基于内部压力特征与双注意力机制LSTM的锂离子电池宽温域荷电状态估计

《CHAIN》：A multi-physical feature-driven LSTM network with dual attention for a wide-temperature-range SOC estimation of LFP batteries

　　摘要：由于锂离子电池具有平坦的开路电压(OCV)平台区和显著的温度敏感性，在宽温度范围内准确估计锂离子电池的荷电状态(SOC)仍然是一个挑战。为了解决这一问题，提出了一种将内部压力特征与双注意力机制相结合的长短期记忆(LSTM)网络。引入测量的内部压力作为新的物理观测量，以补偿锂离子电池电压平台区SOC识别信息的缺乏。该模型联合学习内部压力、温度、电压和电流。LSTM的门控机制捕捉了这些多源信号与SOC在宽温度条件下的动态耦合关系，而双注意力机制进一步提高了估计精度和可解释性。在自数据集上的实验表明，该方法在25°C、35°C和45°C下分别实现了1.44%、1.14%和1.34%的均方根误差(RMSE)。在域适应测试中，仅使用目标温度15%的样本进行微调，在35°C和45°C下分别实现了1.55%和1.97%的RMSE。在公开的美国国家航空航天局(NASA)数据集上进行跨域验证，仅使用目标域10%的样本进行微调，RMSE为6.25%，r2为0.9339。消融研究证实了内部压力特征的独特贡献。本工作为锂离子电池SOC估计提供了一个鲁棒、可解释且高精度的框架，为更安全、更可靠的电池管理系统铺平了道路。