SSB蓄电池基于卷积长短期记忆神经网络与自适应无迹卡尔曼滤波的锂离子电池荷电状态估计
2026-04-17 14:45:52
荷电状态（State of Charge, SOC）是电池管理系统（Battery Management System, BMS）中锂离子电池（Lithium-Ion Battery, LIB）运行状态在线监测的核心参数。SOC估算精度直接决定电池充放电控制精度、使用寿命及运行安全性——SOC估算误差易引发过充/过放风险，导致电动汽车续驶里程预测失准，严重影响用户经验值（Experience）。本文提出一种结合卷积神经网络(CNN)、长短期记忆网络(LSTM)与自适应无迹卡尔曼滤波(AUKF)的混合方法用于荷电状态(SOC)估计。CNN从电池测量数据中提取局部特征，LSTM捕捉时间依赖性，而AUKF通过优化估计结果来减轻模型不确定性和噪声引起的误差。实验采用动态应力测试数据集进行训练，并利用US06和联邦城市驾驶工况数据集验证所提方法的泛化能力。实验结果表明，在不同工况和温度条件下均具有较高的估计精度与鲁棒性能，均方根误差低于1.8%，平均绝对误差低于1.6%
图文摘要
引言
在全球减少化石燃料消耗与遏制温室气体排放的迫切需求推动下，电动汽车(EVs)因其环境效益及与风能、太阳能等可再生能源的兼容性[1][2][3]，已成为实现交通领域碳中和的核心解决方案而受到全球关注。锂离子电池凭借高能量密度、长循环寿命和优异的电化学稳定性等特性，已成为电动汽车动力电池的主流选择[4][5][6][7][8]。电池的荷电状态（SOC）定义为剩余电荷与标称电荷之比，是电池能量管理系统（BMS）中用于充电控制、续航预测与安全保护的核心参数[9]。然而SOC与电池内部复杂的电化学反应动态关联，且无法通过外部传感器直接测量，这使得精确的SOC估算具有挑战性[10][11][12]。
锂离子电池SOC估算方法可大致分为传统方法、数据驱动方法和基于模型的方法[13]。传统方法包括安时积分法和开路电压(OCV)法[14][15]。安时积分法（库仑计数法）因其原理简单且短期估算精度高，被广泛应用于商用电动汽车领域。然而，该方法易受初始SOC精度和电流采样精度影响，长期运行会产生累积误差[16][17]。针对这一问题，Li等人[18]提出一种改进的安时积分法，通过引入电池容量与效率修正，在一定程度上降低了累积误差。开路电压法则是基于OCV与SOC之间固有映射关系进行估算。但主流电池（如LiFePO4在特定区间呈现明显的平台区域，导致该范围内估算精度急剧下降。此外，测量开路电压(OCV)需要电池长时间静置，使其不适用于动态工况[19][20]。Xu等[21]提出将两种方法结合：采用OCV法标定初始荷电状态(SOC)，同时利用安时积分法估算动态SOC。该方法同步解决了初值模糊性与静态依赖性问题。值得注意的是，锂离子电池SOC是连续过程，当前状态与过往充放电历史存在关联。然而传统预测模型仅关注电池实时信息，忽视了历史数据的影响。
基于自适应学习的非线性关系建模数据驱动方法已成为SOC估算领域的研究热点。深度学习模型凭借其多层次特征提取能力脱颖而出[22]。卷积神经网络(CNNs)擅长发掘空间局部特征，能有效捕捉与电池瞬时状态相关的关键信息——例如电压波动细节和电流脉冲特性[23]；循环神经网络(RNNs)及其变体长短期记忆(LSTM)网络则专注于建模时间依赖性，可精确捕获充放电循环中SOC的动态演化过程[24][25]。Bhattacharjee等[26]设计了一种多分支CNN模型，通过并行特征提取增强SOC估计对噪声干扰的鲁棒性；Xu等[27]利用LSTM建立了电压、电流、温度与SOC之间的映射关系，显著提升了估计精度。尽管数据驱动方法无需电池建模，但需要大量精确的电池数据作为支撑。单一模型存在明显局限性：CNN无法挖掘时序数据中的时间相关性，难以适应电池状态的连续变化；而LSTM虽能处理时间信息，但对输入数据的局部关键特征敏感性不足，导致复杂工况下因细粒度细节丢失而产生估计误差。
基于模型的方法通常通过将精确的电池模型与现有滤波器相结合来实现高效的SOC估计[28]。常用的电池模型包括等效电路模型（ECM）和电化学模型（EM）：虽然EM模型具有较高精度，但其复杂结构和高计算成本使其难以满足在线估计需求；ECM则通过简化电路模拟电池充放电行为，在精度与实用性之间取得平衡，因而成为主流选择[29]。常见的等效电路模型包括一阶RC模型、二阶RC模型和分数阶模型。其中二阶RC模型因其在模型精度与参数辨识计算量之间的平衡性优势，已成为锂离子电池建模的主流等效电路模型[30]。S.J. Navas等学者[31]基于二阶RC等效电路模型开展了锂离子电池荷电状态预测研究，实验结果显示平均相对误差仅为0.15%，充分验证了该模型结构的可靠性。作为基于模型SOC估计方法的核心支撑，滤波算法的性能直接决定了估计结果的收敛速度与抗干扰能力。在各类滤波算法中，卡尔曼滤波器及其变体（如扩展卡尔曼滤波器、无迹卡尔曼滤波器）利用递归估计技术，通过模型预测实时修正系统误差。