项目介绍 MATLAB实现基于卷积门控循环单元（CNN-GRU）进行锂电池SOC估计（含模型描述及部分示例代码）专栏近期有大量优惠还请多多点一下关注加油谢谢你的鼓励是我前行的动力谢谢支持加

xiaoxingkongyuxi

143人浏览 · 2026-06-06 08:51:51

xiaoxingkongyuxi · 2026-06-06 08:51:51 发布

MATLAB实现基于卷积门控循环单元（CNN-GRU）进行锂电池SOC估计的详细项目实例

请注意此篇内容只是一个项目介绍更多详细内容可直接联系博主本人

或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）

锂离子电池在车载动力电池、储能电站、便携式电子设备等众多领域已经成为核心的能量供给单元。随着电动汽车和大规模储能系统的迅速发展，对电池安全性、续航里程预测精度、剩余使用寿命评估能力提出了越来越高的要求。在所有关键状态参数中，荷电状态（State of Charge, SOC）是最基础、最重要的指标之一，直接体现当前电池剩余可用容量，占标称容量的百分比。SOC估计的精度和鲁棒性，对整车续航里程显示、电池管理系统（BMS）的能量管理策略、均衡控制、故障早期预警等都有决定性影响。

在实际应用场景中，SOC不能被直接测量，只能依赖电压、电流、温度等外部量，通过数学模型或数据驱动方法进行估计。传统的SOC估计算法包括安时积分法、开路电压查表法、等效电路模型结合扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）等方法。这些方法在稳定、温度变化不大、老化程度有限的工况下，可以获得尚可的估计效果，但在复杂工况下存在一些突出问题：一是安时积分法对电流传感器误差和初始SOC估计非常敏感，误差会随时间累积；二是基于开路电压的估计需要较长静置时间才能接近准稳态，难以满足车辆频繁启停和动态加载条件；三是等效电路模型需要精确辨识参数，而且参数随温度和老化过程发生显著变化，传统的线性或准线性模型很难覆盖全寿命、全工况。

同时，实际工况下电池表现出显著的非线性和时变特性。动态负载、强回馈制动、大倍率充放电、温度快速波动、老化导致的电化学动力学变化等都会改变电压与SOC之间的映射关系。单一时间点的电压和电流很难充分反映电池内部状态，SOC实质上是一个依赖历史电流、电压和温度序列的时间相关状态。这种强时间依赖性和非线性，使得传统的静态函数拟合方法或简单的动态模型难以准确描述系统行为。

深度学习在时序建模方面展现出强大能力，卷积神经网络（CNN）擅长从局部窗口中提取高维特征，对噪声具有一定鲁棒性；循环神经网络（RNN）及其变体门控循环单元（GRU）、长短期记忆网络（LSTM）在捕捉长期依赖和序列动态方面拥有优势。CNN通过一维卷积可以高效提取电流、电压、温度等序列数据的局部模式，例如负载变化的斜率、缓慢电压恢复过程、温度渐变趋势等；GRU通过更新门和重置门结构，能够选择性地保留或遗忘历史信息，在参数数量较少的条件下有效建模长时间依赖，训练效率和推理速度较好，尤其适合嵌入式BMS平台。

将CNN与GRU进行有机结合，构建CNN-GRU混合网络结构，可以在时间序列建模中同时发挥局部特征提取与全局依赖建模的优势。卷积部分首先对多通道输入（电流、电压、温度、工况标识等）做一维卷积和池化，压缩冗余信息、增强高相关特征并抑制高频噪声；随后通过GRU对卷积输出特征序列进行时序建模，从较长时间尺度上重构SOC变化轨迹。这种结构与传统逐样本的多层感知机相比，更适合处理耐时滞特性显著的电池系统。

在MATLAB R2025b环境下，深度学习工具箱提供了包括序列卷积层、GRU层、回归输出层等在内的完备组件，并支持基于datastore的批量数据管理、GPU加速和训练过程可视化等功能。通过合理设计CNN-GRU网络，可以构建一个既符合工程实现约束，又具备较高估计精度和泛化能力的SOC估计方案。结合标准电池测试工况数据，例如UDDS、HWFET、NEDC、WLTC以及随机工况充放电数据，训练出的网络能够在广泛运行条件下保持较低的SOC估计误差，并具备一定的抗噪性和对电池老化程度变化的适应性，为构建高可靠性、高安全性的电池管理系统奠定基础。

