《Applied Sciences》：Experimental Approach to Intelligent Estimation of the State-of-Charge (SoC) of Batteries: Case of Electric Vehicles
编辑推荐：
电动汽车产业的快速发展对最优智能嵌入式能源管理提出了更高要求。电动汽车正逐步定位为传统燃油汽车的战略性替代方案。因此，本文设计了一种嵌入式系统，能够实时评估电动汽车电池的荷电状态（State-of-Charge, SoC）并将其传输至物联网云平台，同时优化能源
电动汽车产业的快速发展对最优智能嵌入式能源管理提出了更高要求。电动汽车正逐步定位为传统燃油汽车的战略性替代方案。因此，本文设计了一种嵌入式系统，能够实时评估电动汽车电池的荷电状态（State-of-Charge, SoC）并将其传输至物联网云平台，同时优化能源消耗和数据可靠性。研究方法提出了涉及两种深度学习模型——长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）——在MATLAB 2024.b环境下的实验研究，并设计了基于Arduino IoT Cloud进行数据采集与传输的嵌入式原型。随后，研究人员对两种模型的性能进行了比较分析。结果表明，GRU模型具有最佳性能，准确率达到83.6%，均方误差（MSE）为0.0715，均方根误差（RMSE）为0.2589，从而验证了所提出方法在实际应用场景中进行电池荷电状态智能估计的相关性。
## 研究背景与问题提出
电动汽车（Electric Vehicle, EV）产业在全球范围内经历了指数级增长，在非洲大陆各国也逐渐被采纳。这一发展趋势契合全球能源转型与应对气候变化的宏观背景。然而，制约电动汽车广泛采用的主要瓶颈之一在于车载电池所存储能源的最优管理，特别是电池荷电状态（State-of-Charge, SoC）的准确评估。现有研究虽已提出多种方法，如卡尔曼滤波（Kalman Filtering）、经验模型及机器学习等，但大多数研究应用于标准环境，往往难以代表非洲地区的气候现实，突显出将方法适配于热带环境及本土约束条件的必要性。
电池荷电状态估计涉及多种算法，卡尔曼滤波通过结合实测数据与动态电池模型预测来评估荷电状态，通常依赖观测技术实时修正测量值与模型模拟值之间的偏差。此外还有启发式或组合方法，能够同时整合电压、电流和温度等多个测量参数，以更准确稳健地考察荷电状态。然而，各类方法在精度、实施成本、算法复杂度以及对环境条件和电池老化的敏感性方面均存在局限。实际应用中，电动汽车集成的电池管理系统（Battery Management System, BMS）常采用多种估计技术的混合方法，以提高荷电状态评估的可靠性和准确性。
准确估计电池荷电状态对于避免过充和过放风险、延长电池寿命以及确保最优续航里程管理至关重要。荷电状态无法直接测量，必须综合考虑容量、电压、电流和温度等因素，而电池老化及驾驶条件（包括温度和湿度波动）显著影响这些参数。电动汽车采用率的不断提高为产业、研究和技术创新带来了一系列挑战与机遇，有效的电池管理是其中核心挑战。
## 主要技术方法
研究人员采用**二阶戴维南（Thévenin）等效电路模型**描述电池动态行为，该模型包含理想开路电压源、欧姆内阻、两个极化电阻及两个极化电容，分别表征电化学极化和浓度极化现象。模型输入变量为电池电压、电流和温度，输出变量为荷电状态；耗散功率（电压-电流乘积）作为附加能量信息纳入模型，以反映内部损耗和运行状态变化。
在**深度学习模型构建**方面，研究人员开发了两种架构：一是**长短期记忆网络（LSTM）**，其为特殊类型的循环神经网络（Recurrent Neural Network, RNN），通过遗忘门、输入门和输出门三个门控机制捕获时间序列中的长期依赖关系；二是**门控循环单元（GRU）**，作为LSTM的简化变体，结构更为轻量。两种模型均采用四层架构，激活函数为双曲正切函数（tanh），最大训练轮数设为200轮，早停 patience 为50轮，批量大小为32，采用ADAM优化器（权重衰减系数1×10
