针对储能电池组在电网典型储能工况下荷电状态(state of charge,SOC)估算精度较低的问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)-鹈鹕优化(pelican optimization algorithm,POA)-双向门控循环单元(bidire...针对储能电池组在电网典型储能工况下荷电状态(state of charge,SOC)估算精度较低的问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)-鹈鹕优化(pelican optimization algorithm,POA)-双向门控循环单元(bidirectional gated recurrent unit,Bi GRU)的SOC估计模型。通过设计调峰/调频工况下电池组充放电实验,从数据中提取表征SOC变化的融合特征作为模型输入;分别构建不同工况下Bi GRU网络,并利用POA对其超参数进行优化,提高模型性能;进一步在混合工况下验证模型的有效性。结果表明,所建模型有着更好的SOC估计效果和更强的鲁棒性,能够提高复杂储能工况下储能电池组SOC估计精度。展开更多