本项目围绕基于卷积门控循环单元的锂电池SOC估计展开，依托MATLAB R2025b提供的深度学习环境，从数据预处理、网络结构设计、训练策略设定到评估和验证，形成一套较为完整的实现流程。既注重算法理论合理性，也考虑工程可部署性。通过对电池测试数据的系统处理和网络架构的多轮调优，使CNN-GRU模型在复杂工况、温度变化和老化条件下依然保持稳健可靠的SOC估计能力，这为电动汽车和储能系统的运行安全和经济运行策略提供重要技术支持。

项目目标与意义

提升SOC估计精度和鲁棒性

项目核心目标之一是显著提升SOC估计的精度与鲁棒性，使其在多种工况、多温度区间、不同老化阶段都能保持较低的估计误差。传统方法在标准实验室工况下往往表现尚可，但在真实道路工况中容易受到快速工况切换、传感器噪声、电池一致性差异等因素干扰，导致SOC估计偏差增大甚至漂移。通过将CNN与GRU结合，利用一维卷积的局部感受野捕捉短时间内电流、电压微小变化特征，再结合GRU对长时间历史信息进行选择性记忆，形成从短期动态到长期趋势的多尺度建模能力。这样不仅可以更加精准地识别电池在不同工作模式下SOC变化规律，还可以通过网络参数学习自动适应温度变化和部分老化导致的特性漂移。项目目标是在标准实验和动态工况数据集上，将SOC均方根误差控制在较小范围，并且在加入噪声、参数扰动情况下保持稳定性能，从而为BMS提供可靠的基础状态信息。

构建可工程落地的CNN-GRU SOC估计方案

很多研究工作中的深度学习模型结构庞大、计算量大，在桌面GPU环境中训练和验证效果良好，但很难直接部署到资源有限的车载BMS控制器上。本项目在设计算法时，关注的不仅是模型精度，还强调结构简洁性、参数规模可控性和推理速度。卷积层采用一维小卷积核和适度的通道数，通过池化或步长控制特征长度，减少后续GRU的输入维度，GRU层也选择合适的隐藏单元数量，避免过度堆叠。利用MATLAB R2025b提供的网络导出和代码生成工具链，面向嵌入式目标进行部署评估（如估算每步推理所需浮点运算次数和内存占用），确保CNN-GRU模型在典型的BMS硬件平台上能够实时运行。这种从一开始就面向工程落地的设计思路，使项目成果更容易转化为实际产品，缩短从算法研究到产业应用的路径。

打通从数据到模型的完整开发流程

SOC估计是一个典型的数据驱动问题，但很多工作只关注网络结构本身，而忽略了数据采集、清洗、标定和特征工程对最终性能的巨大影响。本项目的目标包括搭建一条完整的从原始电池测试数据到深度学习模型训练与评估的开发流程。通过MATLAB环境整合电池实验台数据或公开数据集，对实验电流、电压、温度、时间戳等进行统一处理，构建规范化的样本窗口，采用滑动窗口方式获取输入序列及对应目标SOC标签，引入归一化、去噪、异常点剔除和数据集划分策略。在网络训练过程中，配合早停策略、学习率调度和批量归一化等手段提升训练稳定性。这样不仅能保证模型性能，也形成一套可复用的数据-模型管线，为后续扩展到SOH（State of Health）估计或RUL预测提供可借鉴框架。

推动数据驱动电池状态估计方法的应用与研究

基于模型的SOC估计方法长期以来占据主导地位，但需要深入掌握电化学知识与复杂的参数辨识技术，且当电池体系或运行条件变化较大时，需要重新建模和调参。数据驱动方法通过从大量运行数据中自动学习复杂非线性关系，在面对新工况和新电池类型时具有较强适应性。本项目通过CNN-GRU结构在SOC估计场景中的系统应用，为数据驱动电池状态估计提供了一个完整而可行的范例。其意义不只局限在单一项目成果，更有助于促进电池管理领域从传统的“模型+滤波器”范式逐步向“物理机理+数据驱动深度融合”的方向演进。通过项目实践，可以分析数据驱动模型在边界工况（极低温、极高倍率）下的表现，为如何与等效电路模型或电化学模型进行融合提供经验基础，从而推动更高层次的研究与工程实践。

