徐 帅，刘雨辰， 周 飞

(南京航空航天大学直升机传动技术国家级重点实验室，江苏南京210016)

电池荷电状态(SOC)是电池管理系统中最重要的部分[1]。精确的SOC 估算可以及时更新电池的剩余容量，防止发生过充和过放电现象，并提高电池的充放电效率和延长其使用寿命。虽然目前SOC 估算方法众多，但是主流的方法主要包含以下四类：安时积分法[2]、开路电压法[3]、模型法[4-5]、机器学习法[6]。深度学习算法属于机器学习法。可循环神经网络(RNN)作为深度学习算法中的一种，是目前最流行的算法之一。RNN 是一类以序列数据为输入，在序列的演进方向进行递归且所有循环节点按链式连接的递归神经网络，但其在训练时，会出现“梯度消失”和“梯度爆炸”的现象。为了解决这两个问题，学者们开发了一些进阶版循环神经网络，比如长短期记忆神经网络(LSTM)，门控循环单元神经网络(GRU)以及双向长短期记忆神经网络(BiLSTM)。这些由各种门结构组成的人工神经网络，拥有回忆过去信息的能力，这使得它们特别适用于解决较长时间序列的问题，例如电池SOC 估算。本文将估算电池SOC 的可循环神经网络算法根据其结构的不同分为三种：简单循环神经网络算法、深度循环神经网络算法、扩展循环神经网络算法。

1 简单循环神经网络算法

1.1 门结构循环神经网络

1.1.1 长短期记忆神经网络

长短期记忆神经网络(LSTM)层结构如图1 所示。存储记忆单元Ck来存储并传输先前和当前状态的信息，以备将来使用；遗忘门fk负责控制Ck-1中应该传递多少先前信息到下一次；……