CN106093782A - 动态建模的最小二乘支持向量机soc估计方法 - Google Patents

Abstract

本发明提供了一种动态建模的最小二乘支持向量机SOC估计方法，属于SOC估计方法技术领域。本发明的方法，在放电初期，LS‑SVM不断地匹配与当前放电循环最相近的样本，不断地建立新的模型给出当前放电时刻对应的SOC值，随后在放电稳定后，不再建立新的模型，使用当前模型完成对后续放电时刻的SOC估计。本发明对电池在整个生命周期进行SOC估计的同时，可以把本发明的方法推广至不同电池中。由于电池的充放电是个复杂的电化学反应过程，因此其SOC不可直接测量得到。在进行SOC估计时，需要采集电池外部可测参数，例如：电压、电流、电阻、温度等。由于这些外部参数与SOC非线性相关，因此需要将参数进行非线性映射到SOC上，达到通过外部可测量估计SOC的目的。

Description

动态建模的最小二乘支持向量机SOC估计方法

技术领域

本发明涉及一种动态建模的最小二乘支持向量机SOC估计方法，属于SOC估计方法技术领域。

背景技术

电池的功能是实现化学能与电能之间的转换，因此，其电量具有不可测性。然而在实际应用中，人们需要根据当前电池荷电状态即电池电量做出任务规划、预期充电时间，如果不能准确估计当前电池电量，以电动车为例，将会造成行驶途中电量衰竭无法完成预期行驶路线，或频繁充电浪费车主时间降低电池使用寿命等危害。因此，荷电状态(State ofCharge，SOC)在目前电池状态估计研究体系中开展的工作最为深入与广泛。其代表方法主要有开路电压法、安时法和内阻法。开路电压法需要长时间静置才可以测得，因此其不适用于在线估计SOC。而内阻法需要精确的测量电池内阻，使其对测量仪器的精度要求极高，因此也不适用于在线估计SOC。安时法是一种估计SOC的直接方法，其需要SOC的初值以及较高精度的电流测量，其误差会不断累积因此不可单独使用。

而电池所处环境、使用工况、寿命衰退等因素均会导致SOC估计误差的增加，这造成了精确SOC估计的困难与挑战。而目前的研究大都没有关注电池整个生命周期的SOC估计，对应建立的各类模型随着电池寿命的衰退误差越来越大。在实验室前期与企业合作的通讯基站备用电源状态估计项目中，暴漏了很多电池SOC估计仍存在的问题以及实际应用中尚存在的需求。

发明内容

本发明的目的是为了解决上述现有技术存在的问题，即目前的研究大都没有关注电池整个生命周期的SOC估计，对应建立的各类模型随着电池寿命的衰退误差越来越大。在实验室前期与企业合作的通讯基站备用电源状态估计项目中，暴漏了很多电池SOC估计仍存在的问题以及实际应用中尚存在的需求。进而提供一种动态建模的最小二乘支持向量机SOC估计方法。

本发明的目的是通过以下技术方案实现的：

一种动态建模的最小二乘支持向量机SOC估计方法，步骤如下：

(一)最小二乘支持向量机基本原理

对于给定的训练样本集

s＝{(x₁,y₁)(x₂,y₂),…(x_n,y_n)} (2-1)

其中x_i是输入向量即与SOC映射的电池外部特征参量，y_i为相应的输出向量即电池SOC，n为样本容量；

由于特征参量与SOC的非线性关系，需通过一个非线性函数φ(·)将样本映射到高维特征空间：

其函数表达式如下：

K(x,y)＝exp(-(x-y)²/2σ²) (2-3)

其中，σ为核宽度参数；

然后再把训练结果在高维特征空间进行线性回归，其回归函数为：

f(x)＝w^T·φ(x)+b (2-4)

其中，w^T为权值向量，b为偏置值，φ(x)为非线性函数，然后以结构风险最小化原则为基础确定模型参数w、b，结构风险的表达式为：

$R=\mathrm{\γ}\·R_{emp}+\frac{1}{2}{||w||}^2---(2-5)$

其中，γ为正规化参数，且γ>0，R_emp为损失函数，也叫做经验风险函数；LS-SVM算法釆用的是二次损失函数的支持向量机，即

$R_{emp}=\underset{i}{\overset{n}{\Σ}}{{\mathrm{\ϵ}}_i}^2---(2-6)$

其中，ε_i为支持向量机模型对训练样本的预测误差；

利用结构风险最小化原则确定模型参数w、b的问题可等效为求解以下优化问题：

$\min R=\mathrm{\γ}\·R_{emp}+\frac{1}{2}{||w||}^2---(2-7)$

约束条件：

y_i＝w^T·φ(x)+b (2-8)

