基于数据驱动的SOC估计方法，适用于驱动周期条件和宽温范围下的动力邱健蓄电池

准确估算锂离子电池的电荷状态（SOC）对于评估电动汽车的续航里程和确保电池管理系统（BMS）的可靠运行至关重要。然而，涵盖多样操作条件的大规模数据集仍然稀缺，而公开数据集往往分散且仅限于特定化学或场景。为克服这一限制，我们构建了一个涵盖广泛温度、电池类型和驾驶周期的综合多条件数据集。基于该数据集，我们提出了一种快速且高精度的SOC估计方法，针对真实汽车状况量身定制。该方法利用一种新型深度学习架构，集成了卷积神经网络（CNN）、增强型残差时间卷积网络（PRTCN）和挤压与激发（SE）模块。CNN从时间序列数据中提取短期局部特征，PRTCN捕捉长期时间依赖关系，SE模块自适应地增强特征表示，从而提升整体模型性能。在不同温度和十种动态载荷曲线下的广泛验证表明，所提方法的最大绝对估计误差低于2%，推断时间约为毫秒级。这些结果凸显了该方法在准确性、效率和实用性方面的优势，为电动汽车BMS中的SOC估计提供了有力的技术支持。

简介

全球范围内，非可再生能源资源的枯竭和极端天气事件的频繁发生正在加速清洁能源的发展和应用[1,2]。在交通运输领域，传统燃油车辆不仅面临资源短缺，还因其高碳排放导致严重的环境污染[[3]， [4]， [5]]。相比之下，电动汽车（EV）作为清洁能源驱动的交通工具，显著减少碳排放，减少对化石燃料的依赖[[6]，[7]，[8]]。因此，电动汽车被视为实现能源结构转型和从传统燃料向清洁能源转型的关键推动力[9,10]。根据《2025年全球电动汽车展望》，预计未来十年全球电动汽车需求将大幅增长[11]。预计到2025年，销量将超过2000万辆，年增长约17%，占全球汽车销量的四分之一以上。电动汽车需求的激增正在重塑全球汽车行业格局，预计将显著减少交通运输领域的石油消耗[12]。然而，电动汽车的广泛普及仍面临诸多挑战，续航焦虑和电池安全问题是阻碍其发展的核心障碍[13,14]。在电动汽车的电池管理系统（BMS）中，电荷状态（SOC）是测量电池剩余可用电量的核心参数。SOC与车辆的续航里程及能源管理策略的有效性直接相关[15]。然而，由于锂离子电池中外部可测数据具有固有的高非线性和时间变化特性，实现高效且精确的SOC估计仍是电池技术领域的重大技术挑战和热门研究方向[16]。

SOC会随着电池的充放电过程变化，通常范围为0%（完全放电）到100%（满电）。SOC的标准定义用方程（1）表示如下：其中是电池的额定充电容量，是电池中剩余的电荷。锂离子电池SOC评估方法的研究正在不断增加。现有锂离子电池的SOC估计方法可分为三大类：基于物理测量的方法、基于模型的方法以及基于数据驱动的方法[17,18]。

• （a）
  基于物理测量的方法

传统的SOC估计方法主要依赖电池的物理测量。这些方法利用仪器获取电流、电压及其他关键参数，以推断电池的电荷状态[19]。常见的物理测量方法包括开路电压法、端子电压法和阻抗法[20]。尽管这些方法直观易懂，但在实际应用中仍存在诸多限制。例如，开路电压法要求电池长时间闲置以达到热力学平衡，而这在动态运行的电动汽车中几乎不可能实现[21];端子电压法极易受电池电流、温度、老化和内阻变化影响，导致估计准确性显著下降;阻抗方法需要专用测试设备和耗时的测量流程，难以满足BMS严格的实时和成本效益要求[22]。此外，锂离子电池复杂的电化学行为、老化效应和多变的工作条件使得单一物理测量方法难以准确捕捉电池真实状态，导致累积估计误差，极大影响SOC估计的可靠性和实用性。

