基于模型与数据驱动方法的真实世界磷酸铁锂电池组荷电状态估计

《Applied Energy》：State of charge estimation of real-world lithium iron phosphate battery packs combining model-based and data-driven approaches

　　

准确估计真实世界电动汽车（EVs）中大型电池组的荷电状态（SOC）对于预测剩余里程和提高电池利用效率至关重要。然而，由于复杂的运行条件和电池单体间不一致性，这仍然具有挑战性，特别是对于具有平坦开路电压（OCV）平台的磷酸铁锂（LFP）电池组。因此，本研究提出了一种结合模型与数据驱动方法的LFP电动汽车电池组SOC估计方法。首先，通过结合满充识别、反向安时积分（AHI）和平台区外的基于OCV的校准，获得高可靠性的标记SOC。研究人员提出了一种具有多偏差AHI序列的特征增强策略以提高特征表示能力。然后，研究人员开发了一种结合卷积神经网络和门控循环单元（CNN-GRU）的混合模型，以在充电过程中准确估计电池SOC。最后，研究人员利用充电段结束时的估计结果初始化自适应扩展卡尔曼滤波器（AEKF），该滤波器集成了电池组模型和在线参数识别策略，以在复杂动态放电条件下实现准确的SOC估计。与其他常用机器学习方法的对比以及对CNN-GRU和AEKF的消融研究凸显了所提方法在保真度和实用性上的优越性。结果表明，在最优参数组合下，基于均匀偏差分布，所提方法的均方根误差（RMSE）为1.09%。两种偏差生成方法中超过97%的估计值的绝对误差小于3%。这项工作为LFP电池系统在现场应用中的状态估计和预测提供了重要见解。

论文解读文章

研究背景与问题：随着能源转型和环境保护需求日益迫切，电动汽车（EV）中的磷酸铁锂（LFP）电池因其热稳定性好、循环寿命长和成本效益高而广泛应用。然而，LFP电池在大范围荷电状态（SOC）内具有平坦的开路电压（OCV）平台，导致OCV校准在大部分SOC区间失效，难以获得准确的初始SOC。同时，真实世界EV运行条件复杂，电池单体间存在不一致性，且超过40%的充电过程未达到满充状态（基于数据统计），消除了通过满充校准消除累积误差的条件。现有方法（如安时积分（AHI）法、传统模型法或纯数据驱动法）在大型LFP电池组上精度不足或依赖实验室环境。为此，研究人员开展本研究，提出一种结合模型与数据驱动方法的SOC估计方法，旨在解决大型LFP电池组在实际应用中的SOC估计难题。论文发表在《Applied Energy》。

研究人员开展了什么研究：研究人员基于长安汽车提供的真实世界EV电池组运行数据（时间跨度约10个月，包含112个LFP单体串联、标称容量52.5 Ah的电池组），提出了一种结合满充识别、反向AHI和平台区外OCV校准的高可靠性标记SOC获取方法。针对充电段，提出多偏差AHI序列特征增强策略，将SOC估计问题转化为偏差校正问题，并开发卷积神经网络-门控循环单元（CNN-GRU）混合模型进行充电段SOC估计。随后，利用充电段结束时的估计结果初始化带有遗忘因子的递归最小二乘自适应扩展卡尔曼滤波器（FFRLS-AEKF），实现动态放电条件下的闭环SOC估计。通过与其他机器学习方法（随机森林、XGBoost、CNN、GRU）对比以及CNN-GRU和AEKF的消融研究，验证了方法的保真度和实用性。主要关键技术方法：1）高可靠性标记SOC获取：结合满充状态识别（最大单体电压达3.65 V）、反向AHI（以满充点为初值反向积分）及平台区外（基于停车>2小时且电压不在平台区）的OCV查表校准，使用标称容量52.5 Ah（考虑±1.0 Ah偏差形成误差带，最大偏差<0.5%）；2）特征增强策略：基于均匀分布或高斯随机分布生成初始偏差范围±0.1内的多组AHI SOC序列，结合电流、总电压、平均温度、最小/最大单体电压作为特征，输出为偏差AHI SOC与标记SOC的差值；3）CNN-GRU混合模型：CNN层提取高维局部短时空间特征，双层GRU层（第一层64单元，第二层32单元）捕捉长时时间依赖，全连接层映射至SOC输出；4）FFRLS-AEKF模型：基于二阶RC等效电路模型（ECM），采用遗忘因子递归最小二乘（FFRLS）在线辨识ECM参数（欧姆内阻、极化电阻、极化电容），AEKF自适应调整噪声协方差矩阵Q和R，结合弱电池单体筛选策略（基于历史电压频率统计，识别最小/最大电压单体）进行电池组SOC加权融合。

