基于小龙虾优化算法与Kolmogorov-Arnold网络的锂离子电池荷电状态高精度估计方法

针对锂离子电池荷电状态(SOC)估计受温度、循环老化等因素干扰的难题，研究人员创新性地提出COA-KAN模型，通过小龙虾优化算法(COA)优化Kolmogorov-Arnold网络超参数，在DST、BJDST等四种工况下实现SOC误差显著降低，为电动汽车电池管理系统提供高鲁棒性解决方案。

　　

随着全球能源转型加速，电动汽车已成为减少碳排放的关键载体，而锂离子电池作为其核心动力源，其荷电状态(SOC)的精确估计直接关乎车辆续航里程预测与安全管控。然而，电池内部复杂的电化学反应导致SOC呈现强非线性、时变特性，传统方法如开路电压法需数小时静置，安时积分法易受传感器误差累积影响，而基于等效电路模型的卡尔曼滤波算法则对参数漂移敏感。更棘手的是，温度波动与电池老化会进一步放大估计误差，这使得开发高精度自适应SOC估计模型成为行业迫切需求。

针对这一挑战，中国国家自然科学基金支持的研究团队在《Journal of Energy Storage》发表创新成果。研究人员将前沿的Kolmogorov-Arnold网络(KAN)与新型元启发式算法结合，提出COA-KAN模型。该模型利用小龙虾优化算法(COA)动态调整KAN网络宽度(n)、分段数(q)等超参数，克服了传统粒子群算法(PSO)易早熟、遗传算法(GA)随机性强的缺陷。通过DST、BJDST、FUDS和US06四种典型驾驶循环数据集验证，在0°C至45°C宽温域内，其SOC估计均方根误差(RMSE)较Transformer-LSTM等5种对比模型降低12%-170%，展现出卓越的环境适应性。

关键技术方面，研究团队首先采集多工况电池数据构建基准测试集，采用控制变量法分析KAN参数敏感性；随后设计COA的三阶段优化机制（夏季避暑、竞争、觅食阶段），通过能量阈值自适应切换全局探索与局部开发；最终建立包含电压、电流等多特征输入的KAN网络架构，利用B样条基函数实现非线性映射。

研究结果显示：

1. 参数敏感性分析：当KAN参数组合n,q,p=7时，模型在BJDST工况下RMSE最低达0.68%，证实适当增加网络复杂度可提升拟合能力；
2. 温度适应性测试：在45°C高温下，COA-KAN的MAE仍保持1.2%以内，显著优于传统LSTM的3.5%，凸显温度鲁棒性；
3. 跨模型对比：与PSO-TCN-Attention相比，COA-KAN在US06高速工况下将RMSE从1.8%降至0.91%，验证COA的超参数优化优势；
4. 实时性验证：模型单次估计耗时仅23ms，满足BMS毫秒级响应需求。

该研究的突破性在于：首次将COA与KAN结合应用于SOC估计领域，通过COA的定向搜索能力解决KAN超参数组合爆炸问题，其提出的"超参数自适应-网络结构优化-多工况验证"框架为复杂系统状态估计提供新范式。未来可进一步探索COA-KAN在电池健康状态(SOH)联合估计中的应用，并开发边缘计算部署方案。这项工作不仅推动电池管理算法向更高精度发展，也为智能驾驶领域的能源优化控制奠定理论基础。