《Applied Sciences》：Hybrid Electro-Thermal and FNN Framework for Joint SoC, SoH Estimation and Lifetime Prediction of Lithium-Ion Batteries in Electric Vehicles
编辑推荐：
改进锂离子电池的性能和寿命是电动汽车发展的关键挑战。然而，由于这些储能系统涉及电、热和老化现象，准确估计荷电状态（SoC）、健康状态（SoH）和寿命周期仍然复杂。在此背景下，研究人员提出了一种混合方法，将电热模型与前馈神经网络（FNN）相结合，以在0 °C至4
改进锂离子电池的性能和寿命是电动汽车发展的关键挑战。然而，由于这些储能系统涉及电、热和老化现象，准确估计荷电状态（SoC）、健康状态（SoH）和寿命周期仍然复杂。在此背景下，研究人员提出了一种混合方法，将电热模型与前馈神经网络（FNN）相结合，以在0 °C至40 °C的温度范围内改进锂离子电池关键性能指标的估计。所开发的方法在MATLAB/Simulink中实现，并应用于车辆功率曲线以及SoC、SoH和电池寿命周期的演变分析。结果表明，荷电状态（SoC）估计的准确率为95.3%，平均绝对误差为4.7%；健康状态（SoH）估计的准确率为95.8%，平均绝对误差为4.2%；寿命周期预测的准确率为92.5%，平均绝对误差为7.5%。性能结果证明了所提出方法的鲁棒性及其在代表非洲气候条件下复现电池动态行为的能力。这一贡献为优化电池管理系统和推进电动出行的可持续发展开辟了有前景的途径。
论文解读
电动汽车的发展正应对当前的能源与环境挑战，锂离子电池作为其核心储能部件，其性能与寿命直接影响整车表现。然而，电池内部的电化学过程、热效应与老化机理相互耦合，使得荷电状态（State of Charge, SoC）、健康状态（State of Health, SoH）及寿命周期的准确估计十分困难。现有研究多采用电化学模型、等效电路模型或人工智能方法，但大多在温带气候条件下开发，且往往只针对单一性能指标。针对非洲地区高温气候特点，缺乏可同时估计多个关键指标的适应性模型。为此，研究人员提出一种将电热模型与前馈神经网络（Feedforward Neural Network, FNN）相结合的混合方法，在0 °C至40 °C温度范围内对锂离子电池的SoC、SoH和循环寿命进行联合估计。
研究人员利用二阶Thévenin等效电路构建电热模型，描述电池的电气与热特性；随后，将电压、电流和温度作为前馈神经网络的输入，输出SoC和SoH估计值。实验部分采用Arbin/BTS4000循环测试台对中国深圳产的3–5个MLS12/390电池进行测试，记录了1000个真实循环（45 °C，1 Hz采样频率）的电压、电流和温度数据。为扩展数据集，使用经过校准的电热模型（在最后100个真实循环上验证的均方根误差为2.3%）生成第1001至2500个循环的合成数据，并添加2%的高斯噪声。最终数据集包含250万点，其中40%为实验数据，60%为合成数据。神经网络结构为输入层5个特征，两个隐藏层各55个神经元，激活函数分别为tanh和Leaky ReLU，输出层使用clipped ReLU。评价指标包括平均绝对误差（Mean Absolute Error, MAE）和准确率。此外，还采用了加权回归算法（如自适应加权总体最小二乘AWTLS）辅助分析SoH退化轨迹。所有仿真均在MATLAB/Simulink环境中完成。
研究结果分为以下几个部分。4.1 车辆功率曲线分析：通过仿真模拟了电动汽车在行驶循环中的功率需求，观察到加速、稳态和减速阶段对应的功率波动，这些波动直接影响电池电流和内参数演化。4.2 电池负载曲线：记录了电池在车辆运行中所承受的负载变化，反映不同能耗水平，为SoC和SoH估计提供输入数据。4.3 荷电状态预测：MATLAB模型准确重现了充电和放电阶段的SoC变化趋势，Simulink仿真验证了数值稳定性，最终SoC估计准确率为95.3%，平均绝对误差为4.7%。4.4 健康状态预测：监测到电池可用容量随使用逐渐下降，符合锂离子电池自然老化规律。对比加权最小二乘（WLS）、加权总体最小二乘（WTLS）、总体最小二乘（TLS）和自适应加权总体最小二乘（AWTLS）算法，发现AWTLS估计最准确；Simulink仿真将热效应纳入退化机制，最终SoH估计准确率为95.8%，平均绝对误差为4.2%。4.5 电池寿命周期预测：寿命预测用于估计电池达到寿命终止阈值（SoH<80%）前的剩余循环数。预测值与参考值高度吻合，准确率为92.5%，平均绝对误差为7.5%。4.6 讨论：与近期文献相比，所提模型在SoC和SoH估计方面具有竞争力，且能适应0 °C至40 °C的温度范围。验证方案中，15%的循环（第2126至2500）未参与训练；跨温度测试中，在25 °C和35 °C训练、40 °C测试的数据上MAE_SoC仅为1.89%，并进行了每温度下的k折（k=3）交叉验证。4.7 挑战与未来展望：未来将进行模型实验验证，集成更先进的人工智能技术，例如优化LSTM和GRU参数并构建混合版本，同时考虑符合ISO 12405标准的BMS优化。
讨论部分总结认为，所提出的混合方法通过同时整合电热参数和神经网络，显著提高了SoC与SoH的估计精度，尤其适用于非洲高温气候。寿命预测的误差主要来源于复杂的热现象和老化机制，难以完全精确建模。研究结论如下：本研究提出了一种结合电热模型和前馈神经网络（FNN）的混合方法，用于估计电动汽车中锂离子电池的SoC、SoH和循环寿命。主要科学贡献包括：开发了适用于同时估计SoC、SoH和循环寿命的电热模型；集成前馈神经网络以提高估计精度；考虑了代表非洲气候条件的0 °C至40 °C温度范围；通过MATLAB和Simulink交叉验证增强了模型鲁棒性；有助于延长电池寿命并降低维护成本。从可持续发展角度看，该方法促进了储能系统更高效的利用，减少了电池过早更换，并推动了炎热气候地区电动出行的发展。MATLAB/Simulink仿真获得的SoC准确率为95.3%，SoH为95.8%，寿命预测为92.5%，表明该模型能在0 °C至40 °C范围内有效复现电池动态行为，为电池管理系统的改进和电动出行的可持续发展做出了重要贡献。
