基于工况识别与动态修正量自学习的动力电池SOC修正方法

本发明公开了一种基于工况识别与动态修正量自学习的动力电池SOC修正方法，首先采集动力电池、车辆、环境多维数据并预处理，结合电流离散熵等特征识别运行工况；通过安时积分法，拓展卡尔曼滤波得到基础SOC；在静置、满电、亏电等场景下利用OCV校准，计算初始SOC修正量；将历史工况序列、电池健康度SOH、初始修正量输入LSTM模型，自学习得到动态修正系数；结合工况适配函数、SOH老化补偿函数完成SOC动态修正；利用新校准误差构建样本迭代更新模型，形成闭环优化。同时增设异常工况应急修正、云端OTA协同升级机制，兼顾安全性与模型泛化能力。