邱健蓄电池基于神经网络辅助卡尔曼滤波的电动汽车电池荷电状态鲁棒估计

准确的荷电状态（SOC）估测对于确保电动汽车（EVs）中锂离子电池的安全性、性能和使用寿命至关重要。然而，由于电池的非线性动态特性及其对温度、老化和读档变化的敏感性，实现可靠的估测仍具挑战性。本文在先前报道的架构基础上，引入两种扩展的KalmanNet架构，将神经-卡尔曼滤波框架进一步延伸，从而提升估测精度、鲁棒性和计算效率。所提出的模型将神经卡尔曼增益学习器与自校正等效电路模型（ECM）相结合，以自适应推断系统状态。在统一建模与测试框架下，三种KalmanNet架构与扩展卡尔曼滤波器（EKF）、sigma点卡尔曼滤波器（SPKF）、粒子滤波器（PF）以及近期混合方法与深度学习（DL）方法进行了基准对比。通过多电池单元和动态驾驶循环的综合实验，评估了模型在传感器噪声、温度变化、老化导致的参数失配及外部干扰等条件下的鲁棒性。基于德州仪器C2000微控制器的处理器在环（PIL）验证证实了其实时可行性。结果表明，KalmanNet在保持低计算成本的同时，实现了卓越的精度与鲁棒性，确立了其作为电动汽车新一代能源管理系统（EMS）中可扩展且具备实时能力的状态估计框架的地位。

引言

电池荷电状态（SOC）估算是能源管理系统（EMS）中用于监测和控制电动汽车（EV）电池使用的关键组件。准确的SOC估算有助于防止过充和过放，从而延长电池寿命并确保更安全的运行。此外，它还能提供剩余电量信息，这对于避免车辆意外停驶至关重要。然而，SOC估算本质上具有挑战性，因为它依赖于温度、充放电速率、滞后效应和老化等多种因素[1]、[2]、[3]、[4]、[5]、[6]。
基于模型的估计方法历来是SOC跟踪的基石技术。扩展卡尔曼滤波器(EKF)因其实时能力与适中的读档需求[7][8][9]而持续被广泛采用。然而该方法对模型参数不确定性极为敏感——如文献[7]提出的鲁棒EKF所示，其通过状态扩增试图缓解该问题；但该方案仅通过电池模拟器验证且缺乏实验数据支持，同时未能区分不同类型的模型不确定性。其他研究，例如采用联合移动视界估计的文献[10]和运用鲁棒滑模观测器的文献[11]，虽然解决了参数不确定性与老化问题，但未评估其对传感器噪声、外部干扰或计算读档的鲁棒性，这限制了其实际应用价值。此外，许多传统方法依赖精确的等效电路模型（ECMs），这类模型需要准确参数化才能反映电池动态特性。然而，等效电路模型在电池老化时性能会下降，且对温度变化敏感，因此需要通过补偿机制来维持估计精度[12][13]。
研究表明，通过采用无迹卡尔曼滤波器（UKF，亦称Sigma点卡尔曼滤波器SPKF）和粒子滤波器（PF）等先进滤波技术，可显著提升系统在非线性和不确定工况下的鲁棒性，相关验证参见文献[12]、[14]、[15]、[16]。其中UKF无需依赖局部线性化即可更有效地捕捉非线性系统动态特性，而PF尤其适用于存在非高斯噪声与高不确定性的系统。然而，现有采用此类滤波器的研究[12][14][15]多数未能在温度波动、传感器噪声、外部干扰及老化引起的参数失配等关键实际工况下进行严格评估。
近期研究越来越多地采用神经网络（NN）与深度学习（DL）技术进行SOC估计，利用其建模复杂非线性电池动态的能力，而无需依赖限制级物理方程[17][18][19][20][21][22][23][24]。其中，神经网络高斯过程（NNGP）[22]和门控循环单元-循环神经网络（GRU-RNN）[24]相较于传统基于模型的滤波器，在预测精度上展现出显著提升。通过贝叶斯超参数调优优化的双向长短期记忆网络（BiLSTM）框架实现了低于2%的均方根误差（RMSEs），但代价是较高的计算需求和大量训练数据集[25]。结合注意力机制与温度补偿的进一步改进提升了精度[26]，但在老化、噪声及干扰条件下的评估仍显不足。近期，基于Transformer架构的模型（如时序Transformer序列网络TTSNet）已在多种驾驶循环工况下实现了低于1%的均方根误差[27]，但仍面临泛化能力、训练复杂度与计算效率方面的挑战。
融合深度学习与传统滤波技术的混合SOC估计方法，在非线性建模能力与估计鲁棒性之间实现了有效平衡。诸如LSTM–PF [28]、中心差分卡尔曼滤波–带外生输入的非线性自回归网络(CDKF–NARX) [29]、极限梯度提升–自适应容积卡尔曼滤波(XGBoost–ACKF) [30]、LSTM–UKF [31]、自编码器–长短期记忆网络(AE–LSTM) [32]以及LSTM–ACKF [33]等方法，通过将神经网络的学习能力与卡尔曼滤波器族的递归稳定性相结合，已实现较高的估计精度。然而，这些框架大多未在传感器干扰、温度波动、老化引发的参数漂移或嵌入式硬件限制等关键实际工况下进行验证，从而制约了其工程化应用。
近期研究[34][35]提出将神经网络(NNs)嵌入卡尔曼滤波框架的KalmanNet方法，通过单一架构和电池单体在有限条件下实现荷电状态(SOC)估计。然而由于缺乏干扰工况、老化效应和实时性约束下的验证，其潜力尚未得到充分挖掘。同时实现高精度、强鲁棒性和计算效率，仍是电池管理研究领域的重大挑战。基于前期研究[34][35]，本文开发了两种扩展原始框架的KalmanNet架构。尽管KalmanNet最初是为信号处理[36][37]设计，后经改进应用于电池领域[34][35]，但其在实际工况变化下的可靠性尚未得到全面验证。所提模型通过增强对多电池单体在不同工况（包括测量噪声、温度波动、外部干扰及老化）下的适应能力，显著提升了系统的鲁棒性和估算精度。处理器在环（PIL）验证通过统一基准测试，在现实电动汽车场景下对比了扩展卡尔曼滤波器（EKF）、Sigma点卡尔曼滤波器（SPKF）、粒子滤波器（PF）以及最新混合型与深度学习基估计器的实时可行性。本文主要贡献可归纳如下：

• •
  本文首次提出两种基于KalmanNet的电池荷电状态(SOC)估算新架构，扩展了先前研究中的框架。所提模型通过将神经卡尔曼增益学习器与自校正等效电路模型(ECM)相结合，显著提升了估算精度、鲁棒性和计算效率。
• •
  开发了仅需电压和电流测量值的训练框架，无需真实卡尔曼增益数据作为监督信号。
• •
  采用标准电动汽车行驶工况、多电池单体、温度变化、老化效应、传感器噪声、外部干扰、参数失配和计算负载等实验数据，对所提方法进行了全面验证。
• •
  KalmanNet在统一的建模与测试框架下与扩展卡尔曼滤波器(EKF)、Sigma点卡尔曼滤波器(SPKF)以及粒子滤波器(PF)进行基准测试，确保公平比较与评估一致性。该研究还将其性能与近期混合方法及基于神经网络的方法进行对比，解决了现有文献中存在的评估不一致性问题。
• •
  通过C2000微控制器上的处理器在环(PIL)测试，验证了该方案的实时可行性，证实了所提出的KalmanNet架构在嵌入式电池管理系统中的可部署性。