技術特征：

1.一種基于改進長短時記憶網絡的電池soc與soe聯(lián)合估計方法，其特征在于：所述聯(lián)合估計方法包括以下步驟：

2.根據(jù)權利要求1所述的一種基于改進長短時記憶網絡的電池soc與soe聯(lián)合估計方法，其特征在于：所述步驟s1的具體方法為：利用滑動窗口技術將連續(xù)的充放電數(shù)據(jù)序列切分成固定長度的子序列，然后將這些子序列連接起來形成完整的時間序列數(shù)據(jù)，作為模型輸入；即電池狀態(tài)在第k個時間點的輸出值對應的輸入變量是此時間點之間的(k-n+1)個，這樣可以保留數(shù)據(jù)的時序信息，并且充分利用歷史數(shù)據(jù)與當前數(shù)據(jù)之間的關聯(lián)性。

3.根據(jù)權利要求1所述的一種基于改進長短時記憶網絡的電池soc與soe聯(lián)合估計方法，其特征在于：所述步驟s2的具體方法為：

4.根據(jù)權利要求1所述的一種基于改進長短時記憶網絡的電池soc與soe聯(lián)合估計方法，其特征在于：所述步驟s3的具體方法為：

5.根據(jù)權利要求1所述的一種基于改進長短時記憶網絡的電池soc與soe聯(lián)合估計方法，其特征在于：所述步驟4的具體方法為：

技術總結
本發(fā)明屬于電池電數(shù)字數(shù)據(jù)處理領域，公開了一種基于改進長短時記憶網絡的電池SOC與SOE聯(lián)合估計方法，包括以下步驟：S1：數(shù)據(jù)分割，S2：特征提取，S3：將步驟S2中得到的降維后的特征輸入到包含兩個BiLSTM層和一個全連接層的結構中，利用BiLSTM層進行序列建模，并基于BiLSTM模型擬合輸入放電時間序列信息，最后將得到的全連接層輸出作為該模型的估計結果，得到訓練好的模型；S4：模型分析。該方法的使用可以通過電池實際充放電特征參數(shù)，在不了解電池內部構造機理和化學反應情況下，通過記電池在充放電過程的電流、電壓和溫度的數(shù)據(jù)變化，建立CNN?BiLSTM模型來預測電池的SOC和SOE。

技術研發(fā)人員：王揚威,傅強,段培永,牟健慧,王波,李俊杰,寧晨光,于程程,鄭力,時博
受保護的技術使用者：煙臺大學
技術研發(fā)日：
技術公布日：2024/12/19