机械工程学报

作者：来鑫, 翁嘉辉, 杨一鹏, 孙宇飞, 周龙, 郑岳久, 韩雪冰

单位：1. 上海理工大学机械工程学院 上海 200093;2. 武汉船用电力推进装置研究所 武汉 430064;3. 清华大学车辆与运载学院 北京 100084

关键词：SOC估计,BP神经网络,扩展卡尔曼滤波,梯度下降算法,随机森林,锂离子电池组；

基金：国家自然科学基金(52277223, 51977131)和上海市白玉兰人才计划浦江(23PJD062)资助项目。

锂离子电池模组的荷电状态估计(State-of-charge,SOC)是影响电池性能的一个重要内部状态，是电池组进行其它状态估计的基础。然而它的估计准确性易受温度等外部因素影响，且电池间的不一致性也为电池组中各单体电池的SOC估计带来了困难。提出一种将BP神经网络(Back propagation neural network,BPNN)与扩展卡尔曼滤波(Extended Kalman filter,EKF)算法相结合的电池组SOC估计方法。该方法首先基于先验SOC利用BPNN估计不同温度下“领导者”电池的端电压，将其与实测端电压对比后采用EKF算法完成SOC后验估计，同时基于电压差采用梯度下降(Gradient descent,GD)算法更新BPNN的输出层权重使算法更快收敛。在此基础上，设计修正策略利用随机森林(Random forest,RF)算法对“跟随者”电池的SOC进行调整估计。试验结果表明，所提的BPNN-EKF-GD-RF算法能实现电池组在不同温度下SOC的准确估计，常温下SOC估计误差保持在2.5%以内，在温度变化下电池组中单体电池SOC估计最大误差不超过3.2%，为复杂环境下锂离子电池组的SOC估计提供了一种高精度低复杂度方案。

来源：2025年第12期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第12期