-4），学习率设为5×10
-4。性能评价指标采用均方误差（Mean Squared Error, MSE）和均方根误差（Root Mean Squared Error, RMSE）。
在**嵌入式原型实现**方面，研究人员设计了基于Arduino IoT Cloud的数据采集与传输系统，将电池监测数据实时上传至云平台，实现荷电状态的远程监控与管理。
## 研究结果
**输入参数特征分析**
训练所用前500组数据呈现了输入参数的联合演化特征。电压输入在9.5 V至12 V范围内显著波动，单独依靠电压进行荷电状态估计存在困难；电流在1.8 A至3 A之间强烈波动，显示不稳定或噪声行为；温度在28°C至40°C范围内变化，该变异性会影响电池性能并影响荷电状态估计，尤其在非洲高温环境下，温度升高通过四种机制干扰估计：表观容量急剧增加、内阻降低、加速老化以及电池管理系统温度补偿缺失导致的误差；耗散功率在18 W至34 W之间显著变化，源于可变充电工况。
**模型预测性能**
实际荷电状态与模型预测值的对比曲线显示，两者总体上较为接近，尽管存在部分偏差，特别是在模拟初期。这证实了LSTM和GRU模型即使在输入信号变化的条件下，仍能有效估计荷电状态。
**实验放电循环分析**
实验数据记录了约600分钟完整放电周期内的电池行为。电压曲线从初始约13 V逐渐下降至截止电压9.5 V左右，呈现快速初始下降、较线性阶段及相对稳定平台期的非线性特征。电流呈阶梯式下降模式，从约1 A逐步降至0.6 A、0.4 A直至0.2 A，可能与可变负载或特定测试协议相关。温度自100分钟起逐渐升高，约200分钟时达到39°C峰值，随后逐渐降低并稳定在34°C左右，该变化与放电电流及内阻引起的热耗散相关。荷电状态从100%逐渐降至约60%，下降速率非严格线性，初期较快后期较慢，偶发性上升可能对应放电中断或恢复阶段。
**模型对比结果**
GRU模型在准确率（83.6%）、均方误差（0.0715）和均方根误差（0.2589）方面均优于LSTM模型（准确率80%）。GRU模型具有更轻量的结构优势，推理时间为3.2 ms，短于LSTM的4.5 ms，在满足强实时性约束条件下（均方绝对误差<2%）为推荐模型；而LSTM在均方绝对误差<1.5%且温度为450°C时保留优势。
研究人员特别指出，传感器噪声会阻碍GRU的有效学习，且当温度显著升高（40–45°C范围）时模型遗忘较快；GRU并非纯物理过程，需要非常动态、实时的训练以维持精度，因此有必要创建混合系统以获得更优结果。GRU模型在训练时间（206 s）与参考模型（204 s）接近的情况下，实现了更高的准确性和更低的均方根误差，证实其能够有效捕获电压、电流和温度信号的非线性动态，同时保持比LSTM更简单的结构。
## 讨论与结论
研究人员总结了五项未来研究方向：一是对现有文献中的机器学习模型进行比较研究并进行实验验证；二是利用智能方法优化LSTM和GRU参数以提出最优混合版本；三是扩展不同温度场景下的分析窗口，以便与卡尔曼算法等其他方法更好比较；四是基于主要电动汽车制造商的标准化数据开展实验研究；五是将健康状态（State of Health, SOH）老化和温度自校准纳入模型以提高精度，并提出符合ISO 12405标准的电池管理系统，满足550°C等封闭环境温度要求。
**研究结论**：本文设计了能够实时评估并向云平台传输电动汽车电池荷电状态的嵌入式系统，优化了能源消耗和数据可靠性。研究开发了LSTM和GRU两种深度学习模型，并构建了实验原型进行验证。GRU模型以83.6%的准确率、0.0715的均方误差和0.2589的均方根误差表现最优，验证了所提方法在实际应用中进行智能荷电状态估计的相关性。该工作为算法优化、嵌入式系统微型化、工业集成以及电动汽车电池荷电状态实时监测控制系统的大规模商业化提供了坚实基础，有助于推动汽车行业的可持续发展。
