基于CNN-TKAN融合网络的电动汽车锂电池荷电状态（SOC）智能估计方法研究

本文提出一种结合卷积神经网络（CNN）与时间柯尔莫戈洛夫-阿诺德网络（TKAN）的新型混合模型，用于解决电动汽车锂电池荷电状态（SOC）估计中的非线性难题。该模型在RMSE、MAE和R2指标上均优于传统CNN+GRU/LSTM模型，显著提升训练速度并保持优异鲁棒性，为电池管理系统（BMS）优化提供了新思路。

　　

亮点

• 首次将TKAN应用于锂电池SOC估计，结合CNN提升网络训练速度与效能，探索KAN系列模型在该领域的潜力。

• 在相同训练策略和超参数下，本模型在RMSE、MAE和R²指标上均优于CNN+GRU和CNN+LSTM模型，且表现优于单一TKAN。

• 即使电池初始SOC非100%，模型仍展现良好鲁棒性。

• 探讨了CNN中池化层配置的影响：双卷积层搭配单池化层在多数温度下精度更高，但双池化层配置更符合工程实际需求（RMSE和MAE最大差异仅0.23%和0.17%）。

方法

CNN+TKAN

网络超参数设置见表1，完整架构如图4所示。CNN通过卷积操作捕捉输入数据关联性并加速训练，TKAN则融合RNN的记忆管理机制与KAN的非线性处理优势，共同提升SOC估计效率。

实验结果分析

训练集包含6种温度（除10°C）下的DST和FUDS工况数据，测试集采用US06工况同温度数据。为减少随机性影响，进行三次随机划分取平均值。采用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）作为评估指标。

结论

CNN+TKAN模型有效解决了传统方法处理SOC估计非线性的局限性，同时克服了KAN参数过多导致的训练缓慢问题。通过优化池化层配置，在保证精度的前提下显著提升训练效率，为锂电池状态估计的工程应用提供了更优解决方案。