SSB蓄电池混合长短期记忆网络与贝叶斯自适应扩展卡尔曼滤波方法在电动汽车锂离子电池荷电状态可靠估计中的应用

2026-04-16 16:43:03

准确的荷电状态（SOC）估算是实现电动汽车（EVs）与储能系统中电池安全优化管理的关键。本研究提出一种融合长短期记忆（LSTM）网络与贝叶斯自适应扩展卡尔曼滤波（BAEKF）的混合SOC估算方法。LSTM通过电压、电流及温度等电池数据的时序依赖性学习长期系统行为特征，而BAEKF则基于贝叶斯推理自适应调节过程噪声与测量噪声，从而在动态工况下提供可靠的实时SOC估算结果。本研究的创新性在于将深度学习与概率滤波相结合，构建了一种混合模型，该模型既能预测长期趋势，又能实时降低不确定性。该模型已采用实际运行的LG锂离子电池数据在不同驾驶循环工况（LA92、US06、UDDS）以及多种温度条件（0°C、10°C、25°C）下进行验证。通过均方根误差（RMSE）约1.39%、平均绝对误差（MAE）约1.25%等指标评估，模型表现出优异的性能。75%的显著优势，表明LSTM-BAEKF模型相较于传统SOC估计方法具有明显优越性能。这种混合方法为电池管理系统（BMS）中实时SOC估计器的应用开辟了广阔前景，可提升电动汽车及可再生能源应用场景中系统的安全性、可靠性和生命周期。该模型展现的自适应与预测能力，也表明其在需要动态精准SOC监测的环境中存在多种适配可能性。

引言

荷电状态(SOC)估计对电池系统（如电动汽车(EVs)和储能系统(ESS)）的高效运行至关重要。精确的SOC估计能提升电池性能、延长使用寿命，并有助于避免导致电池健康度下降的过充和过放现象。针对具有现代技术巨大潜力的锂离子电池，研究者已提出多种改进SOC估计的方法[1]。关键挑战包括电池非线性行为、测量噪声以及系统动力学的不确定性。为确保锂离子电池组安全高效运行，随着电动汽车产业规模的扩大，开发更智能高效的电池管理系统（BMS）将愈发重要。准确的荷电状态（SOC）估算具有多重意义：(1) 与续航里程估算直接相关；(2) 优化能量管理从而实现有效的功率分配与利用；(3) 维护电池健康，避免深度放电或过充现象。未来数年，业界将在热管理系统、实时运行监测能力、电池状态估算精度以及整体系统可靠性等方面取得实质性进展[2][3]。卡尔曼滤波器（KF）及其变体等标准SOC估算方法，已在学术文献中得到广泛应用。扩展卡尔曼滤波器（EKF）作为卡尔曼滤波器（KF）的非线性扩展形式，已在诸多电池建模案例中展现出应用价值；然而由于EKF对系统动力学进行了线性化处理，其仍存在与前文所述相同的局限性，无法准确模拟复杂动态条件下的电池行为。针对部分问题，研究者提出了自适应扩展卡尔曼滤波器（AEKF）这一改进方案，通过自适应调整滤波器参数以提升该估计器在参数未知及系统动态特性不确定环境中的性能表现[4]。自适应扩展卡尔曼滤波（AEKF）提升荷电状态（SOC）估计的能力被证实可增强系统动态快速变化场景下的鲁棒性。此外，新兴研究机遇表明，将长短期记忆网络（LSTM）与贝叶斯自适应扩展卡尔曼滤波结合，有望开创全新的SOC估计方法论[5]。传统SOC估计方法（包括扩展卡尔曼滤波、无迹卡尔曼滤波及各类自适应扩展卡尔曼滤波器）主要依赖于电池参数的精确稳定估计，并要求运行期间噪声特性保持固定。由于电池特性随老化演变、非线性行为、温度波动及动态负载变化等因素，此类方法的估算性能可能受到不利影响。值得注意的是，所有传统SOC估算方法均未整合<Ability>从历史时序行为中学习</Ability>或适应新出现及先前未知运行特性的能力。因此，传统SOC估算技术在实践中存在不足，其适应性无法为真实工况下的可靠估算提供充分保障。长短期记忆网络（LSTM）能够利用电池数据集中捕获的长期依赖性，将荷电状态（SOC）作为初始估计值或首次猜测值提供，而贝叶斯自适应扩展卡尔曼滤波（AEKF）则通过实时传感器测量对该猜测值进行改进。所提出的基于贝叶斯AEKF的混合LSTM方法充分利用了贝叶斯模型的通用灵活性，有效抑制测量与过程噪声，从而更稳健地构建系统状态。通过应用贝叶斯推理，该模型能够综合考虑测量噪声与过程噪声，在存在测量不确定性和过程不确定性的情况下提供更精确的估计。因此，该方法对于传感器噪声和模型自身不准确性所产生的不确定性同样具有强大的管理能力，更有利于实际场景中的应用。
本文提出了一种混合建模方法，将基于LSTM的预测与贝叶斯自适应扩展卡尔曼滤波(BAEKF)相结合，以实现精确的荷电状态(SOC)估计。该混合模型的组织架构旨在综合两种方法的优势——LSTM从时间序列数据中学习复杂表征的能力，以及BAEKF在动态环境中的自适应能力。通过电池数据集验证了所提方法，并与标准方法进行对比，结果表明其能有效提升SOC估计精度。