即使在初始SOC偏差较大的情况下，这些算法仍能快速收敛至实际值，具有计算效率高、适用于在线实时场景的优势[32]。扩展卡尔曼滤波器（EKF）由于线性化近似会引入固有误差。虽然多核相位基EKF（MMKC-EKF）通过多核优化增强了非线性拟合能力，但仍存在噪声协方差固定、对动态工况适应性差以及收敛速度受初始SOC误差显著影响等问题[33][34]。熊睿等[35]提出了一种双卡尔曼滤波算法，可同步进行电池参数辨识与SOC估计，通过动态更新模型参数提升估计精度。尽管基于模型的滤波方法在SOC估计领域具有潜力，但在复杂实际场景中仍面临诸多挑战，包括电池非线性特性精确建模困难、模型跨环境适应性瓶颈，以及算法复杂度与工程实用性之间的权衡问题。因此，这些方法难以持续提供高精度的SOC（State of Charge）估算，导致其性能与实际需求存在差距。
现有关于混合方法的研究也为SOC估算提供了新思路。然而仍存在明显改进空间：部分研究仅聚焦于数据驱动模型内部的组合，例如Li等[36]提出的WC-CNN-LSTM模型，该模型通过皮尔逊相关性分析筛选输入特征、优化移动平均步长，并结合权重聚类实现轻量化，以及基于核心温度的SOT型SOC估算方法。基于SOT的SOC估算方法在保证精度（整体RMSE 0.67%）的同时，将模型体积缩减了50%以上，适用于嵌入式设备部署。然而该方法未考虑噪声干扰与模型输出的不确定性，当传感器噪声显著或电池老化导致数据质量下降时，估算结果会出现明显波动，且缺乏初始误差修正机制。另一类研究采用LSTM与AUKF相结合的方法，如Fan等人的工作。[37]首次提出基于LSTM对历史电流、电压和温度序列进行SOC初值预测，随后采用AUKF对估计结果进行优化以降低波动和误差。但该方法仅考虑捕获的时序数据，未顾及数据的局部特征。张等人[38]提出将CNN-LSTM与UKF结合用于SOC估计，在不同温度动态工况下实现了较高精度。然而传统UKF采用固定噪声协方差矩阵，难以适应动态工况下噪声特性的变化，导致滤波性能受限且未充分挖掘局部关键特征在滤波修正中的辅助作用。此外，亦有研究尝试将CNN与EKF结合，通过将CNN提取的特征输入EKF进行状态估计。然而，EKF对非线性系统的线性化近似容易引入额外误差，且缺乏噪声适应性。Hong等人[39]提出的TL-PINN框架将迁移学习与物理信息神经网络相结合，有效提升了锂离子电池荷电状态估计的跨系统泛化能力、噪声鲁棒性及低数据适应性。该框架在噪声环境下可实现2.4毫秒的推理速度与2%以内的误差控制，其性能显著优于EKF、RNN/CNN/LSTM及独立PINN等方法。但该方法的验证场景与运行条件仍存在局限，未考虑电池老化与热效应影响，且复杂架构对低算力平台部署成本要求较高。
综上所述，现有方法均存在显著局限性：传统方法忽视时间相关性且缺乏鲁棒性；单一数据驱动模型难以平衡局部特征与时间信息；基于模型的方法受限于模型精度与参数稳定性；现有混合方法主要遵循"单一数据驱动模型+固定滤波"或"模型驱动+简单时序模型"的架构设计。例如，单独使用CNN-LSTM缺乏噪声抑制和收敛校正能力，导致估计波动性较高；LSTM+UKF缺乏局部特征提取能力，且UKF对时变噪声的适应性较差，抗噪能力不足；MMKC-EKF未能解决动态噪声适应问题，其收敛速度受初始误差影响显著；基于微分方程的神经网络依赖于物理建模精度，在不同工况和温度条件下表现出较弱的泛化能力。为突破上述瓶颈，本文提出一种"数据驱动-模型融合"的SOC估计方法：该方法不依赖预先构建的物理/等效电池模型，首先通过CNN-LSTM混合网络提取特征——CNN挖掘电压、电流与温度测量中的局部关键特征，LSTM捕捉充放电过程的时序依赖性，实现SOC的初步估计；随后引入自适应无迹卡尔曼滤波器（AUKF）对初步结果进行优化，通过动态调整滤波增益来抑制噪声干扰与模型偏差。这种"局部特征提取-时序依赖建模-自适应误差修正"的三阶段融合架构，区别于现有"CNN-LSTM简单堆叠"或"单一滤波优化"方法，且无需依赖预先构建的物理/等效电池模型即可实现数据驱动与模型优化的深度协同。 （注：根据术语表要求，文中未出现需替换的特定术语，故保持原文技术表述。专业术语如Adaptive Unscented Kalman Filter、CNN-LSTM等均按标准译法处理，数学建模相关表述符合学术规范。）与现有"CNN-LSTM简单堆叠"或"单滤波器优化"方法不同，所提方法无需依赖预先构建的物理/等效电池模型，实现了数据驱动与模型优化的深度协同。相较于现有主流方法，该方法即使在初始SOC存在误差的情况下仍能实现更快收敛。在抗噪性能方面，通过AUKF动态更新噪声协方差，有效抑制了传感器噪声与电池老化干扰。在泛化能力方面，该方法在多种电池模型、宽温域（-20°C至50°C）及不同动态工况下均能保持高精度估计。为验证所提方法的有效性与泛化能力，采用不同温度和工作条件下电池的实验数据进行对比测试。
