准确预算电池的荷电状况(SOC)与能量状况(SOE)对进步电池体系运行可靠性与安全性具有关键作用。因为SOC和SOE均为时刻累积量，前史要素对其影响显着。为此，本文提出根据谐波损耗前史门控循环单元(HL-HGUR)的研讨办法，以获取准确的预算成果。该算法根据门控循环单元(GRU)架构，在考虑前史要素影响的一起，经过结合根底遗忘曲线改善丢失函数，然后进步SOC与SOE的预算精度。为进一步验证算法预算性能，本研讨选用北京公交应力测试环境(BBDST)和动态应力测试环境(DST)验证办法有用性。在这两种测试条件下，HL-HGUR算法对SOC的预算最大均匀绝对差错(MAE)为1.29%、最大均方根差错(RMSE)为1.49%；对SOE的预算最大MAE为1.09%、最大RMSE为1.25%，各项目标均优于传统LSTM、GRU及HGRU算法。因而，HL-HGUR预算办法能完成SOC与SOE的准确预算，有用进步大规模储能锂离子电池的预算功率。（注：根据学术标准要求，百分比符号"%"在中文表述中应与数字紧密连接，故译文调整了数字与百分号间的空格格式）

图文摘要

跟着社会经济的快速开展，新能源轿车正逐步替代传统燃油车成为主流交通工具[1]。新能源轿车选用锂离子电池作为动力来源，该电池具有能量密度高、无回忆效应、自放电率低、形状可塑性强等优异的物理化学特性[[2], [3], [4]]，一起还具备循环寿命长、环境污染小等优势[5,6]。为满意宽范围输出需求，多数新能源轿车经过很多锂离子电池串并联构成电池组。此刻电池组的高能量密度会大幅进步危险程度，因而需装备电池办理体系（BMS），该体系经过测量电压、电流、温度等变量来预算电池的SOC、SOE等状况参数[7,8]。该体系在平衡电池组办理的一起，可在必要时发出安全预警，然后有用下降事端发生率、进步安全性并延长电池寿命[9,10]。因而，准确预算电池的荷电状况（SOC）与能量状况（SOE）对新能源轿车的安全性至关重要（见图1）。
荷电状况（State of Charge, SOC）直接反映电池剩余电量，是电池办理体系中表征锂离子电池当前剩余电荷量的关键目标。一起，SOC也是防止电池过充、过放及坚持均衡的中心参数之一。当前SOC预算办法主要可分为开路电压法、安时积分法[11]、等效建模法[12,13]、数据驱动法[14,15]以及复合办法等类型。
近年来，数据驱动办法在SOC估量中得到更广泛的使用。包含长短期回忆网络(LSTM)和门控循环单元(GRU)在内的多种深度学习办法已成功使用于SOC估量。Tian等人剖析了锂离子电池估量深度学习结构的最新研讨进展与未来方向，这已成为完成准确SOC估量的有用处理方案[16]。Chai等人提出了一种根据随机搜索优化LSTM神经网络的新型电池SOC估量办法，具有高效性、鲁棒性和适用性[17]。Pandian等人选用LSTM与GenUT-UKF结合的混合办法改善SoC猜测，成果显示出显着优势[18]。Bobobee等人提出具有温度补偿的粒子群优化-长短期回忆模型，在精度和鲁棒性方面体现更优[19]。与此一起，Zhang等人选用CNN-attention-LSTM模型进行锂电池SOC估量，该模型展现出良好的鲁棒性与泛化能力[20]。Chen等提出结合长短时回忆网络与自注意力机制的模型，该模型在不同温度组合及老化程度下均体现优异[21]。Gao等提出具有存储单元的分数阶GRU网络（FOGRU），有用处理了GRU更新信息与重置信息比例灵活性缺乏的问题[22]。
此外，其他研讨者还选用多种算法交融的方式进行SOC预算。例如，Li等人提出了一种根据量子回归和注意力机制的混合深度学习模型，用于锂离子电池荷电状况估量，该模型具有极高的点估量精度和置信区间估量可靠性[23]。Peng等人在多层长短期回忆（LSTM）网络中引入变分周期挑选器，结合自习惯加权扩展卡尔曼滤波（AWEKF）完成锂离子电池SOC预算[24]。Lu等人将门控循环单元（GRU）神经网络与自习惯Savitzky-Golay滤波器（ASG）相结合，完成了高效的SOC估量[25]。Zou等人规划了一种根据注意力机制和卷积神经网络-长短期回忆网络（LSTM）模型的新型SOC预算办法，试验标明A-CNN-LSTM模型比较其他模型具有更高的稳定性和一致性[26]。Devi等人提出了一种CNN-GRU-LSTM算法，该算法缓解了实时使用中预处理和过拟合问题，并能准确预算电池状况[27]。部分研讨者还对比了不同神经网络在SOC预算精度上的体现。Guo等评价了四种前沿深度学习算法在SOC预算中的性能，其间TCN鲁棒性最强，而GRU在三种办法中单时刻步耗时最短[28]。Jia等选用根据Hausdorff微分优化的分数阶回忆单元对LSTM进行优化，在不同工况下均获得更优成果[29]。El Fallah等将深度神经网络、门控循环单元及长短时回忆模型用于老化与温度条件下锂离子电池的SOC预算，其间DNN展现出杰出的精度[30]。
与SOC相似，SOE是反映新能源轿车剩余能量与续航路程的重要参数之一，其准确预算关于电池办理体系的优化升级具有重要意义。现有预算办法包含安时积分法、特征映射法、等效建模法以及数据驱动法等。
