电池管理系统中的嵌入式人工智能：用于高效荷电状态与健康状态估算的剪枝与量化技术

《Engineering Applications of Artificial Intelligence》：Embedded artificial intelligence in battery management systems: Pruning and quantization for efficient state-of-charge and state-of-health estimation

　　

# 摘要

在线电池管理需要在严格的内存和时间预算内实现准确的荷电状态（SOC）和健康状态（SOH）估计。为应对这些约束条件，本研究探讨了如何利用结构化剪枝和循环权重量化来优化带有全连接层（MLP）头的有状态长短期记忆（LSTM）网络，从而在STM32H753ZI微控制器上降低内存和计算成本，同时保持估计精度。研究采用公开的磷酸铁锂（LFP）循环老化数据集，全精度模型作为精度参考基准，用于评估压缩变体。长时程回放测试表明，SOC的平均绝对误差（MAE）为2.3–2.8个百分点，SOH为0.9–1.5个百分点，说明压缩在很大程度上保留了精度。经评估的30%剪枝配置在可用固件版本中将闪存分别减少了37.2%和43.3%，在硬件在环基准测试中将SOC和SOH的推理时间分别缩短了42.9%和44.0%。分析复杂度模型将计算节省与剪枝比例和网络维度相关联。量化相对于各自的全精度模型将闪存分别减少了49.7%和55.9%，但在混合精度实现中增加了运行时间。综合来看，本研究为资源高效的嵌入式电池状态估计提供了可复现的参考基准。

# 引言

准确在线估计荷电状态（SOC）和健康状态（SOH）仍然是电池供电系统的核心挑战（Yao和Kowal, 2025; A. M. S. M. H. S. Attanayaka等人, 2019; Berecibar等人, 2016; Shrivastava等人, 2023）。近期综述表明，基于模型和数据驱动的估计器取得了持续进展，但也强调精度强烈依赖于电芯化学体系、运行条件、参考构建和评估协议（Guo等人, 2024; Yao和Kowal, 2025）。因此，对于嵌入式电池管理系统而言，仅预测精度是不够的：估计器还必须适配可用的闪存和RAM，满足更新截止时间，并在长输入流上保持状态一致性。

本研究源于远程微电网中的模块化固定储能系统。在MG Farm项目中（LEAP-RE, 无出版日期; Microenergy, 无出版日期; Aqachtoul等人, 2026; 柏林工业大学, 无出版日期），来自法国、阿尔及利亚、摩洛哥和德国的合作伙伴为北非站点开发智能电网示范系统。柏林工业大学贡献了电池老化实验、LFP DoE循环老化数据集、电池管理系统原型以及在控制器上部署的SOC/SOH估计器。每个储能模块必须在STM32H753ZI级微控制器的闪存、RAM和时间限制内自主运行。类似约束也出现在无法依赖持续云访问的移动系统中。

现有嵌入式研究表明，紧凑型神经SOC或SOH估计器在微控制器上是可行的，且量化可以降低其存储需求（Crocioni等人, 2020; Giazitzis等人, 2024; Pau和Aniballi, 2024; Kamali等人, 2021; Naguib等人, 2022）。然而，这些研究通常仅考察一种电池状态、一种模型族或一种部署平台。它们并未提供结构化隐藏单元剪枝和循环权重量化在有状态SOC和SOH估计器上的统一、可审计比较，且所有比较均在相同的长时程回放和硬件测量条件下进行。当缩放参数、循环状态处理和精确混合精度边界未报告时，复现工作将受到进一步阻碍。

本研究使用LFP DoE循环老化数据集（Rzepka, 2025）。该数据集包含多个LFP电芯在完整和分数阶因子条件下的长期循环老化测量数据，具有可控温度、充放电倍率、放电深度变化以及交替进行的容量、开路电压和脉冲功率检查。这些数据支持对快速SOC动态和缓慢演化的SOH轨迹的配对评估。

本研究的目标是：在相同的数据和部署条件下，量化结构化隐藏单元剪枝和循环权重训练后量化如何改变STM32H753ZI上有状态LSTM + MLP SOC和SOH估计器的精度、内存占用和推理成本。本研究做出三项贡献：

(i) 从训练好的PyTorch模型到有状态C推理的可审计路径，包括显式特征缩放、循环状态处理、剪枝和混合精度量化。

(ii) 针对SOC和SOH的受控Base–Pruned–Quantized比较，使用连续回放、关联固件闪存和RAM、主机延迟以及基于周期计数器的内核时间测量。

(iii) 证据有界的权衡分析，将架构级运算量和实现细节与长时程精度、滤波和应用依赖性效用联系起来。

本文的创新之处在于这种配对式、透明的部署和压缩基准测试，而非提出新的循环单元或压缩算法。

# 章节摘要

## SOC/SOH估计

现有SOC/SOH估计方法可分为三大类（A. M. S. M. H. S. Attanayaka等人, 2019; Berecibar等人, 2016; Shrivastava等人, 2023; Guo等人, 2024）。第一类是测量衍生技术，使用库仑计数和休息期间的开路电压（OCV）查找表。它们提供廉价的替代方案，但存在漂移、偏移累积问题，且强烈依赖于初始化和周期性重新校准。第二类是基于模型的观测器，结合

