基于时间卷积网络和变换器混合神经网络的现实世界电池系统多步预测充电状态的方法

《Journal of Energy Storage》：Multi-step ahead state of charge prediction method for real-world battery system based on temporal convolutional network and transformer hybrid neural networks

电池状态-of-charge（SOC）多步滚动预测方法研究，采用时空卷积网络（TCN）与Transformer融合架构，结合最大信息系数降维技术，实现1分钟 ahead的SOC预测，误差率低于1%，并通过季节性数据与噪声干扰验证模型鲁棒性，对比传统方法性能更优。

　　电池的荷电状态（SOC）预测对于延长电池寿命和确保电动汽车（EVs）运行安全具有至关重要的意义。然而，实际车辆运行环境的高度动态性使得准确预测SOC并提供可靠的剩余续航里程估计变得极具挑战。因此，本文提出了一种新型的混合网络模型，结合了时间卷积网络（TCN）和Transformer神经网络，以实现对真实车辆电池系统的多步滚动SOC预测。为了提高预测的准确性与模型的实用性，本文还采用最大信息系数方法对输入数据进行降维处理，并通过分析实际运行数据中的非线性趋势以及在不同季节的多维验证，进一步验证了所提方法的可靠性。

SOC作为电池管理系统（BMS）中的关键参数之一，是衡量电池当前存储电量的重要指标。它不仅影响电动汽车的续航能力，还关系到电池的健康状态和使用寿命。准确的SOC预测可以有效避免电池过充或过放，从而提高系统安全性和运行效率。然而，由于电池内部机制的显著非线性和时间依赖性，SOC无法直接通过BMS测量，必须通过可测量的参数如电压、电流和温度进行预测。这使得SOC预测成为一项复杂且具有挑战性的任务。

当前，SOC估计方法多种多样，主要可以分为直接测量方法、模型驱动方法和数据驱动方法。直接测量方法包括开路电压（OCV）法和安时积分法。OCV法通过测量当前电池的开路电压，并结合预先建立的OCV-SOC关系表来识别SOC值。然而，这种方法需要等待电池达到稳定状态才能进行准确测量，因此限制了其在实时SOC估计中的应用，仅适用于车辆静止状态。安时积分法则通过积分电池的放电电流来估算SOC，具有较低的计算复杂度和易于实现的优点。但这种方法依赖于电流和时间的测量，传感器的精度对SOC估计结果有较大影响，容易产生累积误差。

模型驱动方法则主要依赖于构建准确的电池模型，如电化学模型、等效电路模型和经验模型。为了实现高精度的SOC估计，这些模型不仅需要准确建模，还需要结合滤波算法来消除噪声和不确定性。常用的滤波方法包括卡尔曼滤波、粒子滤波和H-infinity滤波。为了克服自老化和外部运行环境对SOC估计精度的影响，一些研究提出了基于模糊推理系统的自适应扩展卡尔曼滤波方法。该方法通过实时更新噪声协方差，提高了SOC估计的鲁棒性，有效处理了动态环境中的不确定性。此外，还有一种方法结合了温度补偿模型和双粒子滤波估计器，通过将温度波动视为静态参数进行处理，有效消除了温度对模型参数的影响。

数据驱动方法主要依赖于机器学习技术，通过学习大量历史运行数据，建模SOC与各种特征之间的关系，从而揭示电池行为中的复杂模式。例如，Hai等人提出了一种基于改进的K-means聚类遗传反向传播算法的SOC估计方法，通过引入K操作符和动态搜索遗传算法，提高了在低温条件下的估计精度。此外，Deng等人提出了一种基于高斯过程回归的SOC估计方法，其性能优势通过与常规模型的比较得到了验证。然而，这些方法大多仅在实验数据上进行验证，其在复杂实际运行环境中的鲁棒性和适用性尚未得到充分保证。

随着神经网络技术的快速发展和图形处理单元（GPU）计算能力的不断提升，神经网络方法作为一种机器学习的子集，受到了越来越多研究者的关注。它们在解决电池SOC估计研究中的复杂问题方面展现出巨大的潜力。例如，有研究提出了一种结合卷积神经网络（CNN）、双向长短期记忆神经网络（LSTM）和FuFi优化的SOC估计方法，该方法通过使用分裂优化算法调整超参数，实现了高精度和鲁棒性的SOC估计。还有一种多尺度SOC估计方法结合了时间卷积网络（TCN）和跨尺度自注意力特征融合技术，其框架在多种数据集上表现出高精度和鲁棒性，优于传统模型，并且利用了一个新的锂离子电池行驶周期数据集进行训练和测试。