• （b）
  基于模型的方法。

基于模型的估计方法依赖构建直接影响SOC估计准确性的电池模型。它们将电池电流和电压数据与各种滤波算法结合起来进行估算。目前，基于模型的方法包括状态观察器，如自动递归卡尔曼滤波器（KF）、扩展卡尔曼滤波器（EKF）、无香卡尔曼滤波器（UKF）、粒子滤波器（PF）、H-infinity滤波器及其优化变体，这些方法已被证明能估计显著的结果[[23]， [24]， [25]]。在这些算法中，KF算法及其相应变体使用最为广泛。例如，Oluwole 等人[26]提出了在整数阶 EKF 算法中改进的分数阶 EKF，在动态条件下提供更准确的 SOC 估计结果。然而，其响应速度较慢，限制了其应用仅限于离线使用。Jiang等人[27]使用EKF估计SOC，并在UDDS驾驶周期下验证了该方法。然而，EKF忽略了二阶以外的高阶项，并对非线性函数使用泰勒级数展开，这增加了强非线性系统中的估计误差。为提高估计准确性，Tian 等人[28]采用了UKF算法和改进的等效电路模型来估算SOC。Wang等人[29]提出了一种结合了改进的变量遗忘因子递归最小二乘和自适应平方根UKF的SOC估计方法，以解决滤波器散度问题。Chen 等人[30]利用分数阶自适应平方根立方 KF（FO-ASRCKF）估算了锂离子电池的 SOC。结果表明，所提出的FO-ASRCKF模型在多种工作条件下都能正常运行，并实现了高SOC估计精度。该算法能够克服噪声和错误初始值引起的散度，展现出良好的鲁棒性。基于模型的方法的优点在于，当模型准确且能解释电池内部的物理过程时，可以实现高的SOC估计精度。但缺点是它们高度依赖模型的准确性和复杂性，模型参数通常需要实验验证和优化。在实际应用中，这些方法可能受到温度和老化等因素的影响[31]。总体而言，基于模型的方法适用于需要高精度估计和对电池内部机制深入了解的场景[32]。