项目挑战及解决方案

非线性与时变特性导致的建模难度

锂电池的电化学过程本身是高度非线性的，充放电过程中电压曲线形状会随SOC、温度、倍率和老化状态发生显著变化。在低SOC与高SOC区域，电压对SOC变化的敏感度不同，出现平缓区和陡峭区；温度变化会影响极化电压和内阻，使电压响应产生滞后；老化则会改变SEI膜厚度和离子传输阻力，进而改变动态行为。这些因素叠加，使得同一SOC值在不同条件下对应的外部观测信号可能差异很大。传统线性或固定参数模型往往难以涵盖这种多维度耦合的非线性时变特性，导致在超出标定范围的工况下估计误差快速增大。项目采用CNN-GRU结构，针对上述难题给出解决思路：卷积层通过多通道输入一次性接收电流、电压、温度等信息，在局部时间窗内学习复杂非线性组合特征，能够自动捕捉不同温度或倍率下的微观差异；GRU层通过内部门控机制，在时间上对历史信息进行加权记忆和遗忘，对那些与当前SOC相关的重要历史片段赋予更高权重，弱化无关或冗余信息。通过大规模数据训练，网络参数对非线性和时变特性进行隐式编码，在新的工况下仍能够保持较好泛化能力，从根本上缓解传统模型难以适配多状态条件的问题。

数据质量、标定误差与泛化能力的矛盾

SOC作为内部状态，真实值依赖精确标定。实验室中可以通过全充全放、恒流恒压等标准流程，结合安时积分与开路电压校准，获得较高精度的SOC标签。但真实运行数据往往存在诸多问题：电流传感器存在偏置和噪声，采样频率不一，数据中包含插拔接插件引起的短时异常；不同电池批次存在一致性差异，某些工况下可能存在局部过充或过放造成的异常数据。此外，训练数据主要来源于有限数量的电池和工况，当模型应用到新的电池型号或极端工况时，容易出现泛化能力不足。为应对上述挑战，项目在数据预处理阶段引入多重策略：首先进行滤波和异常检测，剔除明显错误的电流电压点；采用平滑和重采样方法统一时间步长；通过分段安时积分与稳态开路电压标定，提高SOC标签精度；同时在数据划分时确保训练集、验证集和测试集在工况类型上具有一定差异，避免过拟合特定工况。训练过程中使用正则化、dropout以及数据增强策略，在不违反电池物理约束的前提下增加数据多样性。通过这种方式，在保证训练数据质量的同时提升模型对未知工况与新电池的泛化能力，从而在实际应用中取得更可靠的表现。

工程部署中的资源受限与实时性需求

车载BMS通常部署在资源相对有限的嵌入式控制器上，可用CPU算力、存储空间和功耗都受到严格约束，而SOC估计算法需要在毫秒级到几十毫秒级周期内实时运行。单纯追求模型复杂度和精度的深度网络容易导致推理速度过慢、存储占用过大，无法满足工程应用。项目在算法设计时充分考虑了这一现实约束，通过多方面手段解决工程部署问题。一方面，CNN模块采用一维卷积并控制卷积核数量和特征通道数，避免过多冗余通道；池化或步长设计用于压缩时间维度长度，减少传入GRU的特征序列长度，同时保留关键动态信息。另一方面，GRU层隐藏单元数量适度控制，必要时采用单层结构而非多层堆叠，减少参数数量和运算复杂度。模型训练完成后，可通过MATLAB代码生成工具将网络导出为可在C/C++环境运行的推理代码，并针对固定点或低精度浮点运算进行优化。进一步可以通过分析特征重要性和网络剪枝技术，在保证SOC估计精度基本不降低的前提下压缩模型规模。通过这些措施，使CNN-GRU SOC估计模型在典型BMS硬件上可实现高频实时运行，满足工程部署需求。

项目模型架构

输入特征与时间序列建模思路

SOC估计问题核心在于将多维观测量的时间序列映射为一个当前时刻的SOC输出。输入特征通常包括电流、端电压、环境或电芯温度、充放电模式标识等。从时间序列角度看，可以构建长度为T的窗口，将最近T个采样点的多通道观测作为模型输入，输出当前窗口末尾时刻的SOC。当采样频率为1 Hz或更高时，T的典型取值可以从几十到几百不等。输入张量在MATLAB中通常组织为尺寸为[特征数, 时间步数, 批量大小]的形式，以适配sequenceInputLayer和一维卷积层。多维特征在序列上能够反映诸多物理现象，例如电流阶跃之后电压的瞬时跌落和缓慢恢复，对应电池欧姆内阻与扩散过程；温度较低时同样电流导致的电压降更大，体现温度依赖性。模型架构设计时，通过将电流、电压、温度同时馈入网络，使其能够在时间维度上综合考虑这些因素的协同作用，自动学习复杂的映射关系。窗口化方式不仅能够捕捉局部动态，还可以通过适当的窗口长度和滑动策略覆盖更长时间的累积效果，例如多次小电流充放电带来的SOC缓慢变化。