引入拉格朗日函数L得，

$L(w,b,{\mathrm{\ϵ}}_i,a)=\mathrm{\γ}\·\underset{i}{\overset{n}{\Σ}}{{\mathrm{\ϵ}}_i}^2+\frac{1}{2}{||w||}^2-\underset{i=1}{\overset{n}{\Σ}}(a_i\·(w^T\·\mathrm{\φ}\left(x\right)+b-y_i\left)\right)---(2-9)$

其中a＝[a₁,a₂,…a_n]是拉格朗日乘子，根据优化条件有，

$\left\{\begin{array}{c}\frac{\∂L}{\∂w}=0\→w=\underset{i=1}{\overset{n}{\Σ}}{a}_i\·\mathrm{\φ}\left(x_i\right)\\ \frac{\∂L}{\∂b}=0\→\underset{i=1}{\overset{n}{\Σ}}{a}_i=0\\ \frac{\∂L}{\∂{\mathrm{\ϵ}}_i}=0\→a_i=2{\mathrm{\γ\ϵ}}_i\\ \frac{\∂L}{\∂a_i}=0\→y_i=w^T\·\mathrm{\φ}\left(x_i\right)+b+{\mathrm{\ϵ}}_i\end{array}\right.---(2-10)$

整理得：

$y_i=\underset{j=1}{\overset{n}{\&Sigma;}}(a_j\&CenterDot;<\mathrm{\&phi;}(x_j),\mathrm{\&phi;}(x_i)>)+b+\frac{1}{2\mathrm{\&gamma;}}{a}_i---(2-11)$

带入核函数后得：

$y_i=\underset{j=1}{\overset{n}{\&Sigma;}}(a_j\&CenterDot;K(x_i,x_j\left)\right)+b+\frac{1}{2\mathrm{\&gamma;}}{a}_i---(2-12)$

合并成线性方程组形式如下：

由训练样本s＝{(x₁,y₁)(x₂,y₂),…(x_n,y_n)}，求解方程组(2-10)可得[b,a₁,a₂……a_n]的值，并最终得到最小二乘支持向量机的函数估计为：

$f\left(x\right)=\underset{j=1}{\overset{n}{\&Sigma;}}{a}_j\&CenterDot;K(x_i,x_j)+b---(2-14)$

(二)动态欧几距离比较的样本选择

采用动态欧几距离比较的方法选择与当前测试集最相似的放电电压曲线用于LS-SVM的建模；

与样本集动态欧几距离比较方式如下：

$\sqrt{{({V_1}^{\&prime;}-V_{k,n})}^2+{({V_2}^{\&prime;}-V_{k,n+1})}^2+\mathrm{...}+{({V_m}^{\&prime;}-V_{k,n+m-1})}^2}---(2-15)$

其中，V_m′代表测试集的电压点，而V_k,n′中k代表样本在样本集中的序列，n代表该样本的起始点，如V_1,2′为第一个样本集中的第二个电压点；若一个样本共有p个电压点，对于一个样本需计算p-m+1次欧几距离，从这p-m+1个距离结果中选择最小的值作为测试集与该样本之间的距离；从所有样本中选择距离小的前三组作为本次建模的样本，在放电初期采集到的测试电压点不多的情况下，模型会很不稳定，每次新增电压点都会造成模型的重建，在放电至30％DOD以后，选取的样本基本不再改变，因此不再进行动态欧几距离比较选取样本；

(三)LS-SVM在SOC估计的参数设置

上面已经提到为了消除LS-SVM将所有样本点都作为支持向量的劣势选取与测试集最相似的3个样本做建模，而在实际应用中，还需要选取样本中能与SOC有较强对应关系的特征量作为LS-SVM的建模参量，通过LS-SVM找到其与SOC之间的关系，从而通过可测量的特征量估计不可直接测量的SOC值；