然而，上述方法在实际应用中仍然存在一定的局限性。例如，一些方法仅使用放电数据，缺乏对充电阶段的验证；另一些方法仅在单一周期内进行验证，未能覆盖完整的充放电循环。此外，现有研究往往专注于提升单一神经网络的性能，而忽略了结合多种网络结构进行SOC预测的潜在优势。为了弥补这些不足，本文提出了一种基于TCN和Transformer的多步滚动SOC预测方法，结合了这两种网络的优势，以实现更精确和稳定的预测结果。

本文首先提取了两个电动出租车一年内的运行数据，并进行了全面的数据预处理。考虑到实际车辆运行数据中包含大量的可测量参数，本文创新性地采用了最大信息系数方法进行特征选择，提取与SOC高度相关的特征变量，从而简化模型的输入结构。随后，提出了一种基于TCN和Transformer的多步滚动SOC预测方法。TCN能够捕捉电池行为的时间特征，这些特征随后传递给Transformer网络。Transformer网络通过其自注意力机制，分析这些特征之间的长距离依赖关系，从而实现准确的多步滚动SOC预测。此外，本文还通过分析实际运行数据中一年内的库仑效率变化，验证了所提方法在应对温度波动和电池老化影响方面的准确性和适应性。

为了进一步验证所提方法的优越性，本文将其与TCN-LSTM-Attention、Transformer、LSTM等文献中提出的方法进行了比较，结果显示所提方法在预测精度和计算效率方面均具有显著优势。同时，为了验证方法的鲁棒性，本文在输入数据中引入了随机噪声，并在噪声条件下测试了所提方法的性能，结果表明其仍能保持较强的预测能力。最后，本文将所提方法应用于另一辆电动车，以验证其在不同车辆上的适用性。尽管本文的研究基于在线SOC估计结果，并将其扩展为具有前瞻性的多步滚动预测，但这种预测能力为BMS提供了决策支持，有助于提升能量管理与风险预警的智能化水平。

本文的研究成果表明，基于TCN和Transformer的混合网络模型在多步滚动SOC预测方面具有出色的性能。该方法不仅能够有效应对电池运行环境的动态变化，还能够在不同季节和噪声条件下保持稳定和准确的预测结果。通过实际运行数据的验证，本文证明了该方法在提升SOC预测精度和电池管理系统性能方面的潜力。此外，本文提出的参数降维方法为后续SOC预测模型的构建提供了更简洁的数据输入，有助于提高模型的泛化能力和计算效率。

在数据预处理方面，本文采用了多种方法对采集的运行数据进行清洗和特征提取。考虑到实际车辆运行数据的复杂性，本文首先对数据进行了去噪处理，以消除不必要的干扰因素。随后，通过数据标准化和归一化，使不同传感器采集的数据具有统一的尺度，从而提高模型的训练效率。此外，本文还对数据进行了时序划分，将数据分为训练集、验证集和测试集，以确保模型的泛化能力。在特征选择过程中，本文采用了最大信息系数方法，这种方法能够有效识别与SOC高度相关的特征变量，从而减少模型的输入维度，提高预测的准确性。

本文的研究还揭示了电池库仑效率在长期运行中的非线性变化趋势。库仑效率是衡量电池充放电过程中能量转换效率的重要指标，其变化受到温度波动和电池老化等多种因素的影响。通过分析实际运行数据中一年内的库仑效率变化，本文验证了所提方法在应对这些非线性变化方面的有效性。结果表明，所提方法能够在不同季节和噪声条件下保持较高的预测精度，从而为电池管理系统提供可靠的SOC预测结果。

此外，本文还对所提方法在不同场景下的适用性进行了验证。例如，通过在不同车辆上应用该方法，本文验证了其在不同电池类型和运行条件下的泛化能力。同时，通过引入随机噪声到输入数据中，本文验证了所提方法在噪声环境下的鲁棒性。这些实验结果表明，所提方法不仅适用于特定的电池系统，还能够在复杂多变的运行环境中保持稳定的预测性能。

综上所述，本文提出的基于TCN和Transformer的多步滚动SOC预测方法在多个方面表现出色。该方法通过创新的参数降维技术，提高了模型的输入效率；通过结合TCN和Transformer的优势，实现了更精确和稳定的SOC预测；通过分析库仑效率的非线性变化趋势，验证了方法在应对电池老化和温度波动方面的适应性；通过在不同季节和噪声条件下进行验证，证明了方法的鲁棒性和适用性。这些研究成果不仅为电池管理系统提供了更可靠和智能的SOC预测方案，还为未来电动汽车的运行优化和安全管理提供了新的思路和方法。