[0050] 以下结合对本发明作进一步的解释说明；
[0051] 如图1所示，考虑内阻的数据驱动算法估算锂电池SOC的方法，具体包括以下步骤：
[0052] 步骤一、数据采集
[0053] 分别在0℃、25℃和45℃温度下对Samsung INR 18650‑20R锂离子电池进行充放电试验，并记录试验过程中电池的电压、电流、温度以及内阻，采样间隔时间为1s。其中电流采用在美国环境保护署(EPC,United States Environmental Protection Agency)制定的标准工况下的放电电流；锂离子电池通过ITECH公司生产的IT8818B可编程电子负载放电；爱斯佩克Espec GMC‑71高低温试验箱可以得到电池的环境温度参数；使用HIOKI BT3562电池测试仪得到放电实验过程中的电压和内阻两组数据。试验过程为：首先对单节电池恒流2A充电至额定电压4.2V，接着恒压充电，直至电流下降到100mA。此时认为该电池处于满电状态。将满电电池放电至截止电压3.6V时结束试验，认为此时电池的剩余电量为0。
[0054] 步骤二、数据预处理
[0055] 构建一个监督学习神经网络，需要对数据进行预处理，创建标签值。将步骤一采集得到的数据，使用安时积分法计算t时刻电池的剩余电量SOC(t)：
[0056]
[0057] 其中，SOC(t0)为初始电池电量，η表示库仑效率，Cn表示电池的额定容量，I(t)为电池的瞬时放电电流。通过对放电电流进行积分得到电池在t‑t0这段时间放出的电量，用初始荷电状态减去放出电量即为当前时刻电池的剩余电量。对步骤一采集到的数据进行归一化处理，将其缩放到[0,1]之间，以去除数据单位，便于对不同单位或量级的数据进行比较加权，提高网络训练速度。
[0058] 所述归一化处理的方法为：
[0059]
[0060] 其中，xi为待处理数据，xmin和xmax分别为待处理数据的最小值和最大值。
[0061] 最后将归一化处理后的数据划分为训练集和测试集，其中训练集和测试集的划分比例分别为70％和30％。
[0062] 步骤三、构建SOC估计模型
[0063] 搭建一个双向GRU网络，其中包括3个隐含层，每层由200个神经元构成，网络的学习率为0.01；
[0064] 所述的双向GRU网络，在t时刻，输入xt同时提供给两个方向相反的隐含层，输出yt，由这两个单向隐含层共同决定，前向GRU层具有输入序列中t时刻以及之前时刻的信息，而后向GRU层中具有输入序列中t时刻以及之后时刻的信息。双向GRU的隐层状态传播过程为：
[0065]
[0066]
[0067]
[0068] 其中 分别表示前向推算和后向推算的隐层状态； 分别表示输入在前向推算和后向推算的权重； 分别表示前一时刻隐含层状态在前向推算和后向推算的权重； 分别表示前向推算和后向推算的偏置；σ函数用于合并这两个输出。
[0069] 双向GRU网络的更新门zt、重置门rt、候选输出状态 以及GRU的输出ht的计算方法为：
[0070] zt＝σ(Wz·[ht‑1,xt]+bz)
[0071] rt＝σ(Wr·[ht‑1,xt]+br)
[0072]
[0073]
[0074] Wz和bz分别为重置门的权重矩阵和偏置；Wr和br分别为重置门的权重矩阵和偏置；Wh和bh分别为候选输出状态 的权重矩阵和偏置。
[0075] 步骤四、模型训练优化
[0076] 将向量x＝[T,I,V,R]作为步骤四构建的双向GRU网络模型的输入，对模型进行训练，其中T＝[T1,T2,…Tt,…Tn],I＝[I1,I2,…It,…In],V＝[V1,V2,…Vt,…Vn],R＝[R1,R2,…Rt,…Rn]；从模型的输出端获得电池的剩余容量SOC＝[SOC1,SOC2,…SOCt,…SOCn]。其中Tt,It,Vt,Rt分别表示电池在t时刻的环境温度、放电电流、端电压和内阻；SOCt表示电池在t时刻电池的剩余电量。
[0077] 使用NAG算法对训练后的双向GRU网络模型参数进行优化；NAG算法的更新计算公式为：
[0078] m0＝0
[0079]
[0080] θt+1＝θt‑mt
[0081] 将双向GRU网络模型的双向结构看作两个具有GRU单元的、信息传递方向相反的隐含层，针对模型的双向传输结构，将NAG算法公式改写为：
[0082]
[0083]
[0084] 其中，θt’＝θt‑γmt，θt为t时刻的网络参数；η代表网络的学习率； 代表损失函数的梯度矩阵；mt为动量项；γ为超参数，表示历史梯度的影响力；L(·)代表网络的损失函数：
[0085]
[0086] 使用NGA算法优化双向GRU网络模型参数的具体步骤为：
[0087] s4.1初始化GRU单元zt、rt、ht的权重和偏置：Wzh,0,Wzx,0,bz,0；Wrh,0,Wrx,0,br,0；Wh,0,Wx,0,bh,0；初始化输出层的权重和偏置：Wo,0,bo,0；
[0088] s4.2计算损失函数L(θ’)；
[0089] s4.3计算损失函数对隐藏层权重和偏置的梯度：
[0090]
[0091] s4.4计算损失函数对输出层权重和偏置的梯度：
[0092]
[0093] s4.5计算隐藏层权重和偏置的动量项：
[0094]
[0095] s4.6计算输出层权重和偏置的动量项：
[0096]
[0097] s4.7更新隐藏层权重和偏置：
[0098]
[0099]
[0100]
[0101] s4.8更新输出层权重和偏置：
[0102]
[0103] 步骤五、模型性能测试
[0104] 使用测试集测试步骤四中训练完成的双向GRU网络模型的性能，评价指标选用RMSE(Root Mean Square Error)和MAE(Mean Absolute Error)。RMSE表示样本的分散程度，RMSE越大表示样本越分散。MAE表示估计值和真实值之间的误差的平均值，MAE越大表示估计的误差越大。
[0105]
[0106]
[0107] 其中，SOCt和SOCt’分别代表电池剩余电量的真实值和网络的预测值，真实值由电池充放电试验得到。
[0108] 下表为不同温度下的RMSE、MAE以及误差值：
[0109]
[0110] 图2中a、b、c分别为0℃、24℃、45℃条件下电池剩余电量真实值与网络输出的预测值及其误差。
[0111] 步骤六、保存模型，输出SOC
[0112] 判断模型的性能测试结果是否达到所设定的要求，若未达到要求，则调整参数重新训练。达到要求后，保存训练好的模型，用于电池SOC估计。
[0113] 上述具体实施方式用来解释说明本发明，并不以限制本发明，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改、等同替换和改进等，都落入本发明的保护范围。
