生资源存储）的更广泛应用。此外，电池的使用寿命受材料成分、系统设计和运行条件的显著影响，因此使电池系统的控制和管理更具挑战性。数字化和人工智能 (AI) 为建立电池数字孪生提供了机会，它具有巨大的潜力来提高电池管理系统的态势感知并使电池存储单元实现最佳运行。准确估计充电状态 (SOC) 可以指示电池的状态，为维护提供有价值的信息并最大限度地延长其使用寿命。本文提出了一种基于连接 LSTM（长短期记忆）和 EKF（扩展卡尔曼滤波器）的混合模型的数字孪生驱动框架来估计锂离子电池的 SOC。 LSTM 为 EKF 提供更准确的初始 SOC 估计和阻抗模型数据。根据实验结果，开发的电池数字孪生被认为对初始 SOC 条件的依赖性较小，并且与传统方法相比具有更低的 RMSE（均方根误差）且更稳健。
数字孪生驱动的锂离子电池充电状态估计...
主要关键词
相关文件推荐