为了准确的描述电池在放电过程中的电压变化，引入了电压差的概念，由于是恒流放电，因此，下一点电压与上一点电压的差值又可以表示为等放电深度电压变化；

综上，LS-SVM输入、输出参数如下：

输入参数：样本集：端电压、电压差、SOC；核函数：高斯径向基核函数；正则化参数：69；核参数：2.9；测试集：端电压、电压差；

输出参数：SOC估计结果；训练误差；

综上，在放电初期，LS-SVM不断地匹配与当前放电循环最相近的样本，不断地建立新的模型给出当前放电时刻对应的SOC值，随后在放电稳定后，不再建立新的模型，使用当前模型完成对后续放电时刻的SOC估计。

本发明旨在对电池在整个生命周期进行SOC估计的同时，使本发明的方法可以推广至不同电池中。由于电池的充放电是个复杂的电化学反应过程，因此其SOC不可直接测量得到。在进行SOC估计时，需要采集电池外部可测参数，例如：电压、电流、电阻、温度等。由于这些外部参数与SOC非线性相关，因此需要将参数进行非线性映射到SOC上，达到通过外部可测量估计SOC的目的。

附图说明

图1为锂电池在不同的循环周期的放电电压曲线图。

图2为动态欧几距离比较选取样本流程图。

图3为锂电池在不同的循环周期的电压差曲线图。

图4为锂电池在不同的循环周期的局部电压差曲线图(图3的局部放大图)。

具体实施方式

下面将结合附图对本发明做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述实施例。

如图1～图4所示，本实施例所涉及的一种动态建模的最小二乘支持向量机SOC估计方法，步骤如下：

(一)LS-SVM算法秉承了支持向量机的核心思想，在结构风险最小化准则的基础上，通过核函数将非线性问题转换到高维特征空间来处理，为了解决SVM算法收敛速度慢、训练时间长的问题，其将二次规划的求解问题转化为求解线性方程组问题。

对于给定的训练样本集

s＝{(x₁,y₁)(x₂,y₂),…(x_n,y_n)} (2-1)

其中x_i是输入向量即与SOC映射的电池外部特征参量，y_i为相应的输出向量即电池SOC，n为样本容量。

由于特征参量与SOC的非线性关系，需通过一个非线性函数φ(·)将样本映射到高维特征空间：

对应于不同问题选择何种类型核函数，目前尚无统一标准。在现有的核函数中，RBF核函数特性较好、应用较广，因此本次实验也选用RBF核函数，其优点有：

1.RBF核函数形式简单，径向对称、平滑性好；

2.RBF核函数将样本空间变换到高维空间，可以较好的处理非线性关系；

3.RBF核函数可以生成无限维的特征空间，该特征空间的超平面可以对输入样本的区域任意划分，可避免训练样本过度集中的情况。

其函数表达式如下：

K(x,y)＝exp(-(x-y)²/2σ²) (2-3)

其中，σ为核宽度参数。

然后再把训练结果在高维特征空间进行线性回归，其回归函数为：

f(x)＝w^T·φ(x)+b (2-4)

其中，w^T为权值向量，b为偏置值，φ(x)为非线性函数。然后以结构风险最小化原则为基础确定模型参数w、b。结构风险的表达式为：

$R=\mathrm{\&gamma;}\&CenterDot;R_{emp}+\frac{1}{2}{||w||}^2---(2-5)$

其中，γ为正规化参数，且γ>0，R_emp为损失函数，也叫做经验风险函数。LS-SVM算法釆用的是二次损失函数的支持向量机，即

$R_{emp}=\underset{i}{\overset{n}{\&Sigma;}}{{\mathrm{\&epsiv;}}_i}^2---(2-6)$

其中，ε_i为支持向量机模型对训练样本的预测误差。

利用结构风险最小化原则确定模型参数w、b的问题可等效为求解以下优化问题：

$\min R=\mathrm{\&gamma;}\&CenterDot;R_{emp}+\frac{1}{2}{||w||}^2---(2-7)$

约束条件：

y_i＝w^T·φ(x)+b (2-8)

