锂离子电池荷电状态估计:一种结合单向和双向长短期记忆网络与多头注意力机制的融合模型

《JOURNAL OF POWER SOURCES》:State-of-charge estimation of lithium-ion battery: A fusion model combining unidirectional and bidirectional long short-term memory networks and multi-head attention mechanism

【字体: 大 中 小 】 时间:2026年09月19日 来源:JOURNAL OF POWER SOURCES 8.4

编辑推荐:

   • 提出了一种融合LSTM、BiLSTM和MHA机制的模型。• 利用长序列输入来提高预测的连续性。• 将平均电压作为新输入。• SOC估计误差仅为0.64%。 **引言** 能源与环境问题促使各个领域寻求更可持续的能源解决方案,包括交通领域。电动汽车(EV)作为一种替代能

  

• 提出了一种融合LSTM、BiLSTM和MHA机制的模型。• 利用长序列输入来提高预测的连续性。• 将平均电压作为新输入。• SOC估计误差仅为0.64%。

**引言**

能源与环境问题促使各个领域寻求更可持续的能源解决方案,包括交通领域。电动汽车(EV)作为一种替代能源车辆,凭借其清洁、高效和无污染的特性得到了快速发展[1,2]。根据国际能源署(IEA)的数据,到2040年,电动汽车将占据全球道路交通的28%,这一增长趋势表明电动汽车行业具有良好的发展前景[3,4]。

然而,尽管市场接受度不断提高,电动汽车的普及仍面临重大挑战,例如里程焦虑和电池安全。电池的荷电状态(SOC)在克服这些挑战方面起着至关重要的作用,因为它不仅与电动汽车的续航里程预测相关,还是确保电池安全的电池管理系统(BMS)中的核心监测参数[5]。此外,准确的SOC监测是防止电池灾难性故障(如热失控)以及进行健康状态(SOH)共估计的基本前提[6,7]。尽管如此,SOC无法通过传感器直接测量,而应通过对电池当前状态的综合评估进行估计。考虑到电池参数具有时变和非线性特性,准确估计SOC极其困难,因此受到了广泛关注[8]。

历史上,电池SOC的测量依赖于传统技术,包括开路电压(OCV)法、安时(AH)积分法和内阻分析法[9]。虽然OCV法提供了电压与SOC之间直观的关系,但它严格要求长时间的静置以达到电化学平衡,使其无法适用于连续动态操作[10]。此外,这种关系极易受到温度和老化因素的影响。AH积分法提供了一种追踪容量变化的直接方法[11];然而,其可靠性从根本上受到初始SOC值准确性的限制,并且在连续循环中不可避免地会产生累积积分误差。此外,虽然内阻追踪可以提供状态指示,但非线性电化学特性与电阻变化之间的复杂映射关系极大地限制了其实际应用[12]。

为了解决这些传统方法的固有局限性,研究人员广泛部署了基于模型的算法,特别关注卡尔曼滤波器(KF)及其变体。除广泛使用的扩展卡尔曼滤波器(EKF)外,还研究了鲁棒替代方案,如无迹卡尔曼滤波器(UKF)、粒子滤波器(PF)和H∞滤波器,以处理非高斯扰动并增强系统稳定性[13,14]。例如,Sun等人设计了一个基于EKF的框架,能够同时跟踪SOC并界定误差协方差[15]。同样,采用顺序扩展卡尔曼滤波器(SEKF)[16]和自适应迭代扩展卡尔曼滤波器(AIEKF)[17]的综合算法已证明可以通过补偿电压差异和噪声来稳定动态条件下的估计精度。

然而,这些基于滤波器的框架的一个主要瓶颈是它们严格依赖等效电路模型(ECM)。预定义的数学模型往往难以完全表征锂离子电池在复杂车辆条件下的高度非线性和时变退化特性。正如近期一项研究[18]所全面综述的那样,机器学习和数据驱动技术已成为绕过数学建模约束的变革性解决方案[19]。虽然该综述系统地概述了人工神经网络(ANNs)在管理非线性电池行为方面的广泛潜力,但仍然迫切需要能够处理极端时间依赖性的特定且鲁棒的网络架构。因此,本文提出了一种原始的数据驱动框架。结合深度学习的被用于消除对物理模型的需求,并专门针对复杂充放电过程中观察到的高度非线性问题。Demirci等人引入了一种改进的模糊神经网络方法,使用12个输入参数来处理模型的不确定性,有效提高了SOC估计的准确性[20]。Schmitt等人提出了递归神经网络(RNN)方法来处理连续数据以提高SOC估计准确性[21]。针对RNN的局限性,Xi等人采用了一种时延RNN来减轻"过度激发神经元"的不利影响,从而产生更可靠的时间状态跟踪[22]。Han等人使用了一个双向门控递归单元(BiGRU)模型来估计SOC,该模型可以捕捉双向时间特征,并结合挤压激励注意力和Savitzky-Golay滤波器,使算法能够抓住全局数据并有效提高SOC估计准确性[23]。除RNN变体外,卷积神经网络(CNN)和迁移学习框架也被频繁引入以进一步提高SOC估计准确性[24,25]。

