基于紧耦合BiLSTM-自适应立方卡尔曼滤波框架的锂离子电池荷电状态高精度估算方法

《Scientific Reports》：An integrated bidirectional LSTM and adaptive cubature Kalman filter estimation method for accurate state-of-charge estimation of lithium-ion battery

　　

摘要

基于模型的锂离子电池荷电状态（SOC）估算观测器在强非线性和传感器噪声下会失去精度，而纯数据驱动的估算器缺乏物理一致性，且在训练分布之外泛化能力较差。现有的混合设计仅部分弥补了这一差距：神经网络输出通常作为松耦合校正项与扩展卡尔曼滤波（EKF）融合，因此一阶线性化误差和静态噪声统计量仍然限制了在激烈驾驶循环下的性能。本文提出了一种紧耦合的双向长短期记忆-自适应立方卡尔曼滤波（BiLSTM-ACKF）框架，通过三种不同的机制来解决这些局限性。首先，将BiLSTM输出重构为SOC的标量伪测量值，而非端电压校正量，从而使新息直接在SOC单位下表达，并且独立于开路电压-SOC斜率。其次，新息驱动的自适应协方差律根据BiLSTM输出与模型预测SOC之间的实时一致性，持续重新加权测量噪声协方差，使滤波器对数据驱动通道的信任度实现自我调节。第三，在单RC戴维宁等效电路模型中，以立方点传播取代雅可比线性化，消除了强非线性瞬态下的一阶截断偏差。使用电压和电流测量的滑动窗口序列来训练BiLSTM。验证在四种不同驾驶循环（DST、FUDS、UDDS和US06）、三种温度（5°C、25°C和45°C）以及六个高斯白噪声电压水平（0 mV、30 mV、80 mV）下进行，使用了TU-Berlin数据库提供的两个数据集（LA92和US06）。比较结果表明，在所有四种驾驶循环和所有六个噪声水平下，BiLSTM-ACKF的性能显著优于独立BiLSTM（RMSE值比BiLSTM低40–60%）和BiLSTM-AEKF（RMSE值比BiLSTM-AEKF低30–52%）。在误差量级方面，BiLSTM-ACKF在所有测试用例中也表现出持续低于1.5%的上限。