融合深度学习与自适应卡尔曼滤波的锂离子电池荷电状态闭环估计

《Journal of Energy Storage》:A closed-loop state of charge estimation of lithium-ion batteries by integrating deep learning and adaptive Kalman filter

【字体: 大 中 小 】 时间:2026年09月21日 来源:Journal of Energy Storage 10.7

编辑推荐:

   • 该方法融合了时域和频域信息以捕获SOC的关键特征。 • 所设计的闭环SOC估计框架提高了在测量噪声和系统不确定性条件下的鲁棒性。 • 所提出的方法能够在宽温度范围内精确估计动态SOC。 ## 引言 在非可再生传统能源危机和温室效应等挑战的背景下,电动汽车(EV)凭借其

  

• 该方法融合了时域和频域信息以捕获SOC的关键特征。
• 所设计的闭环SOC估计框架提高了在测量噪声和系统不确定性条件下的鲁棒性。
• 所提出的方法能够在宽温度范围内精确估计动态SOC。

## 引言

在非可再生传统能源危机和温室效应等挑战的背景下,电动汽车(EV)凭借其零排放和低能耗优势迅速崛起[1]。锂离子电池因具有高能量密度、高充电效率和长寿命而广泛应用于电动汽车[2]。为确保电池的长期安全可靠运行,有必要开发智能电池管理系统(BMS),实时采集和监控动力电池组的各种数据并进行实时控制。荷电状态(SOC)定义为电池相对于参考值的剩余容量,是BMS的基本状态之一[3]。准确的SOC估计对于电动汽车的充放电控制、剩余续航里程预测和故障诊断至关重要[4]、[5]、[6]。然而,SOC无法直接测量,只能通过可测量变量间接估计。

目前,SOC估计方法包括直接估计法、建模法和数据驱动法[7]。直接估计法包括安时积分(CC)法[8]、[9]、开路电压(OCV)法[10]、[11]和电化学阻抗谱(EIS)[12]。CC法通过对电流随时间积分来计算SOC,其性能受电流采样精度和电流漂移的影响,误差会随时间积累。OCV方法利用特定的OCV-SOC关系,但受限于电池需达到循环结束电压去极化才能准确获取OCV值的要求,不适合单独直接使用。EIS通过测量不同频率下的电池阻抗来估计SOC[13],但受设备要求限制,难以在车载系统中实现。

由于锂电池运行过程中内部反应复杂,基于模型的方法采用电化学模型(EM)[14]或等效电路模型(ECM)[15],结合滤波器或观测器来表征电池内部特性以进行SOC估计。EM基于多孔电极和溶液浓度理论,能够反映复杂的电化学机制,但涉及计算量大的过程[16]。ECM使用电子元件模拟电池的欧姆内阻和极化内阻[15],将模型电压与实测电压之间的差异作为反馈来校正SOC估计,是最常用的电池建模方法。Fang等人[17]使用ECM和扩展卡尔曼滤波器(EKF)估计SOC,基于KF的方法具有适应性和低计算复杂度,被广泛用于SOC估计。然而,EKF假设噪声为已知的高斯白噪声,并通过简化泰勒级数展开来近似计算,这可能降低估计精度。作为改进版本,自适应扩展卡尔曼滤波器(AEKF)[18]、无迹卡尔曼滤波器(UKF)[19]和容积卡尔曼滤波器(CKF)[20]以增加计算复杂度为代价提高了估计精度和鲁棒性。由于实际工况下的噪声不确定,粒子滤波器(PF)[21]和H-∞滤波器(HIF)[22]方法不依赖于噪声的统计假设,可以提高模型在真实场景中的适应性。电池建模精度决定了基于模型的准确性,开发适用于不同场景的模型具有挑战性。对于磷酸铁锂(LFP)电池,平坦电压平台区域中OCV随SOC变化极小,进一步增加了SOC估计的难度。

随着人工智能的进步和硬件计算能力的提升,数据驱动方法已被广泛应用于多个领域[23]、[24]、[25]。对于电池SOC估计,此类方法通过分析大量实测数据直接建立输入变量与SOC之间的映射关系[26],直接学习电池的内部动态特征。常用的机器学习方法包括支持向量机(SVM)[27]、高斯过程回归(GPR)[28]、[29]和极限学习机(ELM)[30]。深度学习模型具有更强的特征学习能力,能够适应更复杂和动态的SOC估计场景。Yang等人[31]采用长短期记忆(LSTM)网络估计电池SOC,其精心设计的门控机制缓解了循环神经网络(RNN)在长序列预测中的梯度消失问题,取得了优异的估计结果。时间卷积网络(TCN)[32]在处理长数据序列时避免了基于RNN算法耗时的顺序计算。其广泛的感受野和并行处理能力使其能够快速处理长度输入数据。Guo等人[33]比较了TCN、LSTM和门控循环单元(GRU)的SOC估计结果,TCN取得了相当准确且鲁棒性更好的结果。

