[锂离子电池管理系统级联SoC-SoH深度学习框架的实验评估]

《Electronics》：Experimental Evaluation of a Cascaded SoC–SoH Deep Learning Framework for Lithium-Ion Battery Management Systems

　　

电池状态指标的准确估计，特别是荷电状态和健康状态，仍然是先进电池管理系统（BMS）的一项基本要求，直接影响安全性、可靠性、运行效率和电池寿命。深度学习的最新进展在单独进行SoC估计和SoH分类方面显示了有前景的结果；然而，SoC估计误差对后续SoH分类的影响受到的关注有限。研究人员调查了准确估计的SoC信息是否能有效支持数据驱动的SoH分类，并量化了级联电池诊断框架中不确定性的传播。提出了一种结合基于LSTM的SoC估计和基于ResNet的SoH分类的两阶段深度学习架构，并使用三个锂离子电池数据集进行了评估。SoC估计阶段使用两个实验数据集（LG Chem E66和Panasonic NCR18650PF）进行评估，而SoH分类和不确定性传播分析则使用经过验证的电池仿真模型生成的GS Yuasa LEV50数据集进行。为了提高时间特征提取和噪声鲁棒性，纳入了基于巴特沃斯和指数移动平均（EMA）滤波器的信号预处理。实验结果实现了低至1.46%的SoC估计误差，并且在使用参考SoC值时SoH分类准确率达到94.23%。在SoH分类依赖于估计SoC值的现实操作条件下，准确率下降至79.65%。这些发现提供了对集成SoC-SoH管道中不确定性传播的定量评估，并证明仅仅高度准确的SoC估计并不一定能保证同等的SoH分类性能。该研究强调了级联数据驱动电池诊断的挑战和局限性，并为开发更可靠的智能BMS解决方案提供了见解。

研究背景方面，电动汽车的普及推动了电池管理系统（BMS，用于监控和管理电池状态的系统）的研究与发展。BMS的关键功能是准确估计电池状态参数，特别是荷电状态（SoC，剩余可用容量与最大容量的比值）和健康状态（SoH，相对于寿命开始时的电池退化程度），这直接影响电池安全性、可靠性、运行效率与寿命。传统估计方法多依赖电化学或等效电路模型，但在动态运行条件下常受限于电池的复杂性、老化机制和非线性行为。近年来，数据驱动方法如人工神经网络（ANN）、循环神经网络（RNN）、门控循环单元（GRU）和长短期记忆（LSTM，一种可捕捉长期时间依赖的RNN变体）网络因能直接从数据学习非线性关系而备受关注。然而，现有研究存在几个问题：多数模型基于单一数据集开发，泛化能力受限；信号预处理策略对深度学习估计器的影响未受重视；且多数研究独立评估SoC与SoH，忽略了两阶段间的不确定性传播。Wu等人提出BiLSTM-SA框架探索联合估计，Wei等人发现电池老化显著影响SoC估计。基于此耦合关系，研究人员开展了一项实验性数据驱动框架研究，结合基于LSTM的SoC估计与基于残差神经网络（ResNet，通过引入残差连接缓解梯度消失问题的网络）的SoH分类，系统评估了信号预处理、模型选择和数据集多样性对估计性能的影响，并重点分析不确定性传播。研究得出，高度准确的SoC估计并不一定能保证同等的SoH分类性能，级联诊断框架的可靠性取决于各阶段间信息传输的鲁棒性。该研究为开发更可靠的智能BMS提供了见解，论文发表在《Electronics》。

关键技术方法方面，研究人员主要采用数据预处理与深度学习模型相结合的方法。数据预处理采用一阶巴特沃斯低通滤波器和指数移动平均（EMA）滤波器衰减高频噪声，并辅以Z-score标准化。SoC估计采用单隐藏层LSTM网络，使用Adam优化器，并以带内准确率（WBA，预测值落在±3%误差带内的比例）为评估指标；SoH分类采用一维ResNet架构。样本队列来源涵盖三个锂离子电池数据集：实验数据集LG Chem E66（包含12个66 Ah软包电池）与Panasonic NCR18650PF（2.9 Ah圆柱电池）用于SoC评估；基于验证仿真模型的GS Yuasa LEV50数据集用于SoH与不确定性传播分析。