引入拉格朗日函数L得，

$L(w,b,{\mathrm{\&epsiv;}}_i,a)=\mathrm{\&gamma;}\&CenterDot;\underset{i}{\overset{n}{\&Sigma;}}{{\mathrm{\&epsiv;}}_i}^2+\frac{1}{2}{||w||}^2-\underset{i=1}{\overset{n}{\&Sigma;}}(a_i\&CenterDot;(w^T\&CenterDot;\mathrm{\&phi;}\left(x\right)+b-y_i\left)\right)---(2-9)$

其中a＝[a₁,a₂,…a_n]是拉格朗日乘子。根据优化条件有，

$\left\{\begin{array}{c}\frac{\&part;L}{\&part;w}=0\&RightArrow;w=\underset{i=1}{\overset{n}{\&Sigma;}}{a}_i\&CenterDot;\mathrm{\&phi;}\left(x_i\right)\\ \frac{\&part;L}{\&part;b}=0\&RightArrow;\underset{i=1}{\overset{n}{\&Sigma;}}{a}_i=0\\ \frac{\&part;L}{\&part;{\mathrm{\&epsiv;}}_i}=0\&RightArrow;a_i=2{\mathrm{\&gamma;\&epsiv;}}_i\\ \frac{\&part;L}{\&part;a_i}=0\&RightArrow;y_i=w^T\&CenterDot;\mathrm{\&phi;}\left(x_i\right)+b+{\mathrm{\&epsiv;}}_i\end{array}\right.---(2-10)$

整理得：

$y_i=\underset{j=1}{\overset{n}{\&Sigma;}}(a_j\&CenterDot;<\mathrm{\&phi;}(x_j),\mathrm{\&phi;}(x_i)>)+b+\frac{1}{2\mathrm{\&gamma;}}{a}_i---(2-11)$

带入核函数后得：

$y_i=\underset{j=1}{\overset{n}{\&Sigma;}}(a_j\&CenterDot;K(x_i,x_j\left)\right)+b+\frac{1}{2\mathrm{\&gamma;}}{a}_i---(2-12)$

合并成线性方程组形式如下：

由训练样本s＝{(x₁,y₁)(x₂,y₂),…(x_n,y_n)}，求解方程组(2-10)可得[b,a₁,a₂……a_n]的值，并最终得到最小二乘支持向量机的函数估计为：

$f\left(x\right)=\underset{j=1}{\overset{n}{\&Sigma;}}{a}_j\&CenterDot;K(x_i,x_j)+b---(2-14)$

(二)而对于电池荷电状态估计问题，从理论上讲，若拥有足够的样本数据集，LS-SVM可通过合理地样本训练完成对各类工况、各种电池的SOC估计。而由于LS-SVM为了降低训练时间将不等式约束条件用等式来代替，使其将样本中的所有点都当做支持向量这就造成了有些与当前电池状态、工况相差较多的样本进入建模不仅会造成计算量的增大还会造成估计SOC的误差增大。因此，在使用LS-SVM做电池SOC估计时需先进行样本的选择，选择最接近测试集的样本建模才能达到精准的测试效果。

在小电流放电工况下，端电压与开路电压的值相近，因此端电压与SOC相关性极强。从图1中可以看出，随着电池的循环次数增加，电池的寿命不断退化，其电压下降速率逐步加大，造成了放电曲线的逐渐不一致性，从而影响到了SOC曲线的不断变化。因此，假若选用最接近当前测试电池状态的放电电压曲线作为样本建模，会极大地提高估计SOC的精度。

电池放电的特性集中表现于其端电压的变化曲线，因此两个状态相近的电池其放电电压曲线必然也是相似的，因此，用欧几距离评价两条端电压变化曲线是一种既实用又简单的方法。而我们虽然对电池电压的采样率可以人为控制，但不可确定采集电压的起始点，这就造成了对于任一测试电压点V_m′我们并不知道其对应样本集电压点{V₁,V₂,…,V_n-1,V_n}中的哪一个。因此本实施例采用动态欧几距离比较的方法选择与当前测试集最相似的放电电压曲线用于LS-SVM的建模，其流程如图2。

与样本集动态欧几距离比较方式如下：

$\sqrt{{({V_1}^{\&prime;}-V_{k,n})}^2+{({V_2}^{\&prime;}-V_{k,n+1})}^2+\mathrm{...}+{({V_m}^{\&prime;}-V_{k,n+m-1})}^2}---(2-15)$