## 老化实验和负载剖面

所有实验均依赖高分辨率LFP DoE循环老化数据集（Rzepka, 2025）。测量数据源自柏林工业大学对商用JGCFR18650-1800mAh-3.2V LFP电芯（JGNE, 无出版日期）开展的实验设计研究。电芯在25°C环境舱内进行循环测试，系统性地变化以下因素：C_chg ∈ [0.5C, 0.9C]，C_dis ∈ [1.0C, 2.5C]，DoD ∈ [45%, 65%]。混合完整/分数阶因子方案分配了十五个测试

## PyTorch中的LSTM架构

SOC和SOH估计器采用相同的循环方程组，但根据其训练版本不同而尺寸有所差异。SOC配置使用H=64个隐藏单元和宽度为64的MLP输出层，而SOH配置将两个维度均增加到128，以应对更长的时间上下文。LSTM门控it、ft、ot和候选状态gt遵循现代RNN综述中使用的标准公式（Lipton等人, 2015）。所有模型均在PyTorch中实现（Paszke等人, 2019）。

## 剪枝

剪枝通过消除对整体映射贡献较小的参数或整个单元来减小神经网络的尺寸和计算成本，同时保持输入–输出行为尽可能接近稠密基线（Han等人, 2015; Blalock等人, 2020）。在我们的设置中，我们在完整LSTM隐藏单元级别应用结构化剪枝，以使所得模型仍适合在微控制器上进行高效的C实现。

## 量化

量化通过降低选定权重的数值精度来补充剪枝，同时保持网络拓扑不变。我们对LSTM的输入到隐藏矩阵W_ih和隐藏到隐藏矩阵W_hh应用训练后、仅权重量化。所得矩阵以8位整数存储，每行附带一个FP32缩放因子。偏置、激活值、循环隐藏状态和细胞状态以及MLP均保持FP32。此设计将存储缩减集中在主导性的循环矩阵上。

## 基准测试方法论

本节描述我们如何在主机PC和带有STM32H753ZI MCU的STM32 Nucleo-144开发板（STMicroelectronics, 2025; Naguib等人, 2022）上对SOC和SOH模型进行基准测试。该微控制器提供2 MB片上闪存和1 MB SRAM，这些构成了固件代码、模型参数和运行时缓冲区的预算。从训练好的LSTM + MLP模型开始，我们生成三个嵌入式变体（全精度基线、剪枝模型和量化模型），并

## 结果

评估在全精度Base、Pruned和Quantized SOC及SOH估计器之间进行比较，使用LFP DoE循环老化数据集的相同连续流式回放。以下各节分别介绍预测精度、时间行为、嵌入式资源使用和由此产生的多目标权衡。

## 讨论

实验表明剪枝和量化对SOC和SOH估计器的影响不同。对于SOC，经评估的Pruned模型获得了比Base低0.35个百分点的MAE，而Quantized模型比Base高0.11个百分点。结合L2显著性和权重分布诊断结果，这表明结构化剪枝对于所评估的模型和数据划分是更为均衡的变换。实验设计使用一次训练运行和预定义的测试划分。

## 结论与展望

本研究旨在量化两条透明的压缩路径如何在一个通用的STM32基准下改变有状态SOC和SOH估计器的精度和嵌入式成本。其贡献是从训练好的LSTM + MLP模型到具有准确、内存和时序指标一致性保障的连续C推理的可审计比较。每次推理的估计能耗仍是恒定功率时序代理，而非独立的功率测量。

对于SOC，Pruned将闪存减少了37.2%，RAM减少了

# CRediT作者贡献声明

Florian Rzepka：写作 – 审稿与编辑、写作 – 初稿、可视化、验证、监督、软件、方法论、调查、形式分析、数据管理、概念构思。

Julia Kowal：写作 – 审稿与编辑、监督、资源、项目管理、资金获取。

# 生成式AI及AI辅助技术在稿件准备过程中的使用声明

在本工作准备过程中，作者使用了ChatGPT、DeepL和Grammarly以提高稿件的语言质量和风格。使用这些工具后，作者审查并编辑了内容，并对已发表文章的完整内容承担全部责任。

# 利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Julia Kowal报告获得德国联邦教育和研究部（BMBF）的资金支持。Julia Kowal报告获得德国研究基金会的资金支持。Julia Kowal报告获得柏林工业大学开放获取出版基金的资金支持。若有其他作者，他们声明

# 致谢

本研究由德国联邦教育和研究部（BMBF）资助，项目编号03SF0684A（MG FARM）。作者负责内容。该工作还得到了德国研究基金和柏林工业大学开放获取出版基金的支持。我们感谢柏林工业大学高性能计算服务为剪枝和量化实验提供计算资源。

Florian Rzepka | Julia Kowal