这段时间在电池研究上用了神经网络进行SOC、SOH估算，同时也见到周围人用神经网络解决了微电网控制等问题，对于神经网络有了一些理解。
神经网络的定位
神经网络本身就是属于一个机器学习的模型，无论你是BP、CNN、LSTM，还是更先进的模型，本质上其实都是属于一个数学模型。这个模型可以理解为一堆数学公式加上一堆可调参数（权重参数）和不可调参数（超参数）。
引入神经网络后，研究方法通常都属于无模型方法（model-free），这里神经网络的使用，取代了控制对象的机理建模，这样无论是参数辨识，还是控制，都可以减少对原有对象的研究。下面以电池的参数辨识为例。
电池的SOC参数辨识，本来需要先用电化学 / 电路原理搭电池对象模型，然后利用RLS等算法将测试数据对电池模型下拟合，得到参数后，再根据模型参数和SOC、SOH的拟合关系，得到这些状态。这个过程中，电池模型、参数拟合关系都是需要对电池进行机理研究获得的。
而利用神经网络进行状态估算时，直接把测试数据和要辨识的状态作为训练数据，训练好的模型在输入测试数据后，就得到估算的状态。这个过程无需对电池本身了解。
神经网络研究什么
神经网络结构的改进自然是重要的研究，但是很多时候其实都是把不同神经网络模型结合起来，这样确实能够改进预测效果，但是这也会让模型复杂，并且预测过程的黑盒化更加严重。
神经网络的训练过程也是很有意义，无论是权重参数的调节、超参数的选择，都有大量的算法研究。比如遗传算法、粒子群算法等。
此外，很多时候，我们属于使用神经网络的人，对自己的研究领域是有一定了解的，此时，可以结合自己的专业知识，对整体使用流程进行部分改善。例如，电池研究时，可以根据机理分析，建立一个模型，提取得到合适的参数，利用这些参数结合神经网络，这样无需知道参数和SOC、SOH的拟合关系，也能实现预测。这种改进是在数据预处理上进行了改进，它可以减少输入数据的数量，对于减少计算量和训练难度很有帮助。