此外,长短期记忆(LSTM)网络近年来受到了广泛关注,因为它能够克服传统RNN方法在处理时间序列数据时面临的长期依赖问题。其独特的门控机制可以有效地在长时间内维持信息流,为理解电池充放电过程中复杂的时间动态提供洞察[26]。在此基础上,近期研究越来越关注融合LSTM变体与滤波算法和物理模型以增强估计的鲁棒性。例如,一种新型融合方法将双向LSTM(BiLSTM)与无迹卡尔曼滤波器(UKF)和贝叶斯优化相结合。通过研究利用等效动态模型的神经网络噪声校正策略,这种BO-BiLSTM-UKF算法与标准LSTM模型相比显著降低了估计误差,最大SOC估计误差仅为0.113%[27]。为了进一步确保电池安全并增强复杂条件下的状态估计鲁棒性,提出了一种抗噪声自适应LSTM(ANA-LSTM)网络。该方法集成了双闭环观测策略和自适应状态参数反馈校正,以有效表征不同温度和电流率下的内部耦合机制,从而实现了高度鲁棒的多尺度参数优化[28]。此外,为了完全捕捉多维物理约束,开发了一种改进的多特征-电化学热耦合方法用于在线SOC估计。通过利用优化的解耦偏差策略和具有迭代反馈校正的自适应等效估计模型,该方法为低温退化和时变效应提供了准确的实时补偿[29]。

相关研究表明,LSTM或BiLSTM模型可以通过捕捉基本的时间依赖关系来实现电池SOC估计。然而,两者都难以捕捉长时间跨度的关系并聚焦于关键序列元素[30],因此,许多现有的数据驱动架构默认采用孤立的时间点估计,其中当前SOC的确定对历史轨迹背景的依赖不足。考虑到电池的强动态特性,过去行为在充放电过程中对未来状态具有复杂且重要的影响,这使得仅基于LSTM或BiLSTM方法进一步改善SOC估计准确性变得困难。此外,由于对历史数据的上下文支持不足,这些模型在噪声或不完整数据情况下也表现不佳。

为了解决这些局限性,引入了一种考虑多个时间步长的方法来预测未来SOC值,并纳入了可以为每个时间步分配不同权重的多头注意力(MHA)机制,使模型在处理长时间序列数据时能够关注最相关的时间步。因此,提出了一种集成LSTM、BiLSTM和MHA机制的融合模型来进行锂离子电池的SOC估计。在预测多个时间点的前提下,通过考虑宽温度范围和多个时间步长的数据特性,LSTM-BiLSTM-MHA(LBM)模型可以有效提高SOC估计准确性。主要贡献包括:

(1)设计了一个融合LSTM、BiLSTM和MHA机制的模型,以提高电池SOC算法的估计准确性。
(2)利用长序列输入来捕捉长期依赖关系和微妙的动态变化,从而提高预测的连续性。
(3)添加平均电压作为新的输入特征以提高模型的稳定性。

**数据集描述**

为了严格评估所提出的LBM框架在不同电化学系统中的广泛适用性和泛化能力,本研究使用了两个不同的公共数据集。主要数据集包含LiNiCoMnO2(NCM)电池(LG 18650HG2)的实验循环数据,来源于Mendeley数据平台[31]。次要数据集用于跨化学体系验证,包含LiFePO4(LFP)电池(A123 Systems)的数据[32]。基本规格

**LSTM网络**

传统RNN常用于序列估计,其基本局限性在于处理长时间序列时固有的梯度消失敏感性。在深度神经网络的反向传播过程中,跨多个时间层计算的梯度可能呈指数级衰减至接近零。因此,网络权重更新停滞,严重降低训练效率和收敛稳定性。为了克服这种梯度消失现象,

**实验环境与参数**

执行这些实验的硬件平台包含以下主要组件:Intel(R) Core(TM) i5-12490F CPU、配备8 GB显存的NVIDIA GeForce RTX 4060Ti GPU,运行在TensorFlow-GPU 2.6.1深度学习框架上。

LBM融合模型的最终配置列于表4中。基于这些运行参数,可以获得LBM融合模型的计算需求,结果表明该模型计算

**结论**

实验结果表明,融合LSTM、BiLSTM和MHA机制的模型在所有情况下的SOC估计中表现最佳,尤其是对于更长的时间步长。具体来说,利用多时间步滑动窗口使系统能够捕捉全面的时间动态,从而提高SOC估计准确性;同时,纳入长序列输入有效地过滤了短期随机波动和测量噪声,使模型能够

**CRediT作者贡献声明**

林诗利:初稿撰写、验证、方法学、调查。胡文涛:验证、软件、数据整理。张先勇:审阅与编辑、监督、方法学、概念化。李丽:调查、数据整理。张晓顺:软件、资源、概念化。

**生成式AI和AI辅助技术在写作过程中的声明**

在准备本手稿过程中未使用任何生成式AI或AI辅助技术。

**利益冲突声明**

作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文报告的工作。

**致谢**

本研究由国家自然科学基金(编号52108073)和中国广东技术师范大学校园人才项目(编号2022SDKYA032)提供资金支持。

林诗利 | 胡文涛 | 张先勇 | 李丽 | 张晓顺
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