一种面向电池管理系统的SOC-SOH-RUL-SOE联合估计方法

本发明提出一种面向电池管理系统的SOC‑SOH‑RUL‑SOE联合估计方法。该方法首先基于部分充电数据提取健康特征，采用高斯过程回归（GPR）模型实现电池健康状态（SOH）的估计，并利用长短期记忆网络（LSTM）预测SOH的演化趋势，从而推算电池的剩余使用寿命（RUL），实现对老化状态的全面掌握。随后，根据估计得到的SOH值修正电池当前的最大可用容量，进而采用卷积神经网络与门控循环单元（CNN‑GRU）对电池的荷电状态（SOC）与能量状态（SOE）进行初步估计，并通过自适应Savitzky‑Golay（ASG）滤波器对估计结果进行平滑降噪，得到SOC与SOE最终估计值。为提升模型在未知初始状态下的估计精度，进一步引入数据增强策略，增强模型的泛化能力与鲁棒性。