1.考虑内阻的数据驱动算法估算锂电池SOC的方法，其特征在于：具体包括以下步骤：步骤一、数据采集

对锂离子电池在不同放电条件下重复进行充放电试验，并采样记录试验过程中电池的电压、电流、温度以及内阻；

步骤二、数据预处理

根据步骤一采集得到的数据，使用安时积分法计算t时刻电池的剩余电量SOC(t)，作为与预测结果对比的真实值；对步骤一采集的数据进行归一化处理，将其缩放到[0,1]之间，得到V＝[V1,V2,…Vt,…Vn]、I＝[I1,I2,…It,…In]、T＝[T1,T2,…Tt,…Tn]、R＝[R1,R2,…Rt,…Rn]，其中Tt,It,Vt,Rt分别表示电池在t时刻的环境温度、放电电流、端电压和内阻；然后划分训练集和测试集；

步骤三、构建SOC估计模型

搭建双向GRU网络，包括N个隐含层，每层由M个神经元构成，网络的学习率为l；所述的双向GRU网络，在t时刻，输入xt同时提供给两个方向相反的隐含层，输出yt，由这两个单向隐含层共同决定，前向GRU层具有输入序列中t时刻以及之前时刻的信息，而后向GRU层中具有输入序列中t时刻以及之后时刻的信息；双向GRU的隐层状态传播过程为：其中 分别表示前向推算和后向推算的隐层状态； 分别表示输入在前向推算和后向推算的权重； 分别表示前一时刻隐含层状态在前向推算和后向推算的权重；

分别表示前向推算和后向推算的偏置；σ函数用于合并这两个输出；

双向GRU网络的更新门zt、重置门rt、候选输出状态 以及GRU的输出ht的计算方法为：zt＝σ(Wz·[ht‑1,xt]+bz)

rt＝σ(Wr·[ht‑1,xt]+br)

Wz和bz分别为重置门的权重矩阵和偏置；Wr和br分别为重置门的权重矩阵和偏置；Wh和bh分别为候选输出状态 的权重矩阵和偏置；

步骤四、模型训练优化

将向量x＝[T,I,V，R]作为步骤四构建的双向GRU网络模型的输入，对模型进行训练，从模型的输出端获得电池的剩余电量SOC＝[SOC1,SOC2,…SOCt,…SOCn]；SOCt表示电池在t时刻电池的剩余电量；

使用NAG算法对训练后的双向GRU网络模型参数进行优化；NAG算法的更新计算公式为：m0＝0

θt+1＝θt‑mt

将双向GRU网络模型的双向结构看作两个具有GRU单元的、信息传递方向相反的隐含层，针对模型的双向传输结构，将NAG算法公式改写为：其中，θt’＝θt‑γmt，θt为t时刻的网络参数；η代表网络的学习率； 代表损失函数的梯度矩阵；mt为动量项；γ为超参数，表示历史梯度的影响力；L(·)代表网络的损失函数：步骤五、模型性能测试

使用测试集测试步骤四训练完成的双向GRU网络模型的性能，使用RMSE和MAE两个评价指标；

其中，SOCt和SOCt’分别代表电池剩余电量的真实值和网络的预测值；

步骤六、保存模型，输出SOC

判断模型的性能测试结果是否达到所设定的要求，若未达到要求，返回步骤四调整参数重新训练；达到要求后，保存训练好的模型，用于电池SOC估计。

2.如权利要求1所述考虑内阻的数据驱动算法估算锂电池SOC的方法，其特征在于：步骤一中数据采样间隔时间为1s。

3.如权利要求1所述考虑内阻的数据驱动算法估算锂电池SOC的方法，其特征在于：步骤二中使用安时积分法计算t时刻电池剩余电量SOC(t)的公式为：其中，SOC(t0)为初始电池电量，η表示库仑效率，Cn表示电池的额定容量，I(t)为电池的瞬时放电电流。

4.如权利要求1所述考虑内阻的数据驱动算法估算锂电池SOC的方法，其特征在于：步骤二中对数据进行归一化处理的方法为：其中，xi为待处理数据，xmin和xmax分别为待处理数据的最小值和最大值。