基于残差BiLSTM的锂离子电池SOC估计误差校正网络

《World Electric Vehicle Journal》:Residual BiLSTM-Based Error Correction Network for Li-Ion Battery SOC Estimation

【字体: 大 中 小 】 时间:2026年08月28日 来源:World Electric Vehicle Journal 3.3

编辑推荐:

  摘要:锂离子电池管理系统(Battery Management System,BMS)的高效运行依赖于准确的荷电状态(State of Charge,SOC)估计。然而,由于参数不确定性和非线性电池动力学,传统的基于模型的SOC估计方法的性能可能逐渐恶化。本研

  
摘要:锂离子电池管理系统(Battery Management System,BMS)的高效运行依赖于准确的荷电状态(State of Charge,SOC)估计。然而,由于参数不确定性和非线性电池动力学,传统的基于模型的SOC估计方法的性能可能逐渐恶化。本研究提出了一种混合SOC估计框架,称为DO-EKFRes,包含两个连续的阶段。在第一阶段,采用数据驱动策略离线优化过程噪声和测量噪声协方差矩阵。在第二阶段,采用双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)残差学习网络来补偿剩余的SOC估计误差。研究人员使用两个互补的验证协议对所提出的框架进行了评估:一个合成的蒙特卡洛(Monte Carlo)实验和一个基于NASA卓越预测中心(Prognostics Center of Excellence,PCoE)锂离子电池数据集的留一电池(Leave-One-Battery-Out,LOBO)交叉验证框架。在合成验证中,DO-EKFRes实现了0.803%的均方根误差(RMSE),相对于扩展卡尔曼滤波(Extended Kalman Filter,EKF)和数据优化扩展卡尔曼滤波(DO-EKF)分别降低了48.83%和26.84%。在NASA LOBO评估中,所提出的框架实现了11.534%的宏平均RMSE,相对于EKF和DO-EKF分别降低了49.25%和9.68%。这些结果表明,将离线协方差优化与基于BiLSTM的残差学习相结合,提高了估计精度、鲁棒性和跨电池泛化能力,为电池管理系统中的锂离子电池SOC估计提供了一种实用的解决方案。
# 基于残差BiLSTM误差校正网络的锂离子电池SOC估计研究解读

## 1. 研究背景与问题

锂离子电池因其高能量密度、长循环寿命和良好的电化学特性,被广泛应用于电动汽车、便携式电子设备和固定式储能系统。电池管理系统(Battery Management System,BMS)在保障电池安全、可靠运行和高效能量利用方面不可或缺,而荷电状态(State of Charge,SOC)估计是BMS的核心功能之一,为电池监控、充电控制和能量管理提供关键信息。SOC代表电池相对于额定容量的剩余电荷,但无法通过物理传感器直接测量,必须基于端电压和电流等可测量量进行估计。由于锂离子电池具有高度非线性和时变特性,并受温度、老化和工作条件影响,准确估计SOC一直面临挑战。

传统方法中,基于模型的方法采用等效电路模型(Equivalent Circuit Model,ECM)结合卡尔曼滤波框架,其中扩展卡尔曼滤波(Extended Kalman Filter,EKF)因其递归结构、物理可解释性和较低计算成本而广泛使用。然而,EKF的估计精度强烈依赖于过程噪声协方差矩阵和测量噪声协方差矩阵的合理选择。实际应用中,这些矩阵常采用人工手动设定并保持不变,导致在变化的工作条件下出现估计偏差、收敛缓慢和性能退化。现有自适应滤波方法虽改善了适应性,但仍受限于降阶等效电路模型引入的结构性建模误差,且多数混合方法仍依赖人工或启发式确定的协方差矩阵。同时,数据驱动方法在未见工况下泛化能力不足,缺乏物理可解释性。此外,现有验证研究多采用同一电池的数据,难以提供跨电池泛化的证据。因此,需开发更自适应且具备跨电池泛化能力的SOC估计框架。

## 2. 主要技术方法概述

研究人员提出一种混合SOC估计框架DO-EKFRes,包含两个顺序阶段:第一阶段通过离线数据驱动优化确定过程噪声和测量噪声协方差矩阵,形成数据优化扩展卡尔曼滤波器(DO-EKF);第二阶段采用带注意力机制的双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络学习并补偿DO-EKF校正后的剩余结构估计误差。评估所用数据来源为:受控的合成蒙特卡洛模拟数据集(150个场景,其中120个用于开发、30个独立验证)和NASA PCoE锂离子电池数据集(选用B0005、B0006、B0007和B0018四个电池,共636个充放电循环、185,721个预处理时间序列样本)。研究人员采用留一电池(Leave-One-Battery-Out,LOBO)交叉验证协议评估跨电池泛化能力。关键方法包括:一阶等效电路模型用于状态估计与合成数据生成;协方差优化采用对数域参数化、有限差分梯度估计和Adam优化;BiLSTM残差网络输入14维特征(电流、电压、温度、DO-EKF SOC估计、RC电压估计、模型参数及额定容量),滑动窗口长度为100。性能评估使用均方根误差(RMSE)和平均绝对误差(MAE),并采用弗里德曼(Friedman)检验、Wilcoxon符号秩检验和Holm校正进行统计算性分析。

