基于TCN-BiLSTM神经网络和EIS数据的液流电池荷电状态估计方法

本发明公开了一种基于TCN‑BiLSTM神经网络和EIS数据的液流电池荷电状态估计方法，属于液流电池管理技术领域。本发明通过测量不同SOC下液流电池的EIS数据，提取温度、流速、频率、实部阻抗和虚部阻抗作为输入特征，构建融合时间卷积网络(TCN)与双向长短期记忆网络(BiLSTM)的混合模型。TCN通过多层膨胀卷积和残差连接捕捉局部时序依赖关系，BiLSTM利用双向门控机制学习全局序列特征，最终通过全连接层映射为SOC值。模型采用Min‑Max归一化预处理数据，以均方误差为损失函数结合Adam优化器训练，并通过MAE、RMSE和R2指标评估估计精度。本发明依托EIS数据训练TCN‑BiLSTM神经网络模型，能够克服传统SOC估计方法在动态运行条件下的不足，具有精度高、鲁棒性、适用性广的优点。