CNN卷积特征提取模块

卷积神经网络模块构成模型的第一层特征提取单元，主要针对序列数据的局部模式进行建模。一维卷积层在时间轴上滑动卷积核，对输入特征进行加权求和并叠加非线性激活，从而学习短时间范围内的电压、电流、温度变化形态。例如在电流阶跃附近，端电压会出现突变与缓慢恢复过程，某些寿命阶段或温度条件下这种波形的幅度和时间常数有所差异，一维卷积可以自动识别不同模式并形成相应特征通道。为了兼顾局部细节与计算量，卷积核大小通常选择一个中等长度，例如3到5个时间步，既能覆盖短时间窗口的局部模式，又不会在参数量上过于庞大。卷积层之后常配置批量归一化层和非线性激活函数（如ReLU），用于加速训练收敛并提升网络表达能力。通过多层卷积堆叠与适度的池化操作，可以形成多尺度时域特征表征，对不同时间尺度的变化敏感。卷积模块的输出是一个在时间轴上已经提取了高层特征的序列，为后续的GRU模块提供语义更丰富且冗余度较低的特征表示，这对于提升学习效率和抑制噪声具有重要意义。

GRU时序建模与记忆机制

门控循环单元（GRU）作为循环神经网络的一种变体，在维持长时间依赖建模能力的同时，参数量和计算复杂度相对LSTM更小，更适合在资源受限平台部署。GRU通过更新门和重置门两个门控结构，对信息流进行控制：更新门决定当前状态中保留多少前一时刻的隐藏状态信息，重置门决定在计算候选隐藏状态时在多大程度上忽略过去信息。对于SOC估计任务而言，GRU能够在长时间范围内跟踪累积电荷量的变化，同时通过门控机制避免远古历史信息在不相关时刻对当前估计产生过大影响。在CNN已经提取出局部特征的基础上，GRU负责在较长时间尺度上重构SOC变化轨迹，对电流、电压、温度历史序列的综合作用给出一个非线性的记忆表征。GRU输出的最后一个时间步的隐藏状态通常被用作当前时刻的高维状态描述，然后接入全连接层映射为标量SOC值。在MATLAB R2025b中，gruLayer提供了直接使用GRU结构的便利接口，只需指定隐藏单元数并放置在适当的序列网络位置即可组成完整的时序模型。

回归输出层与损失函数设计

SOC估计属于连续数值回归问题，需要在网络末端采用回归输出层进行训练。通常将GRU的输出连接到一个或多个全连接层，通过线性变换和可能的非线性激活，将高维隐藏状态映射到单个输出神经元，表示当前时刻预测的SOC值。回归输出层使用均方误差损失（MSE）作为优化目标，度量预测值与真实SOC标签之间的差异。在训练过程中，通过反向传播和Adam等优化算法不断更新网络参数，使得整体MSE最小化。由于SOC本身物理范围在0到1或0到100之间，网络训练时可以适当对标签进行归一化处理，或在网络输出后通过限制函数保证预测值落在合理区间。不过对于深度网络而言，在大多数数据覆盖较好时直接训练回归输出通常能够自然学到合理范围。为避免对极端误差过度敏感，可以在MSE基础上搭配早停策略和验证集监测指标，例如均方根误差（RMSE）和平均绝对误差（MAE），根据验证集性能动态调整训练轮数和学习率，从而获得综合性能较优的模型。

整体网络结构与训练策略

综合输入特征、CNN卷积模块、GRU时序建模和回归输出层，整体网络结构可以概括为：序列输入层接收多通道时间序列，经一到两层一维卷积加批量归一化与激活，可能加一层最大池化压缩时间维度，然后将输出序列送入一层GRU进行时序建模，最后通过全连接层和回归层输出SOC估计结果。训练策略方面，在MATLAB R2025b中利用trainNetwork函数进行端到端训练，可通过trainingOptions指定optimizer为'adam'，设置初始学习率、mini-batch大小、最大迭代轮数等参数。针对SOC估计任务的数据规模和网络复杂度，可选择合适的mini-batch大小以平衡训练稳定性和收敛速度，并在训练过程中利用验证数据自动监控过拟合风险。必要时采用学习率衰减策略，如当验证集损失在若干轮内不再降低时自动减小学习率，以便在训练后期精细调整参数。结合GPU加速功能，可在较短时间内完成大量轮训练和多组超参数试验，从而找到性能与复杂度兼顾的CNN-GRU架构，实现高精度SOC估计。