在数据驱动研讨中，Hou等人选用自习惯容积卡尔曼滤波优化LSTM进行SOE估量，显着进步了锂电池SOE估量的准确性与习惯性[29]。Nguyen团队根据磁场效应构建了锂离子电池能量状况猜测的深度学习模型，该模型在短序列猜测中体现优于其他网络[31]。Fan等学者提出，相较于单一LSTM及LSTM结合无迹卡尔曼滤波的方案，LSTM-AUKF在下降核算复杂度与进步估量精度方面具有杰出性能[32]。为进步SOE估量精度，神经网络得到继续改善。Mei等人使用LSTM对时刻序列的有用猜测特性，结合卷积神经网络构建能量状况估量算法，完成了对能量状况的准确估量。赵等人提出了一种根据多时刻尺度滤波器的锂离子电池能量状况测定新办法[33]。牟等人规划了一个交融卷积神经网络(CNN)与双层门控循环单元(BGRUs)的模型，以增强模型在不同场景下提取SOE估量序列特征的能力[34]。贺等人相同选用径向基函数进行能量状况估量，并使用径向基函数修正粒子滤波算法，然后进步能量状况估量的准确性与整个体系的稳定性[35]。
近年来，已有学者致力于动态条件下的SOE估量研讨。Qian等将卷积神经网络、自注意力机制与长短时回忆神经网络相结合，构建了CNN-SAMLSTM模型，该模型在不同动态工况下对锂离子电池的SOC、SOE及SOH进行同步准确估量时展现出强鲁棒性[36]。
然而，上述模型大多独立预算SOC（State of Charge）与SOE（State of Energy），疏忽了两者间的动态耦合联系。为此，部分学者致力于SOE的联合估量研讨。Bao等提出了一种结合域习惯（DA）与无迹卡尔曼滤波（UKF）的办法（DA-UKF），该办法选用由源域（SD）和目标域（TD）两部分组成的数据驱动网络，完成了不同温度下SOC与SOE的联合估量[37]。Chen等选用自习惯二元分数阶扩展卡尔曼滤波算法完成了SOC与SOE的协同估量，处理了参数约束与状况耦合问题[38]。Chen等提出根据深度网络搬迁的多输出Fusion算法进行SOC与SOE估量，经过多尺度注意力机制的有用部署进步了重要数据信息捕捉精度。UKF算法的使用则进步了模型输出的准确性与滑润性[39]。Luo等提出了一种根据CNN-GRU-ASG的锂离子电池荷电状况与能量状况联合估量办法，该办法使用ASG对初步估量值进行进一步滑润处理，显着下降了估量差错[40]。Wang等针对特种飞行器中的锂离子电池，提出了一种根据优化遗传边缘化-扩展粒子滤波的荷电状况与能量状况联合估量办法，该办法显着减小了估量差错[41]。Bao等提出了用于锂离子电池组荷电状况(SOC)与能量状况(SOE)联合估量的双使命学习结构，该结构在复杂多变的车辆运行条件下具有高精度与强鲁棒性[42]。Chen等人根据优化的双向门控循环神经网络提出锂离子电池荷电状况与能量状况的联合估量办法，所提出的PG-BiGRU办法在两种动态驾驭循环中能有用下降参数整定复杂度并进步SOC与SOE的猜测精度[43]。Luo等人开发了根据双自习惯扩展卡尔曼滤波器(DAEKF)的多时刻尺度三元锂离子电池三态在线联合估量办法，该办法处理了电动轿车实际使用中各类噪声导致的开环累积差错，进步了在线估量的稳定性[44]。Luo等人选用一种根据CNN-BiLSTM-Attention的改善型混合神经网络对锂离子电池的SOC和SOE进行协同评价，经过引入编码器-解码器-注意力机制，可以更高效地处理复杂数据，然后进步了预算的准确性与可靠性[45]。
虽然根据神经网络的数据驱动剖析办法已在锂离子电池状况估量中得到广泛使用，这得益于先驱者的开发与推广，但其仍存在若干不容忽视的问题，主要体现在荷电状况（SOC）估量精度与能量状况（SOE）估量精度两方面。因为SOC与SOE均为时刻累积量——SOC取决于电流积分，SOE还受前史循环次数等要素影响，其过往前史状况对估量成果具有显着影响。然而现有模型简直未经过丢失函数将前史循环数据树立相关。
虽然现有数据驱动办法在电池状况估量方面获得了显着进展，但其规划仍存在显着缺点。一方面，主流RNN模型（如LSTM和GRU）直接且被迫地使用前史信息；其内部回忆机制无法显式区分不同前史时刻点状况的重要性。另一方面，广泛选用的丢失函数（如MSE）选用静态规划，在练习过程中对一切时刻步的猜测差错进行平等处理。这种做法本质上忽视了电池状况演化过程中固有的时刻因果性和近因效应。因而，当前研讨在前史状况的有用使用和丢失函数的时刻习惯性方面仍存在改善空间。
为战胜上述局限，本文提出谐波丢失-前史门控循环单元（HL-HGUR）模型，其间心立异体现在三方面：榜首，规划前史门控机制，经过可学习的评分函数对前n个前史状况进行限制级动态筛选与加权，生成信息丰厚的中间变量C。该机制着重对部分前史依靠联系的渐进式建模，与GRU深度整兼并完成核算高效性。其次，受艾宾浩斯遗忘曲线启示，本研讨引入了一种谐波丢失函数。该函数经过为练习差错分配时刻衰减权重，使模型可以聚集于学习近期动态形式，然后进步猜测精度与收敛速度。最终，经过体系性地挑选GRU作为轻量化根底网络并进行试验验证，整套HL-HGUR模型在坚持高精度的一起，其核算功率完全满意电池办理体系（BMS）实时评价的需求。