研究结果：
5.1 不同特征集的SOC估计方法精度比较：通过构建渐进式特征集（F1~F4为所提方法，F5~F8为传统方法），在测试月（1、4、7、10月）及8个固定偏差水平（±0.1、±0.075、±0.05、±0.025）下测试。所提方法（特征集F4：SOC_ah、电流I、总电压U_total、平均温度T_mean、最小单体电压V_min、最大单体电压V_max）的SOC估计误差分布紧密集中在零附近，而传统方法误差分布更分散。所提方法整体平均绝对误差（MAE）为1.02%，均方根误差（RMSE）为1.29%，比传统方法（F6）分别降低0.21%和0.30%，验证了多偏差顺序AHI特征增强策略的优势。
5.2 窗口大小和步长对估计结果的影响：基于特征集F4，测试不同窗口大小（5~200）和步长（2~20）的组合。结果表明，随窗口增大，MAE、RMSE和最大绝对误差（MaxE）均降低；最佳参数组合为窗口大小150、步长3，此时总体MAE=0.8%，RMSE=1.09%，MaxE=4.64%，模型具有优良的季节泛化能力和鲁棒性。
5.3 不同偏差条件下的SOC估计结果：基于最优参数组合，在测试月及均匀分布和Gaussian随机分布两种偏差生成模式下测试。所有偏差条件下MAE均低于1%，RMSE低于1.3%；在Gaussian随机偏差（最大偏差±0.171）下，MAE最低达1.863%。误差分布统计显示：在全SOC范围（>0%）内，均匀偏差与Gaussian偏差下绝对误差<2%的比例分别为91.65%和89.38%，>3%的比例仅2.07%和2.55%；在SOC>60%时，绝对误差<2%的比例达98.89%和96.37%，>3%的比例仅0.03%和0.68%，表明所提方法鲁棒性强、泛化性好。
5.4 不同机器学习模型对比：与单独CNN、单独GRU、随机森林（RF）、XGBoost对比。CNN-GRU模型在均匀分布和Gaussian分布测试下MAE分别比单独CNN和单独GRU降低0.39%/0.12%和0.29%/0.06%，RMSE降幅类似，且显著优于缺乏时序建模能力的RF和XGBoost。计算成本方面，CNN-GRU模型参数量26,001，单步估计耗时1.69毫秒（基于Intel Xeon Platinum 8370C CPU），浮点运算量（FLOPs）4.2×10⁶，具有实时应用潜力。
5.5 全运行条件下的SOC估计：利用充电段结束时的SOC估计值初始化FFRLS-AEKF，进行动态放电条件下的闭环估计。在8个随机偏差条件下，充电段总体MAE=0.46%、RMSE=0.585%；动态放电段总体MAE=0.74%、RMSE=0.74%。当充电段结束时SOC误差较小时（如0.1%），动态段MAE/RMSE为0.30%/0.38%；当误差较大时（如1.55%），AEKF利用非平台电压区间进行校正，MAE/RMSE分别为0.95%/1.01%。与FFRLS-EKF（无自适应）及AHI法对比，CNN-GRU+AEKF在动态段MAE=1.45%、RMSE=1.55%，优于其他组合（AHI: MAE=1.87%, RMSE=1.89%; EKF: MAE=1.81%, RMSE=1.83%），验证了模型-数据混合策略的有效性。

总结讨论与结论：讨论部分指出，所提方法在电池老化严重条件下的验证受限于数据时间跨度（约10个月，容量衰减约2.0 Ah），未来需基于更长时期的老化数据进一步验证。研究结论翻译（来自论文第6节）：为了解决真实世界车辆中大型LFP电池组在随机复杂运行条件下SOC估计的挑战，本研究提出了一种基于充电段和模型-数据组合的SOC估计方法。通过结合满充识别、反向AHI和基于OCV的修正，获得了高可靠性的标记SOC。在充电阶段，引入了多偏差AHI特征增强策略，通过故意生成包含误差的训练数据，提高了模型精度和泛化能力。该方法实现了MAE为1.02%、RMSE为1.29%，相比传统方法分别降低0.24%和0.36%。在最优参数组合下，两种偏差生成模式下95.16%和93.95%的估计误差小于2%，表明充电结束时SOC估计准确。此外，利用充电条件下的SOC估计结果初始化AEKF，实现在动态放电条件下具有小初始误差的闭环估计，动态工况下MAE小于1.4%、RMSE小于1.5%。与其他常用机器学习方法的对比及对CNN-GRU和AEKF的消融研究也展示了所提方法在保真度和实用性上的优越性。