这段时间在电池研究上用了神经网络进行SOC、SOH估算同时也见到周围人用神经网络解决了微电网控制等问题对于神经网络有了一些理解。神经网络的定位神经网络本身就是属于一个机器学习的模型无论你是BP、CNN、LSTM还是更先进的模型本质上其实都是属于一个数学模型。这个模型可以理解为一堆数学公式加上一堆可调参数权重参数和不可调参数超参数。引入神经网络后研究方法通常都属于无模型方法model-free这里神经网络的使用取代了控制对象的机理建模这样无论是参数辨识还是控制都可以减少对原有对象的研究。下面以电池的参数辨识为例。电池的SOC参数辨识本来需要先用电化学 / 电路原理搭电池对象模型然后利用RLS等算法将测试数据对电池模型下拟合得到参数后再根据模型参数和SOC、SOH的拟合关系得到这些状态。这个过程中电池模型、参数拟合关系都是需要对电池进行机理研究获得的。而利用神经网络进行状态估算时直接把测试数据和要辨识的状态作为训练数据训练好的模型在输入测试数据后就得到估算的状态。这个过程无需对电池本身了解。神经网络研究什么神经网络结构的改进自然是重要的研究但是很多时候其实都是把不同神经网络模型结合起来这样确实能够改进预测效果但是这也会让模型复杂并且预测过程的黑盒化更加严重。神经网络的训练过程也是很有意义无论是权重参数的调节、超参数的选择都有大量的算法研究。比如遗传算法、粒子群算法等。此外很多时候我们属于使用神经网络的人对自己的研究领域是有一定了解的此时可以结合自己的专业知识对整体使用流程进行部分改善。例如电池研究时可以根据机理分析建立一个模型提取得到合适的参数利用这些参数结合神经网络这样无需知道参数和SOC、SOH的拟合关系也能实现预测。这种改进是在数据预处理上进行了改进它可以减少输入数据的数量对于减少计算量和训练难度很有帮助。