近年来,将基于模型的方法与机器学习相结合,或组合多种学习算法的混合方法在电池状态估计中备受关注。通过利用各种方法的优势,实现了更准确和鲁棒的SOC估计。Shah等人[34]提出了一种结合位置编码注意力机制与LSTM网络的SOC估计方法。注意力机制有助于克服LSTM在捕获长序列全局关系方面的局限性,实现不同条件下准确的SOC估计。Bao等人[35]引入了一种时间Transformer网络(TTSNet)用于SOC估计,该网络从原始数据中提取独立分支的特征,并使用基于注意力的特征融合模块促进跨分支信息交互。随后引入卡尔曼滤波器(KF)对输出进行平滑处理,进一步提高估计精度。Wang等人[36]采用图卷积网络(GCN)捕获过程间的相似性,同时利用多头注意力识别序列内的相关性,取得了出色的SOC估计性能。Li等人[37]构建了反映电池内部特性的二阶ECM,采用PSO算法进行参数辨识以计算每个时间步的OCV值。随后使用TCN模型直接学习OCV-SOC关系。与单一TCN模型相比,混合方法在不同温度下展现出优越的SOC估计能力。

尽管电池SOC估计取得了显著进展,但仍面临若干挑战。一方面,模型未充分利用电池数据中丰富的频域信息。傅里叶变换可以将输入数据分解为不同的频率分量,通过不同网络对低频和高频数据分别建模。然而,这种方法会导致频谱混叠和特征冗余,降低估计精度同时需要大量计算资源。另一方面,在实际工况下,采集的电池数据包含噪声,导致电流快速变化时估计误差增大。同时,基于深度学习的SOC估计方法属于开环估计技术;当输出结果异常时,无法进行及时反馈校正。

针对上述挑战,本研究提出了一种结合深度学习与滤波的闭环SOC估计方法。该方法首先通过将频率通道注意力机制(FECAM)集成到TCN中构建混合深度学习模型以获得含噪SOC观测值。具体而言,TCN凭借其扩展因果卷积架构和并行计算优势,能够从电池历史数据中高效提取特征;FECAM采用离散余弦变换(DCT)进行频域特征提取。随后,为进一步提高估计精度和异常值抵抗能力,利用噪声自适应卡尔曼滤波器(AKF)对含噪SOC观测值和预测值进行闭环SOC估计。主要贡献如下:

1. 提出了一种融合时域和频域信息的多层次特征提取方法,增强了对电池动态行为的表征能力。通过将FECAM集成到TCN架构中,模型能够捕获频域信息并促进跨通道维度的信息交换。

2. 设计了一个闭环SOC估计框架。该架构将深度学习模型估计的SOC作为卡尔曼滤波器的观测输入,并融入噪声自适应机制以进一步增强模型的鲁棒性。

3. 实现了鲁棒的SOC估计。所提出的TCN-FECAM-AKF方法在不同环境温度下展现出优异的估计精度。

## 章节片段

### 时间卷积网络

时间卷积网络是卷积神经网络的增强版本,利用膨胀因果卷积作为基本特征提取单元,实现对输入数据的高效特征提取。如图1所示,膨胀卷积通过调整采样间隔,使模型以更浅的深度覆盖更长的历史数据跨度。设输入序列为X。时间步t处的膨胀卷积运算G定义为:

$$G_t = \sum_{i=0}^{k-1} w_i \cdot X_{t - i \cdot d}$$

其中,d表示膨胀因子。当d=1时为因果卷积,d>1时为膨胀因果卷积。膨胀卷积通过增大膨胀因子d来扩展感受野,同时保持网络深度不变。

### 数据集

为确保数据与真实驾驶场景一致,本研究使用了马里兰大学高级生命周期工程中心(CALCE)公开发布的电池数据[40]。该数据集使用的电池参数见表1。

本研究采用三种驾驶循环——动态应力测试(DST)、高速驾驶规程(US06)和联邦城市驾驶规程(FUDS)——在六种温度条件下对LFP电池进行放电测试。

### 固定温度下TCN-FECAM模型性能

在固定环境温度下,模型仅使用单一温度进行训练和测试。实验中,三种工况中的两种用于训练模型,剩余一种作为测试集。图7展示了TCN-FECAM模型在25°C和0°C固定温度下的SOC估计结果。由于固定温度下可用训练样本数量有限,当模型

## 结论

本工作引入了一种用于锂离子电池SOC估计的闭环TCN-FECAM-AKF混合模型。得益于TCN巧妙的结构设计和并行计算能力,该模型从历史电流、电压和温度数据中高效提取特征。FECAM嵌入TCN架构中,以捕获跨频域通道维度的关键特征。随后,所构建的深度学习模型输出的SOC被作为含噪

## CRediT作者贡献声明

Hao Tu:撰写初稿,可视化,验证,软件,方法论,调查,数据整理,概念化。
Fanyong Cheng:撰写-审阅与编辑,监督,方法论,概念化。
Miao Li:撰写-审阅与编辑。
Yeting Wen:撰写-审阅与编辑。

## 原创性与未发表声明

作者声明本稿件为原创,未在别处发表。

## 作者同意

所有作者均已确认并同意提交本稿件,并已阅读并批准最终版本。

## 利益冲突声明

作者声明不存在可能影响本论文中报告工作的已知竞争性财务利益或个人关系。

## 致谢

本工作部分得到高端压缩机及系统技术国家重点实验室开放基金(SKL-YSJ202513)、储能电池动态寿命预测新技术开发(编号:KH10003598)、安徽省电动汽车驱动与控制重点实验室开放项目(编号:DQKJ202304)、安徽省教育厅新时代教育质量工程项目(编号:2023dshwyx019)、安徽省研究生教育质量工程项目资助。

Hao Tu | Fanyong Cheng | Miao Li | Yeting Wen
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号