项目模型描述及代码示例

数据加载与预处理示例
clear; % 清空工作区中的变量，避免旧变量干扰当前SOC估计项目
clc; % 清空命令窗口，便于观察后续输出结果
close all; % 关闭所有图形窗口，确保绘图环境干净
load('battery_raw_data.mat','time','current','voltage','temperature','soc_ref'); % 加载预先整理好的原始电池试验数据，包括时间、电流、电压、温度以及参考SOC标签
dt = median(diff(time)); % 计算时间向量相邻采样点的中位数间隔，用于估计采样周期
fs = 1/dt; % 根据时间间隔计算采样频率，为后续窗口长度和滤波参数提供参考
current = filloutliers(current,'linear','movmedian',round(fs*10)); % 对电流序列进行异常值填补，通过移动中值检测异常点并用线性插值替代
voltage = filloutliers(voltage,'linear','movmedian',round(fs*10)); % 对端电压序列进行异常值处理，缓解短时噪声或瞬态跳变对模型训练的影响
temperature = filloutliers(temperature,'linear','movmedian',round(fs*60)); % 对温度序列进行异常值填补，考虑温度变化相对较慢使用更长窗口
soc_ref = min(max(soc_ref,0),1); % 将参考SOC标签限制在0到1之间，防止由于标定误差导致的超范围值影响训练
N = numel(time); % 获取采样点总数，用于后续窗口划分与数组索引
windowLength = round(fs*60); % 设置时间窗口长度为约60秒，对应序列模型的时间步数
stride = round(fs*5); % 设置滑动窗口步长为约5秒，控制样本重叠度与样本数量
numWindows = floor((N - windowLength)/stride); % 根据窗口长度和步长计算可以生成的有效窗口数量
numFeatures = 3; % 本示例中选取电流、电压、温度三种特征构成输入通道
X = cell(numWindows,1); % 预先分配输入序列单元数组，每个单元存放一个窗口的多通道时间序列
Y = zeros(numWindows,1); % 预先分配目标SOC向量，每个元素对应一个窗口末尾时刻的SOC标签
for k = 1:numWindows % 遍历每一个可用窗口索引，构建序列样本
    idxStart = (k-1)*stride + 1; % 当前窗口起始采样点索引，根据窗口编号和步长计算
    idxEnd = idxStart + windowLength - 1; % 当前窗口结束采样点索引，保证窗口长度固定
    segCurrent = current(idxStart:idxEnd); % 提取当前窗口的电流子序列，用于描述负载历史
    segVoltage = voltage(idxStart:idxEnd); % 提取当前窗口的端电压子序列，反映电压动态变化
    segTemp = temperature(idxStart:idxEnd); % 提取当前窗口的温度子序列，用于捕捉温度效应
    seq = [segCurrent, segVoltage, segTemp]'; % 将三种物理量拼接成矩阵并转置，使其形状为[特征数, 时间步数]
    X{k} = seq; % 将构造好的多通道时间序列保存到单元数组对应位置
    Y(k) = soc_ref(idxEnd); % 将窗口末尾时刻的参考SOC作为该样本的目标输出标签
end
 [mu,sigma] = meanstd(cat(2,X{:}),2); % 对所有序列拼接后按特征维度计算均值和标准差，用于归一化
for k = 1:numWindows % 遍历每个样本进行归一化处理
    X{k} = (X{k} - mu) ./ sigma; % 利用均值和标准差对当前窗口序列进行标准化，使不同物理量量级接近
end
rng(2025); % 固定随机数种子，提高训练与测试的可复现性
idx = randperm(numWindows); % 随机打乱样本索引顺序，保证数据划分不受原始时间顺序影响
numTrain = floor(0.7*numWindows); % 设定70%的样本作为训练集，用于网络参数更新
numVal = floor(0.15*numWindows); % 设定15%的样本作为验证集，用于监控训练过程与早停
idxTrain = idx(1:numTrain); % 获取训练集的索引子集
idxVal = idx(numTrain+1:numTrain+numVal); % 获取验证集的索引子集
idxTest = idx(numTrain+numVal+1:end); % 剩余样本索引用于测试集评估模型性能
XTrain = X(idxTrain); % 构造训练集输入序列单元数组
YTrain = Y(idxTrain); % 构造训练集目标SOC向量
XVal = X(idxVal); % 构造验证集输入序列单元数组
YVal = Y(idxVal); % 构造验证集目标SOC向量
XTest = X(idxTest); % 构造测试集输入序列单元数组
