基于CNN卷积神经网络的锂电池SOC估计，MATLAB代码，二维图+三维图！

一、研究背景

锂离子电池的荷电状态（State of Charge, SOC）是电池管理系统（BMS）的核心参数，直接影响电动汽车续航预测、充电策略及安全保护。传统SOC估计方法（如安时积分法、开路电压法）存在累积误差、依赖静止状态等局限；基于等效电路模型的卡尔曼滤波方法对模型精度要求高。近年来，深度学习特别是卷积神经网络（CNN）凭借其强大的非线性映射能力，可直接从电流、电压等时序数据中端到端学习SOC的复杂动态特性，无需显式建模电池电化学模型。本代码实现了一个轻量化CNN回归模型，用于基于电流和电压输入快速估计SOC。

二、主要功能

1. 数据预处理：从Excel读取原始数据（含电流、电压、SOC列），按10:1下采样减少冗余；随机划分70%训练集和30%测试集。
2. 特征工程：将输入特征（电流、电压）和输出（SOC）归一化至[0,1]区间，并重塑为CNN所需的4D数组（特征数×1×1×样本数）。
3. CNN建模与训练：构建包含卷积层、批量归一化、ReLU、池化、Dropout、全连接层的回归网络，使用Adam优化器训练100轮。
4. 预测与反归一化：对训练/测试集进行SOC预测，将结果反归一化还原至原始量纲。
5. 性能评估：计算R²、RMSE、MAE、MSE、RPD、MAPE等指标，并输出误差统计分布（均值、标准差、偏度、峰度、正态性检验、置信区间）。
6. 可视化分析：
   • 原始数据趋势图（电流/电压/SOC曲线、散点图、3D分布、相关性热力图）
   • 预测结果对比图（真实值vs预测值、误差柱状图、拟合散点图）
   • 误差分布直方图、Q-Q图、累积分布函数（CDF）图

三、算法步骤

1. 导入数据→xlsread读取Excel，每10行采样一次。
2. 数据集划分→dividerand按0.7:0:0.3比例生成训练/测试索引。
3. 归一化→mapminmax将特征和标签缩放至[0,1]。
4. 数据重构→reshape为[L,1,1,M]的4D数组（L=2特征数，M样本数）。
5. 构建CNN→ 使用layerGraph依次添加：
   • imageInputLayer（输入尺寸2×1×1）
   • 卷积层（1×1核，32通道，same padding）
   • 批量归一化 + ReLU
   • 卷积层（1×1核，64通道）
   • 批量归一化 + ReLU
   • 平均池化层（1×1，实际不降维）
   • 展平层 + Dropout(0.2)
   • 全连接层（输出1） + 回归层
6. 训练→trainNetwork指定Adam优化器、初始学习率0.01、每50轮下降0.1倍、打乱数据、显示训练进度。
7. 预测与反归一化→predict获取归一化预测值，mapminmax('reverse')还原。
8. 性能计算→ 调用公式计算R²、RMSE、MAE等。
9. 结果可视化→ 绘制各类图表，输出统计信息。

四、技术路线

原始数据(电流,电压,SOC) → 下采样 → 划分训练/测试集 → 归一化 → 重构为[2,1,1,样本数] → CNN回归模型(卷积+BN+ReLU+池化+Dropout+FC) → 预测SOC → 反归一化 → 评估指标(R²,RMSE,MAE,RPD等) → 可视化

五、公式原理

• 卷积层：
  y=σ(W∗x+b)y = \sigma( W * x + b )y=σ(W∗x+b)，其中WWW为1×1卷积核（实际作用类似于全连接，但保留空间结构便于批量处理）。
• 批量归一化：
  x^=x−μBσB2+ϵ\hat{x} = \frac{x - \mu_B}{\sqrt{\sigma_B^2 + \epsilon}}x^=σB2​+ϵ​x−μB​​，y=γx^+βy = \gamma \hat{x} + \betay=γx^+β，加速收敛。
• ReLU激活：
  f(x)=max⁡(0,x)f(x) = \max(0, x)f(x)=max(0,x)，引入非线性。
• Dropout：
  以概率p=0.2p=0.2p=0.2随机丢弃神经元，防止过拟合。
• 回归损失函数（MSE）：
  L=1n∑i=1n(yi−y^i)2\mathcal{L} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2L=n1​∑i=1n​(yi​−y^​i​)2。
• Adam优化器：
  自适应矩估计，结合动量与RMSprop，更新公式：
  mt=β1mt−1+(1−β1)gtm_t = \beta_1 m_{t-1} + (1-\beta_1)g_tmt​=β1​mt−1​+(1−β1​)gt​,vt=β2vt−1+(1−β2)gt2v_t = \beta_2 v_{t-1} + (1-\beta_2)g_t^2vt​=β2​vt−1​+(1−β2​)gt2​，
  θt+1=θt−ηm^tv^t+ϵ\theta_{t+1} = \theta_t - \eta \frac{\hat{m}_t}{\sqrt{\hat{v}_t}+\epsilon}θt+1​=θt​−ηv^t​​+ϵm^t​​。
• 评估指标：
  • R2=1−∑(yi−y^i)2∑(yi−yˉ)2R^2 = 1 - \frac{\sum(y_i - \hat{y}_i)^2}{\sum(y_i - \bar{y})^2}R2=1−∑(yi​−yˉ​)2∑(yi​−y^​i​)2​（决定系数）
  • RMSE=1n∑(yi−y^i)2\text{RMSE} = \sqrt{\frac{1}{n}\sum(y_i - \hat{y}_i)^2}RMSE=n1​∑(yi​−y^​i​)2​
  • MAE=1n∑∣yi−y^i∣\text{MAE} = \frac{1}{n}\sum|y_i - \hat{y}_i|MAE=n1​∑∣yi​−y^​i​∣
  • RPD=std(y)std(y−y^)\text{RPD} = \frac{\text{std}(y)}{\text{std}(y - \hat{y})}RPD=std(y−y^​)std(y)​（剩余预测残差，>3表示优秀）

六、参数设定

七、运行环境

• 软件：MATLAB2020
• 数据文件：....xlsx（需存放于当前工作目录）

八、应用场景

1. 电动汽车BMS：实时估计电池SOC，优化充放电策略，防止过充/过放。
2. 储能电站：监控电池组荷电状态，保障电网调频、削峰填谷的安全运行。
3. 便携电子设备：提升电量显示精度，延长电池循环寿命。
4. 电池健康诊断：结合SOC预测结果，分析容量衰减、内阻变化等退化趋势。
5. 硬件在环仿真：作为数字孪生模型，验证新电池管理系统算法。

完整代码私信回复基于CNN卷积神经网络的锂电池SOC估计，MATLAB代码，二维图+三维图！