## 3. 实验结果与分析

### 3.1 合成蒙特卡洛评估

研究人员在30个独立蒙特卡洛验证场景下比较了EKF、DO-EKF和DO-EKFRes。结果显示,EKF因模型不匹配呈现最大的估计误差;离线协方差优化(DO-EKF)使RMSE分布更紧凑,但残差误差仍存在。DO-EKFRes通过BiLSTM学习时域测量和滤波器状态中的残差,进一步降低了几乎所有场景的估计误差,并表现出最窄的RMSE分布。定量结果表明,DO-EKFRes的平均RMSE为0.803%,显著低于EKF的1.569%和DO-EKF的1.097%,对应的RMSE降低幅度分别为48.8%和26.8%;其MAE也最低(0.715%),表明残差学习阶段同时改善了平均精度和鲁棒性。

### 3.2 NASA PCoE数据集评估

在NASA PCoE数据集上采用LOBO协议评估,DO-EKFRes在四个留出电池上均取得最低RMSE和MAE。宏平均RMSE从EKF的22.727%降至DO-EKF的12.770%,并进一步降至DO-EKFRes的11.534%,相对于EKF降低49.25%,相对于DO-EKF进一步降低9.68%。逐电池结果表明,B0005的RMSE从EKF的21.645%降至DO-EKFRes的10.312%,B0006从26.979%降至15.549%,B0007和B0018也有类似改善。这一致性表明,残差BiLSTM校正提供了超越协方差优化的额外收益,并增强了模型对未见电池的泛化能力。与以往LOBO研究相比,该框架在相同协议下实现了更低RMSE,改进来自数据驱动的协方差优化和残差误差学习。

### 3.3 与自适应SOC估计方法的比较

研究人员在相同合成验证场景下,将DO-EKFRes与多输入极限学习机(MI-ELM)和Sage-Husa自适应扩展卡尔曼滤波(Sage-Husa AEKF)进行比较。DO-EKFRes获得最低RMSE(0.803%),相对MI-ELM(1.271%)降低36.8%,相对Sage-Husa AEKF(3.981%)降低79.8%。五向Friedman检验确认方法间存在显著差异(p<0.001),DO-EKFRes平均秩最低(1.33),优于DO-EKF(2.40)、MI-ELM(2.83)、EKF(3.67)和Sage-Husa AEKF(4.77)。Wilcoxon符号秩检验带Holm校正显示,DO-EKFRes对所有基准方法均具有统计显著性(调整后p<0.001),且匹配对秩双列效应量均为大效应(r>0.5),证实改进具有实际意义。

### 3.4 在线计算复杂度

实测在线计算成本显示,DO-EKFRes每个验证场景平均需84.163 ms,对应每样本93.515 μs,主要来自BiLSTM和注意力机制的前向传播。作为对比,MI-ELM需2.975 ms,而EKF和Sage-Husa AEKF分别需1565.792 ms和1416.563 ms。离线阶段,协方差优化耗时2461.557 s,残差BiLSTM训练耗时72.465 s,但这些均不纳入在线推理。这表明DO-EKFRes保持轻量级递归估计器结构,在BMS实际应用中提供了精度与计算成本之间的合理平衡。

## 4. 讨论与结论

讨论部分指出,DO-EKFRes在合成数据集上的性能优于NASA电池的改善幅度,这归因于两种评估设置的数据特征和工作条件差异。但NASA上的较小且一致改善表明残差学习阶段提供了跨电池泛化的互补校正,而非仅适应受控的模型失配条件。研究还承认两项局限:合成实验虽具备受控性和可重复性,但可能未完全捕捉真实工作条件的复杂性;NASA数据集虽然支持LOBO验证,但仅涵盖单一电池化学成分和有限工况。

结论部分翻译如下:本研究提出了一种混合SOC估计框架DO-EKFRes,该框架结合了离线协方差优化与基于BiLSTM的残差学习。所提出的框架保留了EKF的递归结构,同时通过残差校正补偿剩余的非线性估计误差,从而在不增加在线计算复杂度的前提下提高了估计精度。此外,DO-EKFRes一致地优于EKF、DO-EKF和具有代表性的自适应滤波方法。实验结果表明,在合成数据集和NASA数据集上,RMSE分别降低了高达16.68%和49.2%,统计分析证实这些改进具有统计显著性和实际意义。该框架的主要意义在于将协方差优化的模型滤波与残差深度学习进行顺序集成,其中BiLSTM学习剩余的结构性估计误差,而非重新学习完整的SOC映射。从实际BMS角度看,该框架通过将优化过程转移至离线阶段,消除了在线协方差适配的需求,从而在保持轻量级递归估计器适用于资源受限的嵌入式BMS的同时,提供了更强的估计鲁棒性和跨电池泛化能力。未来工作将在不同温度、老化和工作条件下进行更广泛的实验验证,并评估其他电池数据集和实时BMS平台。
相关新闻
生物通微信公众号
微信
新浪微博

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