YTest = Y(idxTest); % 构造测试集目标SOC向量
CNN-GRU网络结构定义示例
inputSize = numFeatures; % 输入特征维度为电流、电压、温度三通道，对应序列输入层的输入大小
numHiddenUnits = 64; % 设置GRU隐藏单元数为64，在表达能力与计算复杂度之间折中
numFilters = 32; % 一维卷积层卷积通道数设为32，用于提取中等数量的时间特征
filterSize = 5; % 卷积核长度设为5个时间步，覆盖约5个采样点的局部模式
poolStride = 2; % 最大池化层步长为2，使时间维度长度减半以降低后续GRU计算量
layers = [ ...
    sequenceInputLayer(inputSize,"Name","seq_input"); % 序列输入层，接收多通道时间序列，名称设为seq_input便于识别
    convolution1dLayer(filterSize,numFilters,"Padding","same","Name","conv1"); % 一维卷积层，采用same填充保持时间长度不变，提取局部时间特征
    batchNormalizationLayer("Name","bn1"); % 批量归一化层，缓解内部协变量偏移并加速网络训练收敛
    reluLayer("Name","relu1"); % ReLU激活层，引入非线性并抑制负值以提升特征稀疏性
    maxPooling1dLayer(2,"Stride",poolStride,"Name","pool1"); % 一维最大池化层，以步长2在时间维度上降采样，减少GRU输入序列长度
    convolution1dLayer(3,numFilters,"Padding","same","Name","conv2"); % 第二个卷积层，使用长度为3的卷积核进一步提取更高层次局部特征
    batchNormalizationLayer("Name","bn2"); % 第二个批量归一化层，稳定卷积输出的分布
    reluLayer("Name","relu2"); % 第二个ReLU层，为更深的卷积特征提供非线性映射能力
    gruLayer(numHiddenUnits,"OutputMode","last","Name","gru"); % GRU层，输出最后时间步的隐藏状态，作为当前窗口综合时序特征
    fullyConnectedLayer(32,"Name","fc1"); % 全连接层，将GRU隐藏状态映射到32维的中间特征空间
    reluLayer("Name","relu3"); % ReLU层，为全连接特征提供非线性，提升拟合复杂度
    fullyConnectedLayer(1,"Name","fc_out"); % 输出全连接层，将中间特征压缩为单一SOC估计值
    regressionLayer("Name","reg_out")]; % 回归层，使用均方误差作为损失函数进行网络训练
训练参数设置与网络训练示例
miniBatchSize = 64; % 设置小批量大小为64样本，平衡显存占用与梯度估计稳定性
maxEpochs = 80; % 最大训练轮数设为80，在验证集监控下可提前停止
initLearnRate = 1e-3; % 初始学习率设为1e-3，适用于Adam优化器中等规模网络
options = trainingOptions("adam", ... % 选择Adam算法作为优化器，自动调整每个参数的自适应学习率
    "InitialLearnRate",initLearnRate, ... % 指定初始学习率，影响参数更新步幅大小
    "GradientThreshold",1, ... % 设定梯度截断阈值为1，防止梯度爆炸导致训练不稳定
    "MaxEpochs",maxEpochs, ... % 设置训练的最大轮数上限，配合早停避免过拟合
    "MiniBatchSize",miniBatchSize, ... % 指定每次参数更新所使用的样本数，提高训练效率
    "Shuffle","every-epoch", ... % 每个训练轮开始前重新打乱样本顺序，避免网络记忆样本排列
    "ValidationData",{XVal,YVal}, ... % 指定验证数据集，用于在训练过程中评估泛化性能
    "ValidationFrequency",floor(numel(XTrain)/miniBatchSize), ... % 每个epoch大约在遍历完训练集时评估一次验证损失
    "Verbose",true, ... % 打开详细训练信息输出，便于观察损失变化与学习率调整
    "Plots","training-progress"); % 启用训练过程可视化窗口，实时显示损失曲线和准确度指标
net = trainNetwork(XTrain,YTrain,layers,options); % 调用trainNetwork函数，使用指定的网络结构和训练选项在训练集上训练CNN-GRU模型
模型评估与误差分析示例
YPredTest = predict(net,XTest,"MiniBatchSize",miniBatchSize); % 使用训练好的网络对测试集输入序列进行预测，得到SOC估计序列