其中，V_m′代表测试集的电压点，而V_k,n′中k代表样本在样本集中的序列，n代表该样本的起始点，如V_1,2′为第一个样本集中的第二个电压点。若一个样本共有p个电压点，对于一个样本需计算p-m+1次欧几距离，从这p-m+1个距离结果中选择最小的值作为测试集与该样本之间的距离。从所有样本中选择距离小的前三组作为本次建模的样本，在放电初期采集到的测试电压点不多的情况下，模型会很不稳定，每次新增电压点都会造成模型的重建，在放电至30％DOD以后，选取的样本基本不再改变，因此不再进行动态欧几距离比较选取样本。

(三)上文已经提到为了消除LS-SVM将所有样本点都作为支持向量的劣势选取与测试集最相似的3个样本做建模，而在实际应用中，我们还需要选取样本中能与SOC有较强对应关系的特征量作为LS-SVM的建模参量，通过LS-SVM找到其与SOC之间的关系，从而通过可测量的特征量估计不可直接测量的SOC值

为了准确的描述电池在放电过程中的电压变化，本实施例引入了电压差的概念，由于是恒流放电，因此，下一点电压与上一点电压的差值又可以表示为等放电深度电压变化。图4为图3的局部放大显示图，从图中可以看出，不同循环周期的电压差曲线不尽相同，但其中都有一段时间内，电压差趋于稳定随后迅速下降，这也符合电池放电的特点。

综上，LS-SVM输入、输出参数如下表所示：

表2-1LS-SVM输入、输出参数

综上，在放电初期(放电深度在30％以下)，LS-SVM不断地匹配与当前放电循环最相近的样本，不断地建立新的模型给出当前放电时刻对应的SOC值，随后在放电稳定后，不再建立新的模型，使用当前模型完成对后续放电时刻的SOC估计。

以上所述，仅为本发明较佳的具体实施方式，这些具体实施方式都是基于本发明整体构思下的不同实现方式，而且本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (1)

1.一种动态建模的最小二乘支持向量机SOC估计方法，其特征在于，

(一)最小二乘支持向量机基本原理

对于给定的训练样本集

s＝{(x₁,y₁)(x₂,y₂),…(x_n,y_n)} (2-1)

其中x_i是输入向量即与SOC映射的电池外部特征参量，y_i为相应的输出向量即电池SOC，n为样本容量；

由于特征参量与SOC的非线性关系，需通过一个非线性函数φ(·)将样本映射到高维特征空间：

其函数表达式如下：

K(x,y)＝exp(-(x-y)²/2σ²) (2-3)

其中，σ为核宽度参数；

然后再把训练结果在高维特征空间进行线性回归，其回归函数为：

f(x)＝w^T·φ(x)+b (2-4)

其中，w^T为权值向量，b为偏置值，φ(x)为非线性函数，然后以结构风险最小化原则为基础确定模型参数w、b，结构风险的表达式为：

$R=\mathrm{\&gamma;}\&CenterDot;R_{emp}+\frac{1}{2}\left|\right|w|{|}^2---(2-5)$

其中，γ为正规化参数，且γ>0，R_emp为损失函数，也叫做经验风险函数；LS-SVM算法釆用的是二次损失函数的支持向量机，即

$R_{emp}=\underset{i}{\overset{n}{\&Sigma;}}{{\mathrm{\&epsiv;}}_i}^2---(2-6)$

其中，ε_i为支持向量机模型对训练样本的预测误差；

利用结构风险最小化原则确定模型参数w、b的问题可等效为求解以下优化问题：

$\min R=\mathrm{\&gamma;}\&CenterDot;R_{emp}+\frac{1}{2}\left|\right|w|{|}^2---(2-7)$

约束条件：

y_i＝w^T·φ(x)+b (2-8)

引入拉格朗日函数L得，

$L(w,b,{\mathrm{\&epsiv;}}_i,a)=\mathrm{\&gamma;}\&CenterDot;\underset{i}{\overset{n}{\&Sigma;}}{{\mathrm{\&epsiv;}}_i}^2+\frac{1}{2}\left|\right|w|{|}^2-\underset{i=1}{\overset{n}{\&Sigma;}}(a_i\&CenterDot;(w^T\&CenterDot;\mathrm{\&phi;}\left(x\right)+b-y_i\left)\right)---(2-9)$

