利用多通道双向长短期记忆网络（Bi-directional Long Short-Term Memory, LSTM）和逆变换器（Inverted Transformer）框架对电池的充电状态（State-of-Charge, SoC）和能量状态（State-of-Energy, SoE）进行联合预测

《Engineering Applications of Artificial Intelligence》：Joint prediction of state-of-charge and state-of-energy using a multiple channels bidirectional long short-term memory and inverted transformer framework

电池SOC与SOE联合估计模型研究。提出MLIT框架，通过多通道双向LSTM独立提取特征，逆Transformer建模变量间关联，双解码器分别预测SOC和SOE。实验表明MLIT预测精度更高且误差更小。

　　锂离子电池作为现代电动汽车的核心部件，其性能直接影响到车辆的续航能力与运行安全。为了更准确地评估电池状态，研究人员提出了多种方法来估算电池的荷电状态（SOC）和能量状态（SOE）。SOC反映了电池在某一时刻剩余容量的比例，而SOE则表示在特定运行条件下电池剩余能量的比例。这两个参数在电池管理系统（BMS）中具有关键作用，因为它们不仅影响电池的充放电策略，还决定了电池的使用效率和使用寿命。

当前的SOC和SOE估算方法主要分为三类：库仑计数法（CC）、开路电压法（OCV）和基于模型的估算方法。库仑计数法通过计算电池充放电的总电流来估算SOC，虽然实现起来相对简单，但存在初始SOC估计困难以及随时间累积误差的问题。开路电压法依赖于OCV与SOC之间的对应关系，然而这种方法需要电池处于稳定状态并经过较长的静置时间，这在实际应用中并不总是可行。基于模型的估算方法通常需要对电池进行大量实验以建立其内部特性模型，这种方法虽然在特定条件下表现良好，但难以适应不同的电池状态和环境条件。

近年来，随着深度学习技术的发展，越来越多的研究者开始探索利用深度神经网络进行SOC和SOE的预测。例如，How等人（2020）使用了四层全连接神经网络（FCNN），实现了较高的预测精度。然而，FCNN在处理连续时间序列数据时，缺乏像循环神经网络（RNN）那样的记忆机制，导致其在长序列数据中的表现受限。LSTM算法因其能够处理长序列数据中的时间依赖性，被广泛应用于SOC的预测。Yang等人（2019）使用了门控循环单元（GRU）来预测SOC，其效果与LSTM相近。Bidirectional LSTM（BiLSTM）通过引入双向处理机制，能够同时捕捉序列中的前后上下文信息，从而提升预测的准确性。Bian等人（2020）提出的Stacked Bidirectional LSTM模型在多种环境温度和电池类型下表现出色。

为了提高SOC和SOE的预测效果，一些研究者尝试将不同的模型进行融合。例如，Hu等人（2022）提出了TCN-LSTM混合模型，通过结合时间卷积网络（TCN）和LSTM，实现了更优的预测性能。Shen等人（2022）则利用Transformer网络进行编码，并结合一种创新的不变性自适应观测器，以减少预测中的振荡现象。这些方法在一定程度上提升了SOC和SOE的预测精度，但仍然存在一些局限性。

SOC和SOE的联合预测是当前研究的一个热点，因为它们之间存在复杂的相互作用。一些研究者尝试使用多任务学习的方法，将SOC和SOE的预测整合到一个模型中。例如，Ma等人（2021）提出了一种基于LSTM的模型，可以同时预测SOC和SOE，避免了额外计算以确定两者之间的关系。Fan等人（2022）则结合了LSTM和自适应无迹卡尔曼滤波器，进一步提升了预测的准确性。Chen等人（2023）提出了一种结合双向GRU（BiGRU）和改进的鸽群遗传（PG）算法的联合预测方法，旨在提升SOC和SOE的预测精度。

然而，现有的联合预测方法在处理不同物理量时，通常需要对这些量进行对齐，以便在同一个时间步中进行嵌入。这种对齐过程在实际应用中可能会引入额外的计算负担，影响模型的预测性能。此外，将具有不同物理意义的变量嵌入到同一个通道中，可能会削弱模型对基本序列特征的捕捉能力，影响多变量之间的相关性建模。为了解决这些问题，本文提出了一种新的联合预测框架，称为多通道双向长短期记忆与倒置Transformer（MLIT）。

MLIT框架在编码阶段采用独立的BiLSTM模型，分别提取每个物理量的时间序列特征。这种方法不需要对不同变量进行对齐，使得模型能够处理具有异构或不规则采样率的信号。随后，这些特征被输入到倒置Transformer模块中，用于捕捉变量之间的依赖关系，实现有效的信息融合。最后，模型将倒置Transformer的输出与SOC或SOE的历史预测相结合，分别通过SOC和SOE解码器进行预测。这些解码器采用了传统的Transformer解码结构，通过利用编码器的输出和历史预测数据，实现了更高的预测精度。

MLIT框架的优势在于，它能够处理不同变量之间的复杂关系，同时避免了传统方法中的对齐问题。通过独立的BiLSTM提取每个变量的时间特征，使得模型能够更准确地捕捉电池在不同状态下的变化趋势。倒置Transformer模块则负责将这些特征进行整合，从而提升模型的整体预测能力。此外，通过将历史预测数据作为解码器的输入，模型能够实现动态校正和优化，进一步提高预测的稳定性。

本文的主要贡献包括以下几个方面：首先，在编码阶段，通过独立的BiLSTM分别提取每个物理量的时间特征，使得模型能够处理不同采样频率的信号，提高了模型的灵活性。其次，开发了一种双解码器的倒置Transformer结构，用于同时预测SOC和SOE。这种方法通过互相对立但独立的学习路径，使得模型能够同时捕捉SOC和SOE之间的耦合关系和独立特性，从而实现更高的预测精度和鲁棒性。最后，解码器进一步利用SOC和SOE的历史预测数据作为上下文输入，使得模型能够在预测过程中进行动态校正和优化，提高预测的准确性。

为了验证MLIT框架的有效性，本文使用了来自威斯康星大学麦迪逊分校的数据集，该数据集包含了新出厂的2.9 Ah Panasonic 18650PF电池的测试结果。测试过程中，电池经历了九种不同的驾驶循环，包括Cycle 1、Cycle 2、Cycle 3、Cycle 4、US06、HWFET、UDDS、LA92和神经网络（NN）循环。其中，Cycle 1至Cycle 4是由US06、HWFET、UDDS和LA92循环的随机片段组成的。而神经网络循环则结合了US06循环的片段，以模拟实际运行条件下的电池行为。

实验结果表明，MLIT框架在预测SOC和SOE方面优于现有的主流模型。与单独的TCN或LSTM模型相比，MLIT能够更有效地整合历史数据，从而减少预测的最大误差。此外，MLIT的联合预测方法在不同环境温度条件下表现出较高的稳定性，使得电池管理系统能够在复杂工况下保持良好的性能。这种模型的灵活性和鲁棒性，使其在实际应用中具有较大的潜力。

综上所述，本文提出的MLIT框架为锂离子电池的SOC和SOE联合预测提供了一种新的解决方案。通过独立的BiLSTM提取每个物理量的时间特征，倒置Transformer模块进行信息融合，以及双解码器结构进行预测，使得模型能够更准确地捕捉电池在不同状态下的变化趋势。这种设计不仅提高了预测的精度，还增强了模型的稳定性，使其在实际应用中更具优势。未来的研究可以进一步优化模型的结构，提高其在不同电池类型和环境条件下的适应能力。