YPredTest = max(min(YPredTest,1),0); % 将预测的SOC数值限制在0到1范围内，避免极少数情况下出现轻微越界
err = YPredTest - YTest; % 计算每个测试样本的SOC估计误差，正值表示预测偏大
rmse = sqrt(mean(err.^2)); % 计算均方根误差，反映总体预测精度水平
mae = mean(abs(err)); % 计算平均绝对误差，度量误差平均偏差
bias = mean(err); % 计算误差均值，评估整体偏差方向和大小
fprintf("测试集RMSE = %.4f, MAE = %.4f, Bias = %.4f\n",rmse,mae,bias); % 在命令窗口打印误差指标，便于快速评估模型性能
figure; % 创建新图形窗口用于绘制SOC对比曲线
plot(YTest,"b.-"); % 用蓝色点线绘制测试集参考SOC，表示真实状态轨迹
hold on; % 保持当前图形，使预测曲线叠加在同一坐标轴上
plot(YPredTest,"r.-"); % 用红色点线绘制预测SOC，直观比较预测与真实的差异
xlabel("样本索引"); % 设置横坐标标签为样本索引，反映不同测试窗口编号
ylabel("SOC"); % 设置纵坐标标签为SOC，表示荷电状态值
legend("参考SOC","预测SOC","Location","best"); % 添加图例，区分参考曲线与预测曲线
title("测试集SOC估计对比"); % 添加图形标题，说明当前图展示的是测试集SOC估计效果
figure; % 创建新图形窗口用于绘制误差分布
histogram(err,50); % 绘制误差直方图，分成50个区间观察误差集中度和偏态
xlabel("SOC估计误差"); % 设置横坐标标签，表示预测与真实之间的差值
ylabel("样本数量"); % 设置纵坐标标签，表示落在各误差区间内的样本数
title("SOC估计误差分布"); % 设置图形标题，说明展示的是误差统计分布
模型保存与加载示例
modelFile = "cnn_gru_soc_model.mat"; % 指定模型保存文件名，采用MAT文件格式便于后续调用和管理
save(modelFile,"net","mu","sigma","windowLength","stride","inputSize"); % 将训练好的网络及数据归一化参数和窗口设置保存到文件中，确保部署时可以还原
clear net; % 从工作区清除网络变量，模拟新的会话环境以验证模型加载过程
clear mu sigma; % 清除归一化参数，进一步确认从文件恢复的正确性
load(modelFile,"net","mu","sigma","windowLength","stride","inputSize"); % 从MAT文件中重新加载网络和归一化参数，确保后续预测使用一致配置
disp(net.Layers(1).Name); % 显示网络第一层的名称，简单验证网络结构已经正确恢复
new_seq = XTest{1}; % 取测试集中的一个样本时间序列作为新的预测输入示例
new_pred = predict(net,{new_seq},"MiniBatchSize",1); % 使用加载的网络对该单个序列进行预测，采用批量大小1模拟在线估计场景
fprintf("单序列预测SOC = %.4f, 参考SOC = %.4f\n",new_pred,YTest(1)); % 在命令窗口输出该序列的预测SOC与参考SOC进行对比
在线估计核心流程示例（窗口队列形式）
bufferCurrent = zeros(windowLength,1); % 初始化电流循环缓冲区，用于存放最近窗口长度内的电流数据
bufferVoltage = zeros(windowLength,1); % 初始化电压循环缓冲区，用于存放最近窗口长度内的电压数据
bufferTemp = zeros(windowLength,1); % 初始化温度循环缓冲区，用于存放最近窗口长度内的温度数据
soc_est = 0.5; % 初始SOC估计设为0.5，可由上电时安时积分或上次关机状态确定
tIndex = 0; % 初始化时间步计数器，记录已经到达的采样点数量
for k = 1:N % 遍历每个采样点，模拟在线运行过程中不断读取新数据
    tIndex = tIndex + 1; % 时间步计数器加一，对应新采样点到达
    bufferCurrent = [bufferCurrent(2:end); current(k)]; % 将最新电流值加入缓冲区末尾，并移除最旧的一项保持长度不变
    bufferVoltage = [bufferVoltage(2:end); voltage(k)]; % 将最新电压值插入电压缓冲区末尾，维持滑动窗口
    bufferTemp = [bufferTemp(2:end); temperature(k)]; % 将最新温度值插入温度缓冲区末尾，记录连续温度变化
    if tIndex >= windowLength && mod(tIndex,stride) == 0 % 当累积数据长度达到一个窗口且当前时刻符合更新步长条件时进行估计
        seqOnline = [bufferCurrent, bufferVoltage, bufferTemp]'; % 将循环缓冲区数据按特征拼接并转置为[特征数, 时间步数]格式
