一种基于深度学习和卡尔曼滤波算法的电池模组SOC估计方法

本发明提供一种基于深度学习和卡尔曼滤波算法的电池模组SOC估计方法，包括以下步骤：获取电池模组的工况工作数据，并对所述工况工作数据进行预处理；将预处理后的工况工作数据作为特征参数对双层门控循环单元DGRU深度学习网络进行训练；将训练好的双层门控循环单元DGRU深度学习网络与卡尔曼滤波算法集成，双层门控循环单元与卡尔曼滤波集成预测模型DGRU‑KF。本发明通过将双层门控循环单元DGRU深度学习网络提高了预测精度，同时双层门控循环单元可以并行同时计算，在精度提升的基础上节省估计时间，双层门控循环单元网络和卡尔曼滤波算法相结合，减少深度学习网络模型输出的波动，进一步提高估计模型的精确度。