其中a＝[a₁,a₂,…a_n]是拉格朗日乘子，根据优化条件有，

$\left\{\begin{array}{c}\frac{\&part;L}{\&part;w}=0\&RightArrow;w=\underset{i=1}{\overset{n}{\&Sigma;}}{a}_i\&CenterDot;\mathrm{\&phi;}\left(x_i\right)\\ \frac{\&part;L}{\&part;b}=0\&RightArrow;\underset{i=1}{\overset{n}{\&Sigma;}}{a}_i=0\\ \frac{\&part;L}{\&part;{\mathrm{\&epsiv;}}_i}=0\&RightArrow;a_i=2{\mathrm{\&gamma;\&epsiv;}}_i\\ \frac{\&part;L}{\&part;a_i}=0\&RightArrow;y_i=w^T\&CenterDot;\mathrm{\&phi;}\left(x_i\right)+b+{\mathrm{\&epsiv;}}_i\end{array}\right.---(2-10)$

整理得：

$y_i=\underset{j=1}{\overset{n}{\&Sigma;}}(a_j\&CenterDot;<\mathrm{\&phi;}(x_j),\mathrm{\&phi;}(x_i)>)+b+\frac{1}{2\mathrm{\&gamma;}}{a}_i---(2-11)$

带入核函数后得：

$y_i=\underset{j=1}{\overset{n}{\&Sigma;}}(a_j\&CenterDot;K(x_i,x_j\left)\right)+b+\frac{1}{2\mathrm{\&gamma;}}{a}_i---(2-12)$

合并成线性方程组形式如下：

由训练样本s＝{(x₁,y₁)(x₂,y₂),…(x_n,y_n)}，求解方程组(2-10)可得[b,a₁,a₂……a_n]的值，并最终得到最小二乘支持向量机的函数估计为：

$f\left(x\right)=\underset{j=1}{\overset{n}{\&Sigma;}}{a}_j\&CenterDot;K(x_i,x_j)+b---(2-14)$

(二)动态欧几距离比较的样本选择

采用动态欧几距离比较的方法选择与当前测试集最相似的放电电压曲线用于LS-SVM的建模；

与样本集动态欧几距离比较方式如下：

$\sqrt{{({V_1}^{\&prime;}-V_{k,n})}^2+{({V_2}^{\&prime;}-V_{k,n+1})}^2+\mathrm{...}+{({V_m}^{\&prime;}-V_{k,n+m-1})}^2}---(2-15)$

其中，V_m′代表测试集的电压点，而V_k,n′中k代表样本在样本集中的序列，n代表该样本的起始点，如V_1,2′为第一个样本集中的第二个电压点；若一个样本共有p个电压点，对于一个样本需计算p-m+1次欧几距离，从这p-m+1个距离结果中选择最小的值作为测试集与该样本之间的距离；从所有样本中选择距离小的前三组作为本次建模的样本，在放电初期采集到的测试电压点不多的情况下，模型会很不稳定，每次新增电压点都会造成模型的重建，在放电至30％DOD以后，选取的样本基本不再改变，因此不再进行动态欧几距离比较选取样本；

(三)LS-SVM在SOC估计的参数设置

上面已经提到为了消除LS-SVM将所有样本点都作为支持向量的劣势选取与测试集最相似的3个样本做建模，而在实际应用中，还需要选取样本中能与SOC有较强对应关系的特征量作为LS-SVM的建模参量，通过LS-SVM找到其与SOC之间的关系，从而通过可测量的特征量估计不可直接测量的SOC值；

为了准确的描述电池在放电过程中的电压变化，引入了电压差的概念，由于是恒流放电，因此，下一点电压与上一点电压的差值又可以表示为等放电深度电压变化；

综上，LS-SVM输入、输出参数如下：

输入参数：样本集：端电压、电压差、SOC；核函数：高斯径向基核函数；正则化参数：69；核参数：2.9；测试集：端电压、电压差；

输出参数：SOC估计结果；训练误差；

综上，在放电初期，LS-SVM不断地匹配与当前放电循环最相近的样本，不断地建立新的模型给出当前放电时刻对应的SOC值，随后在放电稳定后，不再建立新的模型，使用当前模型完成对后续放电时刻的SOC估计。