研究结果部分内容如下：
3.1. LG-CHEM 66 Results
通过在LG Chem E66数据集上对比不同输入配置与网络架构，得出结合原始测量值与巴特沃斯滤波信号的配置5实现了最高整体性能，平均容差准确率达72.28%。在正温度条件下达84.48%。结果表明，信号预处理对性能的影响大于网络复杂度的增加。但在未见过的负温度条件下，带内准确率降至40.56%，表明模型对训练域外的温度条件极为敏感。

3.2. PANASONIC 18650 Dataset
通过在Panasonic数据集上保留并微调原LSTM架构，应用Z-score标准化与预滤波信号处理，评估了所提架构在独立数据集上的可重用性及其在原始训练域外的适用性。

3.3. PANASONIC 18650 Results
通过在Panasonic 18650测试集上评估模型，得出总体估计容差准确率达98.54%。预测误差集中在零附近且多处于±3%误差范围内，表明模型行为稳定。这同时印证了数据质量与预处理策略对SoC估计性能的重大影响。

3.4. SOH Estimation and Impact of SoC Prediction Errors
3.4.1. LEV50 Dataset and Data Preprocessing
通过对LEV50数据集应用类相关权重以补偿类不平衡，并对输入变量进行Z-score标准化，提升了模型的鲁棒性并减少了潜在偏差。

3.4.2. ResNet-Based SoH Classification Framework
通过构建包含输入块、两个残差块和分类块的一维ResNet架构，实现了从多变量电池测量中有效提取与退化相关的判别特征，同时缓解了深层网络的优化困难。

3.4.3. Training Procedure and Evaluation Metrics
通过设定分类交叉熵为损失函数并采用Adam优化器训练模型，以准确率、精确率、召回率和F₁分数为评估指标，确定整体分类准确率为主要性能指标。

3.4.4. SoH Classification Using Reference SoC Values
通过使用参考SoC值进行ResNet分类器评估，得出总体分类准确率达94.23%，所有类别的F₁分数均超过0.90。证明在SoC信息准确的情况下，ResNet能有效利用其进行健康状态分类。

3.4.5. SoC Estimation for the LEV50 Dataset
通过在LEV50数据集上实施LSTM估计阶段，得出结合温度测量与滤波信号的配置2实现了99.71%的总体SoC预测准确率，验证了该SoC估计器在仿真数据上的高精度。

3.4.6. SoH Classification Using Estimated SoC Values
通过用LSTM估计的SoC值替换参考SoC值进行级联分类测试，得出SoH分类准确率从94.23%降至79.65%。这表明即便SoC估计准确率高达99.71%，相对较小的中间估计误差仍会传播并严重影响下游SoH分类的决策过程。

讨论部分总结指出，当SoC信息准确时，ResNet架构能达到极佳的SoH分类性能，说明SoC包含与电池退化相关的信息。然而，用估计值替换参考值导致准确率降至79.65%，表明中间状态估计的微小偏差会对下游分类产生不成比例的影响。级联诊断框架的性能不能仅从单个组件的准确度评估，中间估计阶段的不确定性直接影响后续诊断的可靠性。

研究结论部分翻译如下：本研究调查了级联电池管理框架中SoC估计不确定性对下游SoH分类的影响。结果表明，当估计状态随后被下游诊断模型使用时，准确的SoC估计并不必然转化为同等的SoH分类性能。参考输入与估计输入的比较表明，级联电池状态估计系统的可靠性不仅取决于单个模型的准确性，还取决于连续阶段之间信息传输的鲁棒性。在所评估的架构和数据集中，信号预处理和输入表示也对估计性能有重大影响。从实际BMS的角度来看，在设计级联数据驱动诊断系统时必须考虑不确定性传播。在评估后续电池健康决策的可靠性时，应考虑中间估计误差。本研究的主要局限性在于SoH不确定性传播分析使用了验证的仿真数据集而非实验老化数据。未来的工作应使用真实的电池老化数据集评估所提出的级联框架，并研究明确考虑中间状态不确定性的方法，包括联合SoC-SoH学习策略。