刘 峰，陈海忠

（江苏理工学院，江苏 常州 213000）

为了保障锂电池安全稳定地运行，准确、可靠的锂离子荷电状态估计(SOC)是电池管理系统的核心，SOC 的预测精度对电池的控制管理和对新能源汽车的安全性能具有重要意义。目前，国内外专家对锂电池SOC 的预测研究可分为两大类：基于模型驱动的方法和基于数据驱动的方法[1]。

基于模型驱动的方法中，程麒豫等[2]提出一种降阶电化学模型，该模型经过拉普拉斯变换、帕德近似及离散化处理后，引入EKF算法，提高了SOC预测精度，然而这类模型结构复杂、参数多、易陷入过拟合；袁宏亮等[3]提出一种二阶滞回等效电路模型，结合差分进化算法对模型参数优化，有效降低了传统模型的SOC 预测误差，然而该模型对噪声的抑制能力较弱，电池的老化容易影响模型模拟的外特性参数。

基于数据驱动的方法中，神经网络类的SOC估计算法使用大量的数据样本对模型进行训练，建立了高精度的SOC 预测模型[4]。郑永飞等[5]提出了一种基于长短期记忆(long short-term memory，LSTM)循环神经网络的SOC 预测方法，该方法利用SOC 时间序列的特性构建LSTM 预测模型，经实验对比，该方法可有效降低SOC 预测误差，然而该模型的训练时间较长，输入量过多时，计算量变大。Huang 等[6]提出了一种基于卷积神经网络(convolutional neural networks，CNN)和门控循环单元(gated recurrent unit，GRU)的电池容量估计方法，该方法利用CNN 提取数据特征，再利用GRU完成预测，与单一的GRU相比，训练速度更快，模型误差相对较小，然而该模型在数据集较大的情况下，预测性能较低。……