电压控制模型结合机器学习用于光伏储能电池SoC估计的性能评估

Journal of Applied Data Sciences · 2026-10-29 · 期刊论文

• 一句话结论：在光伏-电池储能系统中，将电压控制模型与滑动窗口时序特征及多种机器学习算法结合，可提升荷电状态估计的精度与计算效率；其中VCM-LSTM预测误差最低，VCM-XGBoost在精度与耗时之间取得较好平衡，证据支持该框架在资源受限场景下的可行性。
• 研究设计与做法：研究为数据驱动的模型开发与性能评估，非随机对照试验。数据来自4块45-Ah铅酸电池在光伏-电池储能系统中的真实电压记录，采集期为2024年2月至12月，共获超14万条充放电记录，提取6226条放电记录用于建模与评估；比较SVR、ANN、RF、LSTM、XGBoost五种模型，指标为MSE、MAE、RMSE与计算时间。
• 主要结果：VCM-XGBoost取得MSE=0.0849、MAE=0.1401、RMSE=0.2913，计算时间0.94秒；VCM-LSTM预测误差最低，但材料未报告其具体数值与置信区间；各模型间差异的统计学检验与p值材料未报告。
• 机制或解释：作者解释为滑动窗口将序列电压测量转换为基于滞后的结构化特征，能更有效表征放电动态，从而改善非线性、时变电压行为下的SoC估计；未报告消融实验或误差来源的进一步机制分析。
• 局限与边界：样本仅4块45-Ah铅酸电池、单一光伏-电池储能场景，电池类型与规模有限；数据时间跨度约11个月，未报告独立外部验证集、多中心或跨电池老化阶段的验证；利益冲突与资助信息材料未报告。
• 可否落地：对资源受限的电池管理系统，VCM-XGBoost因精度与计算效率平衡而具潜在应用价值，属证据支持范围内的性能评估结论；但推广至其他电池化学体系、规模与工况前，证据提示需外部验证，尚不足以下结论认为可替代现有SoC估计方法。

🔗 打开原文

Ignatius Agus Supriyono

本文摘自《每日前沿研究简报 · 2026-10-31》「能源科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。