倪水平，李慧芳

（河南理工大学计算机科学与技术学院，河南焦作 454003）

（*通信作者电子邮箱lihuifang1112@163.com）

0 引言

美国先进电池联合会（United States Advanced Battery，USABC）将电池荷电状态（State-Of-Charge，SOC）定义为：电池在一定放电倍率下，剩余电量与在相同条件下额定电量的比值。对电池SOC的准确稳定估计有助于保护电池不会因为过冲过放而引起电池损伤，这是电池管理的重要环节［1］。影响电池SOC 的因素有很多。在电池能够正常使用的情况下，影响电池SOC预测的最主要因素是电流、电压、电阻和环境温度等。本文在室温下对电池进行循环充放电实验得到电流、电压、电阻以及对应的SOC，通过电流、电压、电阻预测电池SOC。电流、电压、电阻与电池SOC 之间具有非线性映射关系。

传统的安时积分法具有累计误差的缺陷［2］，且需要提前获得电池的初始SOC［3］；传统的开路电压法需要相当长的测量时间［4］；现有的Kalman 滤波法的计算量大［5］且需要预先建立复杂的电池模型［6-7］，这会影响电池的SOC 估计精确度。神经网络法具有较强的非线性映射能力，反向传播神经网络（Back Propagation Neural Network，BPNN）方法［8-10］被用于电池SOC 预测。随着深度学习中卷积神经网络（Convolutional Neural Network，CNN）与循环神经网络（Recurrent Neural Network，RNN）在多个领域的广泛应用，与深度学习相关的算法被用于电池SOC 的预测。RNN 可以有效保存历史输入信息，且具有时序记忆能力［11］，但SimpleRNN（Simple Recurrent Neural Network）会随着时间步的延长而发生信息丢失。长短期记忆（Long Short-Term Memory，LSTM）神经网络依赖于过去样本的输入且有效解决了SimpleRNN 无法捕获长期依赖性的问题［12］。CNN 通过设置多个不同的卷积核达到充分提取输入信息中不同特征之间深层高级特征的目的［13］，CNN 结合RNN 的网络模型同时具有提取输入数据中高级特征和保存历史输入信息的能力。……