        seqOnlineNorm = (seqOnline - mu) ./ sigma; % 使用训练时得到的均值和标准差对在线序列进行归一化处理
        soc_est = predict(net,{seqOnlineNorm},"MiniBatchSize",1); % 调用训练好的CNN-GRU网络对当前窗口进行SOC估计
        soc_est = max(min(soc_est,1),0); % 将在线估计结果限制在0到1范围，确保物理合理性
    end
end
简单超参数搜索示例（卷积核与隐藏单元）
filterSizes = [3 5]; % 预设两种不同卷积核长度，用于比较局部感受野大小对性能的影响
hiddenUnitsSet = [32 64]; % 预设两种不同GRU隐藏单元数量，平衡表达能力和计算开销
results = []; % 初始化结果数组，用于记录不同配置的验证集误差与参数
for f = 1:numel(filterSizes) % 遍历不同卷积核长度配置
    for h = 1:numel(hiddenUnitsSet) % 遍历不同GRU隐藏单元配置
        fsz = filterSizes(f); % 当前循环使用的卷积核长度
        nhid = hiddenUnitsSet(h); % 当前循环使用的GRU隐藏单元数
        layersTmp = [ ...
            sequenceInputLayer(inputSize,"Name","seq_input"); % 序列输入层，通道数与原模型一致
            convolution1dLayer(fsz,numFilters,"Padding","same","Name","conv1"); % 使用当前卷积核长度构建一维卷积层
            batchNormalizationLayer("Name","bn1"); % 批量归一化层，标准化卷积输出
            reluLayer("Name","relu1"); % ReLU激活层，引入非线性特征
            maxPooling1dLayer(2,"Stride",poolStride,"Name","pool1"); % 最大池化层，降低时间维度长度
            gruLayer(nhid,"OutputMode","last","Name","gru"); % 使用当前隐藏单元数构建GRU层
            fullyConnectedLayer(1,"Name","fc_out"); % 直接将GRU输出映射到单一SOC预测值的全连接层
            regressionLayer("Name","reg_out")]; % 回归层，计算均方误差损失
        optionsTmp = trainingOptions("adam", ... % 使用Adam优化器训练当前结构网络
            "InitialLearnRate",initLearnRate, ... % 采用与主模型相同的初始学习率
            "MaxEpochs",30, ... % 超参数搜索阶段缩短训练轮数以节省时间
            "MiniBatchSize",miniBatchSize, ... % 维持相同批量大小确保结果可比
            "Shuffle","every-epoch", ... % 每轮训练前重新打乱样本顺序
            "ValidationData",{XVal,YVal}, ... % 使用固定验证集评估当前结构性能
            "Verbose",false); % 关闭详细输出，避免超参数循环时命令窗口过于冗长
        netTmp = trainNetwork(XTrain,YTrain,layersTmp,optionsTmp); % 在训练集上训练当前卷积核长度和隐藏单元配置的CNN-GRU网络
        YValPred = predict(netTmp,XVal,"MiniBatchSize",miniBatchSize); % 使用当前网络对验证集进行SOC预测
        valRmse = sqrt(mean((YValPred - YVal).^2)); % 计算当前配置在验证集上的均方根误差作为性能指标
        results = [results; fsz, nhid, valRmse]; % 将卷积核长度、隐藏单元数和对应RMSE追加到结果数组，用于后续分析
    end
end
 [~,bestIdx] = min(results(:,3)); % 在结果数组中找出验证RMSE最小的行索引
bestFilterSize = results(bestIdx,1); % 读取最优配置对应的卷积核长度
bestHiddenUnits = results(bestIdx,2); % 读取最优配置对应的GRU隐藏单元数
fprintf("最优卷积核长度 = %d, 最优GRU隐藏单元数 = %d\n",bestFilterSize,bestHiddenUnits); % 在命令窗口输出当前超参数搜索得到的最优结构配置