《Journal of Energy Storage》：Real-time, high-accuracy and computational efficiency state-of-charge estimation based on hybrid convolutional neural network and long short-term memory network model on microcontroller unit with Tiny machine learning
编辑推荐：
Dania Batool | Faiz Majeed | Sein Oh | Jimin Oh | Jonghoon Kim
韩国忠南国立大学电气工程系能源存储与转换实验室，大田，34134
摘要
本研究介绍了一种利用混合卷积神经网络（CNN）和长短期记忆网络（LSTM）的新
Dania Batool | Faiz Majeed | Sein Oh | Jimin Oh | Jonghoon Kim
韩国忠南国立大学电气工程系能源存储与转换实验室，大田，34134
摘要
本研究介绍了一种利用混合卷积神经网络（CNN）和长短期记忆网络（LSTM）的新方法，通过微控制器单元（MCU）实现，并基于Tiny机器学习（TinyML）原理来准确估计锂离子电池（LIBs）的充电状态（SOC）。该模型结合了CNN的空间特征提取能力和LSTM的时间依赖性识别能力，在准确性和计算效率方面均优于现有的SOC估计方法。为了在ESP32 MCU上运行LSTM推理，专门开发了自定义的TensorFlow Lite Micro（TFLM）内核，解决了内存管理和时间状态控制等挑战。CNN-LSTM模型架构使用TensorFlow Lite（TFLite）进行训练和量化，以确保在ESP32 MCU上的部署具有最小的内存占用和功耗，同时保持较高的准确性。实验结果表明，该模型在资源丰富的设备上的均方根误差为1.91%，在量化后的MCU上为2.05%。此外，该研究有效利用了ESP32的双核功能，优化了任务分配，从而实现了实时响应和计算效率。通过对各种MCU平台的全面比较，凸显了ESP32在便携设备应用中的成本和资源效率优势。这项研究展示了将智能SOC估计模型集成到边缘设备中的潜力，为电动汽车（EV）和便携式电子产品中的低成本、高能效电池管理系统（BMS）奠定了基础。
章节摘录
术语表
| AI | 人工智能 |
| ANN | 人工神经网络 |
| BMS | 电池管理系统 |
| CNN | 卷积神经网络 |
| CNN-GRU | 带GRU的CNN |
| CNN-LSTM | 带LSTM的CNN |
| ESP32 | Espressif Systems 32位微控制器 |
| EV | 电动汽车 |
| GPS | 全球定位系统 |
| GRU | 门控循环单元 |
| HWFET | 高速公路燃油经济性测试 |
| LIB | 锂离子电池 |
| LSTM | 长短期记忆 |
| MACC | 机器周期计数 |
| ML | 机器学习 |
| MAE | 平均绝对误差 |
| MCU | 微控制器单元 |
| NASA | 美国国家航空航天局 |
| NMC | LiNiMnCoO2 |
| NN | |
TinyML的最新进展促进了专为嵌入式电池状态估计设计的轻量级神经网络架构的发展。除了传统的循环和混合卷积框架外，新兴研究还探索了基于注意力和Transformer的模型，以增强时间表示能力同时降低计算开销。例如，专为电池应用设计的仅编码器Transformer网络引入了局部注意力机制。
本节详细介绍了本研究中用于测试和分析的神经网络，包括CNN、GRU、LSTM及其混合模型。解释了每个模型中的层及其对时间序列数据估计的改进作用。
用于训练SOC估计模型的数据集来源于忠南国立大学（CNU）能源存储转换实验室（ESCL）收集的实验数据，使用的是容量为56 Ah的SK pouch电池（NMC-55NP），如图7(a)所示（详细规格见表3）。收集电池数据的实验装置包括一个温度控制室、一个电池测试仪和基于PC的数据采集系统。
本节对所提出的LIBs SOC估计模型进行了全面评估，重点关注其准确性、精确度和计算效率。我们使用测试数据评估了GRU、LSTM、CNN-GRU和CNN-LSTM模型的性能。
除了比较不同的神经网络架构外，还对所提出的CNN-LSTM模型进行了针对性的超参数敏感性研究，以验证架构设计的选择。
ESP32在BMS中的SOC估计应用中表现出高效性，这得益于其多功能特性。ESP32在处理能力、双核功能和内存利用方面非常适合管理和跟踪电池系统。
本研究严格探讨了将TinyML技术与混合CNN-LSTM神经网络架构结合用于LIBs SOC估计的方法。研究详细评估了各种神经网络模型，包括LSTM、GRU、CNN-GRU和CNN-LSTM混合模型，证明了混合模型在不同运行场景下显著提高了SOC变化的捕捉精度和可靠性。所有模型都经过了量化处理，以优化内存和计算资源的使用。
Dania Batool：撰写——原始草案、调查、正式分析。Faiz Majeed：验证、方法论、数据整理。Sein Oh：可视化、验证、方法论。Jimin Oh：验证、方法论、概念化。Jonghoon Kim：撰写——审稿与编辑、项目监督、资金筹集。
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
本研究得到了G2Power（项目编号00426149，水冷锂离子电池封装与安全控制增强技术）的支持，该项目的资金来自韩国能源技术评估与规划研究院（KETEP），并在2024年获得了韩国能源技术评估与规划研究院（KETEP）和韩国气候、能源与环境部（MCEE）的支持（项目编号RS-2024-00398346，ESS基于大数据的运维和资产管理技术）。
