Trojan电瓶MTKS-Mamba：基于Mambaformer的多任务知识共享网络联合电池状态估计

锂离子电池的荷电状态(SOC)与健康状态(SOH)精确估计对电动汽车至关重要。现有研究通常集中于单一状态估计，较少考虑其内在关联性。本文提出一种基于多任务知识共享网络(MTKSN)和混合深度学习架构Mambaformer的联合电池状态估计框架MTKS-Mamba。首先通过锂离子电池循环充放电老化实验，提取用于SOC与SOH估计的关键特征。随后，MTKSN探究SOC与SOH估计任务间的内在关联，通过相似卷积核实现跨层知识共享。最后引入Mambaformer架构，捕获时间序列中的长短程依赖关系以学习电池老化与充电行为特征。实验结果表明，所提方法能够精确估计锂离子电池的荷电状态（SOC）与健康状态（SOH），其中SOC估算的均方根误差（RMSE）与平均绝对误差（MAE）分别不超过1.18%和1.02%，SOH估算的RMSE与MAE分别不超过2.44%和1.78%，在精度与鲁棒性方面均优于现有方法。

引言

锂离子电池凭借其高能量密度、长循环寿命和低自放电率等优势，已成为电动汽车不可或缺的储能元件[1]。准确评估电池状态对电动汽车电池管理系统至关重要，尤其是保障其安全运行方面[2]。
决定电池性能和寿命的关键指标主要包括健康状态（SOH）[3][4]与荷电状态（SOC）[5][6]。SOH表征电池的健康状况[7]，用于量化其实际性能与寿命相对于设计规格的偏离程度。SOH下降可能意味着电池容量与性能衰减，将直接影响电动汽车的动力输出、充电速度和运行可靠性[8]。SOC则反映电池当前存储的电荷水平[9]，该指标关系到车辆续航里程和可用行驶距离。该指标作为剩余电量水平的主要表征参数，为驾驶员和车辆管理系统提供关键参考[10]。准确估算这些参数不仅能优化电池效率与性能，更直接影响电动汽车的运营安全[11]。电池状态估计方法主要分为三类：直接计算法[12][13][14]、基于模型的方法[15][16][17]以及数据驱动法[18][19][20]。
采用直接计算方法进行健康状态（SOH）评估时[14]，需建立能够表征恒压充电阶段电池行为的综合模型。然而，该方法存在适用性局限。对于荷电状态（SOC）估算，安时积分法因其操作简便而成为最常用的方法之一[21]。但该方法将随外部条件动态变化的电池容量视为固定值，会导致一定误差。开路电压（OCV）法的核心在于建立OCV与SOC之间的可靠关联关系，这对实现精确SOC估算至关重要。然而实践中准确测量OCV等参数仍存在挑战[22]。
直接计算方法在估计个体参数时表现出局限性。对于涉及两个以上参数的联合估计则更不适用。然而SOC与SOH之间存在强耦合关系[23]。随着使用时间增加，充放电特性的退化效应导致SOH下降，进而增大SOC估计误差。同时SOC既反映充放电特性，又影响SOH估计的内部化学状态[24]。因此综合考虑这些参数间的复杂相互作用，有利于提升联合估计精度。
部分学者采用基于模型的方法同时估算多性向电池状态。基于等效电路模型的卡尔曼滤波器（KF）及其改进方法因其递归更新特性受到广泛关注[25]。Huang等人提出了一种基于扩展卡尔曼滤波器的自适应分段等效电路模型，用于不同工况下SOC与SOH的精确估算[26]。Xu等[27]基于分数阶模型引入多尺度双扩展卡尔曼滤波器（DEKF）进行电池状态估计。尽管基于模型的方法能有效执行联合估算任务，但其常需大量计算资源且伴随参数调整，导致整体复杂性显著提升[28]。
数据驱动方法已成为电池状态联合估计的重要研究方向。这类方法无需依赖复杂的物理模型，而是通过学习电池状态与特征数据之间的复杂非线性关系来实现。长短期记忆网络（LSTM）和门控循环单元（GRU）在从连续时间序列数据中提取时序信息方面表现优异。Huang等[29]提出了一种分段训练策略用于SOC-SOH联合估计，该策略在实现参数共享的同时，有效解决了SOC与SOH之间的固有耦合问题。Fan等[30]采用深度神经网络提取与SOC和SOH变化显著相关的关键参数，同时巧妙捕捉电池行为的多时间尺度动态特性。Xu等[31]开发了一种集成注意力机制的温度补偿双向长短期记忆网络（Bi-LSTM）模型，通过空间与时间注意力机制自适应分配不同隐藏层的特征，用于SOC和SOH的联合估计。
然而，电池状态的精确联合估计仍面临两大挑战。其一，由于不同工况下曲线模式的复杂性，从电池电流和电压曲线中提取具有意义的多尺度特征仍具挑战性。多尺度特征是指电池状态在不同时间尺度下表现出的动态行为：荷电状态（SOC）在短期充放电循环中呈现快速变化，而健康状态（SOH）则因电池老化在长期尺度上呈现更为缓慢的演变。短期动态与长期动态之间的这些差异，需要能够捕捉电池行为快速变化与缓慢变化的模型。2) 在SOC与SOH的联合估计中，特征提取的输入时间尺度可能存在显著差异。SOC对短期波动更为敏感，而SOH需要长期数据以捕捉电池老化。这种时间尺度的不一致性为多任务学习带来了挑战——SOC估计与SOH估计的输入-输出空间往往存在不匹配现象。我们通过设计能够处理可变尺度输入的深度卷积神经网络来解决这一问题，从而实现对SOC和SOH估计的多尺度特征提取。3）尽管先前研究已证明具备准确估算电池状态的能力，但在建模长序列时常常面临可扩展性问题以及高昂的计算成本。当前挑战在于提升模型对长交互序列数据集和短交互序列数据集的预测能力，同时保持模型效率。
针对上述问题，本文提出一种基于Mambaformer的多任务知识共享网络（MTKS-Mamba）用于电池状态联合估计。主要贡献如下：

• (1)
  通过分析从电池实验数据中提取的电流曲线与电压曲线，发现曲线变化规律以获取多尺度电池关键特征。
• (2)
  建立了多任务知识共享网络（MTKSN），用于探究联合估计SOC与SOH任务间的内在关联。通过MTKSN各层级间相似卷积核实现知识共享。
• (3)
  开发了混合深度学习架构Mambaformer以学习锂离子电池复杂的衰老与充电行为。在该架构中，Mamba处理长程依赖关系，而Transformer处理短程依赖关系。