基于机器学习的SOC估算方法入门 · 课程目录

01

SOC估算概述

什么是SOC
重要性
难点与挑战
传统vs机器学习

02

电池基础与特性

锂离子原理
Rint/Thevenin/PNGV
OCV-SOC
老化影响

03

数据采集与预处理

采集电流/电压/温度
异常值处理
归一化
特征工程

04

机器学习基础回顾

监督/无监督
回归/分类
过拟合
交叉验证

05

线性回归与SOC估算

一元/多元回归
L1/L2正则化
实践与局限

06

支持向量机(SVM)与SOC

SVR原理
核函数(RBF)
参数调优

07

决策树与随机森林

信息增益/基尼
随机森林
集成学习

08

K近邻(KNN)与SOC

KNN原理
距离度量
K值选择

09

神经网络入门

感知机/MLP
激活函数
反向传播

10

深度学习与SOC估算

DNN结构
BatchNorm
Dropout

11

RNN与SOC估算

RNN原理
时序数据
LSTM优势

12

CNN与SOC估算

1D-CNN
CNN+LSTM混合
特征提取

13

混合模型与集成方法

Stacking
XGBoost/LightGBM
效果对比

14

特征选择与降维

特征重要性
PCA
LDA

15

超参数调优

网格搜索
随机搜索
贝叶斯优化

16

模型评估指标

MSE/RMSE
MAE/R²
最大误差

17

数据增强与合成

加噪/时间扭曲
物理模型合成
增强影响

18

迁移学习与SOC

迁移原理
预训练/微调
跨电池类型

19

在线学习与自适应SOC

在线梯度下降
自适应更新
BMS部署

20

卡尔曼滤波与机器学习融合

EKF/UKF
观测方程
融合优势

21

电池老化与SOC估算

老化机理
容量衰减
老化特征

22

温度补偿与SOC估算

温度影响
特征工程
多温度估算

23

不同工况下的SOC估算

恒流/动态工况
DST/UDDS
泛化能力

24

模型压缩与边缘部署

量化INT8/FP16
剪枝/蒸馏
STM32/Jetson

25

实时SOC估算系统设计

传感器/通信
CAN/I2C
系统架构

26

开源工具与框架

Anaconda
PyTorch/TensorFlow
Scikit-learn

27

数据集与基准测试

NASA/CALCE/Oxford
基准模型
结果对比

28

项目实战：LSTM估算(一)

数据加载/可视化
特征工程
模型构建

29

项目实战：LSTM估算(二)

超参数调优
模型优化
卡尔曼融合

30

总结与展望

课程总结
局限性
未来趋势
学习资源