Battery Energy Storage Systems (BESS) 的要害作用在于保证可再生能源电力向主电网的稳定无缝传输[1]。作为一种新式储能设备模型，集装箱式锂离子电池储能体系因其高能量密度、快速响应、长寿数、轻量化以及强环境适应性而被广泛使用[2,3]。集装箱式 BESS 中的电池或许因过充、老化和一致性衰减而发生热失控[4,5]。State of Charge (SOC) 代表当时的电池电量水平，是电池管理体系中的一个要害参数[6]。可是，现有传感器在实时运行条件下直接丈量 SOC 时面临局限性[7]。因而，利用可丈量的电压、电流、温度和功率进行精确的 SOC 估量，关于保证 BESS 的使用寿数和安全性至关重要[8]。
从更广泛的意义上讲，现有的SOC估量研讨可分为以下四类：(i) 直接计算办法[9]，(ii) 根据Kalman filter (KF)的办法[10]，(iii) 非线性观测器[11]，以及(iv) 智能学习算法[12]。直接计算办法根据SOC与可丈量电量（如开路电压(OCV)[13]、内阻[14]等）之间的不同联系。可是，这些办法无法使用于实时实现。根据KF的办法因其杰出的精度和处理KF非线性变量的才能而具有可行性[15]。尽管如此，根据KF的办法仍受限于对所建立电池等效模型精度的过度依靠及其低鲁棒性[16]。非线性观测器在精度和收敛速度方面体现杰出，一起计算成本较低。可是，这些办法难以找到合适的增益矩阵来减小差错[17]。智能学习算法，例如模糊逻辑[18]、支撑向量机(SVM)[19]和神经网络(NN)[20]，因为可以根据杰出的训练过程有效提取电池充电过程的非线性特征，正日益受到SOC估量领域的重视[21,22]。在此类别中，CNN-GRU[23]等学习算法将学习输入中的电池电压、电流、温度等的非线性联系。
此外，现有的电池SOC估量研讨主要集中在电动汽车行业，其间的电池通常经历完整的充放电循环。动力电池必须具有高能量密度和低功率快充才能。相比之下，集装箱式储能体系的电池选用的是部分充放电策略。电池储能体系需要更长的循环寿数和极低的自放电率[24]。因而，电动汽车行业中高精度的SOC估量技术并不适用于电池储能体系使用[25]。在现有有限的BESS SOC估量办法中，LSTM在解决时刻序列问题方面体现出色[26]。可是，因为记录的电池数据与SOC之间存在单向相关性，LSTM难以全面捕捉电池动态的物理或电化学特性。Bi-LSTM网络被提出用于早年向和后向两个方向捕捉电池的时刻信息，并经过融合过去与未来上下文之间的长时刻依靠联系来汇总输出[27]。可是，这些模型疏忽了数据的空间特征。因而，CNN-LSTM模型的提出旨在提醒嵌入在空间特征序列中的时刻序列特征。尽管如此，CNN–LSTM会导致序列信息的丢掉...
根据上述问题，本文提出了集装箱式储能体系电池的SOC估量办法。主要贡献如下。(1) 所提模型将输入数据分为历史数据和当时数据以进行并行处理。随后利用历史数据段对当时输出进行修正，以保证包含要害的历史趋势信息。(2) 池化层1之后存在过多的冗余维度，会导致模型过拟合。所提网络经过添加CNN层来构建，经过紧缩冗余维度增强了SOC估量模型的泛化才能。(3) 使用了SOC估量的新场景。本研讨将重视点从电动汽车行业转向了集装箱式储能体系。
