概述

准确估计电荷状态(SOC)对于保证锂离子电池储能系统的安全性和稳定性至关重要。然而，由于锂离子电池内多个复杂过程的耦合动力学，以及缺乏监测电池内部性能变化的措施，这项任务非常具有挑战性。近年来，随着图形处理器(GPU)计算能力的不断发展，深度学习作为 SOC 估计方法的应用越来越受到人们的关注。本文提出了一种基于卷积神经网络和长短期记忆(CNN-LSTM)神经网络的锂离子储能系统 SOC 估计方案。该方法完全由光伏储能系统的实际运行数据驱动，不使用任何人工电池模型或推理系统。与传统的 SOC 估计方法相比，CNN-LSTM 模型可以克服由于充放电末端电压跳变而导致的 SOC 估计偏差，在系统中组装的锂离子电池的稳定阶段和不同的充放电阶段都可以得到满意的 SOC 估计结果。计算结果表明，该方法能够快速、准确地估算出光伏储能系统全天运行数据的 SOC，RMSE 小于0.31% 。

上图为本文的流程框图，数据经过CNN池化后将特征输入到LSTM中，输出得到预测的SOC。在线数据不断训练模型，模型在线更新。

要利用数据驱动的机器学习来预测锂离子电池储能系统的电荷状态，可以采用以下步骤：

数据收集：收集包含锂离子电池储能系统的相关数据，如电池电流、电压、温度等。确保数据采集频率足够高，以捕捉电荷状态的变化。
数据预处理：对收集到的数据进行预处理，包括数据清洗