• （c）
  数据驱动的方法。

数据驱动方法目前是热门研究课题。这些方法包括机器学习（ML）算法，它们不依赖物理电池模型，而是从大量历史数据中学习电池充放电模式 [[33]， [34]， [35]]。许多研究探讨了机器学习算法的应用，如决策树、随机森林、支持向量机、神经网络（NN）和混合方法，用于SOC估计[36]。
Kouhestani 等人[37]提出了一种基于数据的数据的故障诊断方法，用于锂离子电池的故障检测和预测，并进一步研究了结合物理模型与数据驱动方法以提升安全性和可靠性的健康管理策略[38,39]。同样，苗等人[40]回顾了SOC估计方法，并分析了不同温度范围内的技术进展。他们建议将基于模型的改进与数据驱动策略相结合，强调温度和衰老对估算准确性的重要性。Liu等人[41]进一步探讨了极端条件下SOC估计的挑战，强调了低温和高温下性能的下降。他们倡导使用多物理模型，并强调未来在温度适应性和实时算法优化方面的研究方向。Tian等人[42]提出了结合自适应立方器KF的LSTM模型，在动态负载曲线下，工作温度在10至50°C之间，能够准确且稳健地进行SOC估计。
Wei等人[43]采用了带有异源输入神经网络动态神经网络（NARXNN）的非线性自回归方法，有效估算锂离子电池的SoC。传统的KF和BPNN在DST和UDDS条件下进行了评估和检查。闭环NARXNN（1.19和0.64）和开环神经网络（0.15和0.11）在RMSE%和MAP%上的有效性显著高于UKF（2.84和4.00）或BPNN（3.19和4.44）。Yang 等人[44]提出了一种反馈自适应卷积神经网络门控循环单元模型，用于电池SOC估计。它们结合了KF和反馈机制，以增强稳定性和一致性。该模型通过迁移学习和卷积层有效预测了SOC，其准确性和鲁棒性在HWFET和UDDS工作环境中得到了验证。实验结果显示，该模型在SOC估计中分别实现了0.78%和0.82%的RMSE值，优于其他对比模型。Chemali等人[45]研究了前馈神经网络（FFNN）用于SOC估计，报告称其平均速度几乎比基于EKF的方法快一个数量级。Vidal等人[46]利用一个包含电池电气测试中电流、电压和温度测量的大型数据集，比较了LSTM-RNN和FFNN的性能，这些数据集反映了-10-25°C温度范围内的标准驱动周期。 Yu 等人[47]提出了一种创新的电热模型，用于在自适应KF和无限KF框架内联合估计SOC和SOT。结果显示，在5–35°C温度范围内估计误差极低，验证了模型在同时评估电池状态方面的有效性。Pang 等人[48]采用热耦合扩展单粒子模型与自适应无限KF算法进行SOC和SOT联合估计。该方法有效减轻温度变化对SOC估计准确性的影响，同时解决不同电池工作状态间的交叉干扰。
机器学习方法的优势在于其对非线性和复杂模式的高度适应性、处理大型数据集的能力以及从数据中提取有价值信息的高效性，使其特别适合多样化的现实世界应用[49,50]。正如前述文献综述中强调的，机器学习算法可以通过从大量电池相关特征中学习，建立数据与锂离子电池SOC之间的非线性关系，而无需开发相应的电池等效模型[51]。因此，基于机器学习方法的回归模型可以无限近似实际值，使其在锂离子电池的 SOC 估计中非常有效[52]。在该研究领域，深度学习——机器学习的重要分支——已被广泛应用于SOC估计。Tian 等人[53]提出了一个基于深度学习的通用SOC估计框架，回顾了三种关键深度神经网络架构的进展：全联通神经网络、循环神经网络和卷积神经网络。研究表明，深度学习方法即使在传统方法难以提供有效模型的复杂条件下，如低SOC范围、低温环境和电压平台，也能保持高估算准确性。此外，本综述指出了若干重要趋势，包括：将深度学习与安培小时积分法结合，开发闭环估计框架;利用迁移学习提升电池系统间的泛化;并将SOC估计扩展到更广泛的电池管理任务，如SOH估计和故障诊断。这些见解不仅为未来研究提供了前瞻性视角，也强调了深度学习在电池状态估计中的潜力与挑战。
然而，目前大多数研究集中在固定实验条件上，例如使用DST、HPPC和NEDC数据集进行验证。这些条件并未充分反映电动汽车在实际驾驶场景下的运行特性，也与电动汽车状态估计的主流要求不符。
此外，关于数据的重要性，Vidal等人[54]在其关于利用机器学习进行SOC估计的综述中强调，使用涵盖所有可能运行条件的数据集至关重要。事实上，要训练一个能够实现准确可靠预测的SOC估计器，需要一个涵盖各种环境和负载条件的庞大且多样化的数据集。Reis等人[55]回顾了文献中的多种电池数据集，得出结论：虽然这些数据集对于开发数据驱动方法至关重要，但其分布仍然高度分散。为弥补这一空白，本研究引入了涵盖温度、电池类型和驾驶周期的综合多条件数据集，为稳健且可推广的SOC估计研究奠定了坚实基础。
在方法论方面，当前基于时间卷积网络（TCN）的SOC估计方法存在明显局限性。具体来说，传统TCN在处理长期依赖时表现较差，对强非线性和噪声干扰的适应性有限，且在不同温度和电池类型下泛化能力较弱。这些缺陷常导致在复杂操作条件和低温环境下精度下降。为克服这些问题，本研究提出了一个平行残差时间卷积网络（PRTCN）。通过在残差模块中引入并行卷积分支、利用GELU激活函数、应用LayerNorm正则化以及自适应池化，网络增强了复杂时间特征建模的能力。此外，SE注意机制的集成实现了关键时间特征的动态重新校准，显著提升了不同操作条件和温度下的估计准确性和泛化性，同时保持实时性能。
通过数据和方法论的双重增强，本文介绍了CNN-PRTCN-SE模型架构。实验验证证明了该模型在不同温度、不同电池类型和多种驾驶周期条件下的优异泛化能力和准确性。这些改进不仅使该模型区别于以往的深度神经网络方法，还带来了强烈的新颖性和实用价值。

• 1)
  构建了一个全面的多条件电池数据集。为解决现有数据集的局限性，本文提出了首个多条件数据集，涵盖温度、电池类型和驾驶周期。该数据集涵盖三种环境温度、八个电池模型和十种动态驾驶条件，为进一步研究稳健且可推广的SOC估计方法提供了坚实的数据基础。
• 2)
  提出了一种创新的CNN-PRTCN-SE模型架构。本文介绍了结合CNN、PRTCN和SE注意力机制的SOC估计模型。通过整合不同网络结构的优势，模型在不同温度、电池类型和驾驶周期下的泛化性和估计准确性得以提升。
• 3)
  该模型在温度和电池材料间实现了极佳的泛化性。实验结果表明，所提出的SOC估计模型能够在不同温度条件下（如5°C、25°C和45°C）以及电池材料（锂离子电池（LIBs）和钠离子电池（SIBs））下稳定运行，展现出卓越的估计精度。该方法解决了低温条件下SOC估计精度不足的问题，并展现出强烈的跨温度和跨材料传递能力。
• 4)
  该模型平衡了实时性能和准确性。尽管所提模型展现出卓越的准确性，并在多种测试场景中优于主流比较方法，但其估计时间仍满足BMS的实时要求。这使得拟议的SOC估计方法在实际应用中变得可行，同时确保了高准确性，尤其是在电动汽车的实时SOC监测和管理方面。