数据驱动的电池剩余电量（SOC）估算：基于CNN-ResNet-BiLSTM的框架

《Chinese Journal of Electrical Engineering》：Data-Driven Battery SOC Estimation: A CNN-ResNet-BiLSTM Framework

　　

摘要：

随着人工智能技术的进步，一系列混合算法已被应用于电池荷电状态（SOC）的估计。然而，现有方法在提取深层特征时面临挑战，并且存在梯度消失的问题，这阻碍了更深层次网络的构建。本文提出了一种新颖的数据驱动融合算法——CNN-ResNet-BiLSTM框架，以进一步提高SOC估计的准确性。该算法结合了残差网络（ResNet）来解决深度卷积神经网络（CNN）中的梯度消失问题，从而实现了CNN与双向长短期记忆网络（BiLSTM）之间的更深层次集成。此外，本研究还采用灰关联分析进行特征构建，以提高导数和历史类别数据的质量。实验结果表明，在一个驾驶周期内，所提出的框架的均方根误差为0.348%，平均绝对误差为0.255%，显示出在SOC估计方面的卓越性能。这证明了所提出框架通过交叉条件验证具有出色的泛化能力，为实际的SOC估计应用提供了理论基础。