基于深度学习的SOC预测模型比较研究.pdfVIP

Vol.52No.6计算机与数字工程总第416期

1668ComputerDigitalEngineering第52卷

2024年第6期

基于深度学习的SOC预测模型比较研究∗

1，21，21，21，2

刘建华陈治铭陈可纬陈林颖

（1.福建工程学院计算机科学与数学学院福州350118）（2.福建省大数据挖掘与应用技术重点实验室福州350118）

摘要锂离子电池的荷电状态（SOC）所包含的物理性质和电化学性质十分复杂，通常很难直接测定其数值，利用大

数据的机器学习模型来预测SOC成为一个重要技术方法。近年来，随着神经网络的深度学习算法发展，基于深度学习的

SOC估计模型已取得突破成果。论文总结了锂离子电池荷电状态预测方法的深度学习方法，主要分析比较CNN、GRU、

LSTM、CNN-LSTM和CNN-GRU的经典模型方法与特点，通过实验数据分析对比其各模型的效果。论文对比实验选取不同

室温环境下的不同工况作为测试集，通过预测结果的误差评估发现卷积神经网络对于循环神经网络的预测结果优化有较大

的提升，其中CNN-LSTM的效果尤为显著。

关键词SOC；卷积神经网络；循环神经网络；CNN-LSTM；CNN-GRU

中图分类号TM9DOI：10.3969/j.issn.1672-9722.2024.06.013

ComparativeResearchonSOCPredictionModels

BasedonDeepLearning

1，21，21，21，2

LIUJianhuaCHENZhimingCHENKeweiCHENLinying

（1.SchoolofComputerScience，FujianUniversityofTechnology，Fuzhou350118）

（2.FujianProvincialKeyLaboratoryofBigDataMiningandApplications，Fuzhou350118）

AbstractThephysicalandelectrochemicalpropertiesofthestateofcharge（SOC）oflithium-ionbatteriesareverycom⁃

plex，soitisoftendifficulttodirectlymeasurethevalueofSOC.Themachinelearningmodelofbigdatahasbecomeanimportant

technicalmethodtopredictSOC.Inrecentyears，withthedevelopmentofdeeplearningalgorithmsofneuralnetworks，SOCestima⁃

tionmodelsbasedondeeplearninghavemadebreakthroughs.Thispapersummarizesthedeeplearningmethodoflithium-ionbat⁃

terystatepredictionmethod，mainlyanalyzesandcomparestheclassicalmodelmethodsandcharacteristicsofCNN，GRU，LSTM，

CNN-LSTMandCNN-GRU，andcomparestheeffectofeachmodelthroughtheanalysisofexperimentaldata.I