耦合深度神经网络的动力电池联合状态估计

王军洁

（淮安生物工程高等职业学校 计算机系,江苏 淮安 223200）

在节能减排、绿色环保的大背景下,发展新能源汽车对解决能源和环境问题以及提高国家的综合实力都具有非常重要的意义[1-3]。 目前,新能源汽车已经成为全球汽车产业的重要战略方向。 2020 年国务院印发《新能源汽车产业发展规划（2021—2035 年） 》[4],要求深入实施发展新能源汽车国家战略,推动中国新能源汽车产业高质量可持续发展,加快建设汽车强国。 在政策的激励下,中国新能源汽车产业迅速发展,保有量占全球份额超过50%[5]。 随着我国新能源汽车产销量的不断攀升,作为新能源汽车核心部件的动力电池获得广泛关注[6-7]。 动力电池对新能源汽车的性能具有决定性作用,实现对动力电池精确的状态估计,包括荷电状态（state-of-charge,SoC） 估计和健康状态（state-of-health,SoH） 估计,是确保电池管理系统（battery management system,BMS） 对电池包实现安全管理的关键所在,因此电池状态估计研究已成为近年来交通电气化研究的热点[8-10]。

1 研究概述

大多数现有研究可实现SoC 或SoH 的独立估计。 例如,刘素贞等[11]融合高相关性超声特征和低复杂性回归模型提出了一种磷酸铁锂电池平台期SoC 估计方法,实现了不同动态工况下SoC 估计的均方根误差和平均绝对误差分别低于1.9%和1.6%。 黄玉莎等[12]基于二阶RC 等效电路建立了一种受控自回归滑动平均模型,在此基础上实现了开路电压（open circuit voltage,OCV） 参数的高精度在线辨识,并通过预先建立的分段OCV-SoC 曲线逆向查表,实现了SoC 的实时估计。 Zhou 等[13]提出了……