由于电池荷电状态（state of charge，SOC）无法直接测量，且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度，对比了不同深度学习网络模型应用于SOC估算的效果，并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络（long-short-term memory，LSTM）和逐通道不同阈值的深度残差收缩网络（deep residual shrinkage networks with channel-wise thresholds，DRSN-CW），利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取，通过LSTM进一步拟合时间序列数据趋势，实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能，消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络，对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明，所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内，相比其他3种深度学习模型有更好的抗噪性能和预测性能，且估算精度高。
