基于随机森林与长短期记忆网络的两阶段残差学习方法用于锂离子电池荷电状态估计

《Applied Sciences》：Full State-Based CS-QTM: An Architecture for Question Intervention Control in LLM-Based Chatbots

　　

摘要

随着电动汽车的快速发展，锂离子电池荷电状态（SOC）的准确估计已成为一个关键问题。大多数现有的数据驱动方法使用单阶段方法来预测 SOC 值，这限制了它们在许多情况下的性能。本文提出了一种基于随机森林（RF）和长短期记忆网络（LSTM）的新型两阶段残差学习方法。在第一阶段，RF 使用滑动电压、电流和温度值作为输入来预测 SOC。然后，RF 估计的残差被用于训练 LSTM，最终 SOC 是通过将 LSTM 的输出与第一阶段预测的 SOC 相加得到的。所提出的方法通过使用松下 18650PF 电芯在四个工况循环和五个温度下进行验证，总共包括 20 种操作场景。RF-LSTM 方法在所有情况下都实现了最低的平均绝对误差（MAE），最佳值低至 0.586%。平均而言，MAE 为 1.241%，最高的 R2 达到了 0.9991。最后，使用 CALCE INR 18650-20R (NMC) 电池数据对该方法进行了验证，显示了其对不同电芯化学体系的适应性。