一种融合深度学习与卡尔曼滤波的电池荷电状态估计方法

本发明涉及一种融合深度学习与卡尔曼滤波的电池荷电状态(SOC)估计方法，包括：生成21维动态特征向量，通过动态滑动窗口获取多模态信号的四维统计特征，经加权处理、零值补偿后与原始信号特征融合；将特征向量输入轻量级联合架构，经单层卷积自编码器提取时序特征、浅层深度神经网络处理，输出SOC第一估计值，该架构采用端到端协同训练策略与量化部署；构建四维状态空间的自适应无迹卡尔曼滤波(AUKF)，以第一估计值为观测输入，经状态预测、观测更新，输出修正后的SOC估计值，过程中在线动态调整噪声参数、施加容量约束。本发明提升复杂工况下特征提取精度与抗干扰能力，建立长期稳定的SOC估计体系，实现轻量化设计与嵌入式实时部署。