基于混合AI/物理方法的锂离子电池电量估计方法的嵌入式计算成本分析

《IEEE Open Journal of Vehicular Technology》：Embedded Computational Cost Analysis of a Hybrid AI/Physics-Based State-of-Charge Estimation Method for Lithium-Ion Batteries

　　

摘要：

估算锂离子电池的荷电状态（SOC）是电池管理系统（BMS）的关键功能，也是能源存储研究中的一个重要挑战。文献中越来越常见的方法是采用一种混合方法，将物理建模与数据驱动的预测模型相结合，以提高估算精度。例如，可以将库仑计数（CC）这样的物理模型与长短期记忆（LSTM）循环神经网络结合，并使用卡尔曼滤波器进行优化。现有的科学文献主要集中在建模质量上，很少考虑在嵌入式环境中实现此类算法的实际问题，尽管这种方法会带来较大的计算负担和内存消耗。本文的主要贡献在于评估了基于CC和LSTM结合卡尔曼滤波器的SOC估算算法在计算时间和内存成本方面的影响。具体来说，在16 MHz的ATmega 2560处理器上，使用隐藏状态维度为10的单层LSTM实现该算法所需的计算时间为21毫秒，RAM使用量为5444字节。