研究背景
能源是人类生存和发展的重要物质基础，也是当今国际政治、经济、军事、外交关注的焦点据 2016年《BP世界能源统计展望》：2014年至 2035年的全球能源需求预计增长34%，即年均增长1.4%。当今社会主要依赖的能源是以石油为代表的不可再生能源。我国能源资源“高增长、高消耗、高污染”的现状，使我们正面临严峻的能源形势。不可再生能源，最终会消耗殆尽。新能源与可再生能源的开发与利用不仅有利于解决我国常规化能源供应不足的问题，而且有利于我国改善能源结构，保障能源安全，保护环境。因此，不论是从经济社会走可持续发展道路的角度考虑，还是保护人类赖以生存的地球生态环境的高度来审视，开发新能源对我国发展都具有重要意义。
在众多的新能源中，锂离子电池以高能量密度，循环寿命长，无记忆，对自然环境无污染等优点，在电子储能领域应用较广。由于材料和制造技术的限制，锂电池距离电动汽车和电池储能需要还有一定距离，尤其是面对复杂的实际运行环境，过放和低温会严重影响电池的使用寿命，温度过高时有可能引起内部化学反应热失控，导致容量不可恢复性损失甚至起火自燃；电池的各项性能会随着使用逐渐衰退，而造成性能衰退的应力因素众多且相互存在耦合，导致电池性能衰退过程复杂且难以掌控，这些突出问题使得电池在不同环境条件下的稳定性和安全性成为了锂电池持续推广的阻碍。
创新点及解决的问题
为了减小计算负担，实现SOC的在线估计功能，提出了高斯过程回归算法，它在处理小样本、非线性等问题上具有很强的自适应功能。只需采集电池的电流、电压和温度，无需考虑电池的老化，即可实现电池的SOC估计。
重点内容导读
目前有很多SOC估计方法，如安时法、开路电压法、卡尔曼滤波法。安时积分法估计SOC，该方法简单易行，在工业中被广泛应用，但SOC的精度严重依赖于电流传感器和采集设备的测量精度，从而会造成SOC的估计误差逐步累积。而开路电压在进行SOC的预测时，需要将电池静置一段时间，因此 不能实时在线估计。为了提高SOC估计精度，利用卡尔曼滤波算法进行SOC估计，为了适应非线性系统，利用无迹卡尔曼滤波(UKF)的算法进行估计,虽然这些方法能很好地估计SOC，但是对设备要求精度高，且依赖于电池的物理参数。目前，神经网络方法应用最广，通过建立输入和输出之间的关系，实现SOC估计，但训练过程容易陷入局部最优。相比神经网络，支持向量机(SVM)训练样本有限，可以避免过拟合得到最优解，但SVM存在如何选择相应的核函数进行预测模型训练。高斯过程回归是近几年发展的一种机器学习，相比神经网络和向量机，它在处理小样本、非线性等问题上具有很强的自适应功能，因此，为了更好地估计SOC，提出了基于高斯过程回归的SOC估计方法。
结论
本文以锂离子电池为研究对象，针对传统的估计算法精度低，提出了GPR模型。根据电池的电压、电流和温度作为模型的输入量，SOC作为输出量，来训练模型，在选择相应的验证集进行模型验证。GPR最大的优点是提供了置信区间，可以很好地推断SOC的概率分布，实验结果表明，经试验证明该模型可以准确估计电池的SOC。