近年来，随着石油化石储量的日益枯竭以及燃烧所带来的环境污染，汽车工业实现电气化十分必要，其中电池使用寿命是推动发展的关键因素之一，而能否准确预测锂电池荷电状态（StateofCharge，SOC）起到重要作用。但是电池SOC通常是通过对电池的可测量参数进行估计与预测，因为其本身难以预测。目前锂电池的SOC预测是采用循环神经网络进行预测，该方法已取得较好的预测精度，但仍然存在特征提取不准确，关键数据的权重分配不到位的问题，造成网络收敛效果差，模型训练预测速度慢。针对这些问题，本文提出了一种基于自注意力机制增强的混合递归神经网络锂电池SOC预测模型，能够进一步提高预测的精度。本文的主要工作如下： 首先对锂电池SOC几种常用预测方法进行介绍，并分析其中的结构特点和存在的优缺点，根据这些确定本文的研究方向。通过研究锂电池的内部构造、性能参数和特性分析，对锂电池可测量的数据进行SOC预测的相关性计算，确定了电压、电流、温度三个数据作为预测模型的输入数据。 其次对长短期记忆网络（Longshort-termmemory，LSTM）模型进行设计，通过实验选择模型的超参数，根据数据特点确定数据处理方法并设计模型结构。考虑到现实工作情况，设计模型对不同温度和不同工况下的锂电池数据进行训练预测。结果表明LSTM模型能够完成对锂电池SOC的预测，并表现出较好的预测结果。 接着考虑到数据的空间特性和LSTM模型的不足，提出并设计基于概率稀疏自注意力机制、一维卷积和LSTM的预测模型。自注意力机制能够对输入数据进行有选择性的权重分配，重点关注对SOC预测影响大的参数，该模型还通过卷积层提取数据的空间特征，与时间序列特征结合大幅度提高预测精度。通过与LSTM在不同温度及工况条件下的对比实验证明，提出的模型要优于单一LSTM模型，其中均方根误差和平均绝对误差下降了49.5%、55.2%。模型还在初始电量不同的条件下依然保持较高的预测性能，表明其保持结果的鲁棒性。为了进一步检验模型对于大量数据处理预测的能力，设计了多种工况数据混合预测实验，结果表明模型不仅能够保持预测的精度，还在此基础上有一定提升。 综上，本文所提出的模型充分提取了数据特征关系，预测精度得到提高，在不同工况和温度下具有较好的预测性能，受初始数据影响小，具有较好的准确性和鲁棒性。结果证明该模型对SOC可达到秒级预测，验证了模型的实用性。
NETL
