CAT蓄电池基于季节趋势分解与混合神经网络的锂离子电池多尺度协同荷电状态及能量状态估计
来源：
卡特蓄电池 发布时间：2026-03-29 21:11:59 点击： 次
引言
在全球化能源转型与低碳发展的驱动下，锂离子电池（LIBs）因其高能量密度和长循环寿命[1][2][3]，已成为电化学储能与转换领域的主导技术。荷电状态（SOC）的精确估计对于电池管理系统维持运行完整性及优化功率分配策略至关重要。锂离子电池的SOC估计技术可分为四类[4]：定义型安时积分（AhI）算法、开路电压（OCV）法、基于模型的方法以及数据驱动方法。尽管传统SOC估算方法（如安时积分法）因其计算简便而被广泛采用[5]，但其精度高度依赖于电流传感器精度与初始SOC的准确性，且在噪声干扰下易出现累积误差[6]；开路电压法通过建立SOC-OCV映射关系进行估算[7]，但需电池长时间静置以消除极化效应，这限制了其实时应用性。为克服传统方法的局限性，基于物理模型的方法构建电化学或等效电路模型并结合滤波算法，动态补偿非线性效应与温度影响[8][9]；而数据驱动方法依托机器学习技术挖掘历史数据特征，展现出更强的环境适应性与估计灵活性[10][11]。这些技术的协同发展推动了新能源汽车、航空航天及大规模储能系统的性能提升[12]。
能量状态（SOE）表示在特定条件下可用能量与总存储容量的比值。相较于SOC，该参数同时与电流变化和电压波动相关，因而能更精确地量化剩余可用能量。随着技术进步，研究重点日益聚焦于开发精确的SOE估算方法，包括基于物理的模型、数据驱动的机器学习方法以及混合方法[13][14]。SOC与SOE的数学表达式如下：SOCt=SOCt0−ηc∫t0tItdtCnSOEt=SOEt0−ηc∫t0tUt⋅ItdtEn
关键参数包括：(初始放电时间),0(随时间变化的端电压),(瞬时读档电流),t(总可用能量)，以及（额定容量）。tη表示库仑效率，本文中近似取值为0.98。n (total available energy), and Cn (nominal capacity). ηc is the coulomb efficiency, which is approximately taken as 0.98 in this paper.
目前，电池SOC-SOE联合估计正逐渐成为研究热点，因其能提供更完整、精确的电池状态数据[15][16][17]。这有助于优化电池管理方案，从而提升系统运行鲁棒性与能源利用效率。尽管SOC主要反映电池的瞬时荷电状态，而SOE更侧重于储能容量的表征，但二者存在紧密关联性。通过联合估计实现相互校正与互补，可大幅提升状态估计的准确性与稳定性，这对于应对电池工况实时动态波动、改进管理策略具有重要价值。
等效电路模型作为模拟电池外特性主流方法，在SOC-SOE估算中展现出高精度与低计算成本的双重优势[18][19][20]。为提高估算精度，这类模型采用了卡尔曼滤波器或粒子滤波器等多种滤波技术。该领域主要研究如下：Lin等人通过研究磷酸铁锂(LiFePO4)电池放电倍率对其内部各类能量变化的影响，提出了一种新型电-热能联合估算模型。4电池领域[21]。Wang等人开发了分数阶多新息自适应平方根容积卡尔曼滤波器(FMASR-CKF)，实现了高精度、低复杂度的SOC-SOE联合估计[22]。Bao等人提出DA-UKF框架实现SOC-SOE联合估计，融合了领域自适应(DA)和无迹卡尔曼滤波(UKF)技术，构建了包含源域(SD)和目标域(TD)的双模块数据驱动网络[23]。 %% 然而，由于需要进行大量建模和参数调整，这些方法不仅计算量大，且仅适用于特定电池类型，限制了其普适性应用。
数据驱动方法规避了复杂的电化学建模过程，同时实现了跨温度区间与工况条件下的精确SOC-SOE联合估计[24][25][26]。在SOC-SOE联合估计领域，Wang等[27]采用iTransformer模型进行协同估算，而Ma等[28]则运用长短期记忆(LSTM)神经网络实现同步预测。本方法的实验验证覆盖多样化运行条件，包括不同温度环境、多种电池材料体系及噪声干扰场景。该优化方案提升了电池管理效能，从而增强了系统运行鲁棒性与能源利用效率。Bao等[29]构建了一个多任务学习网络架构，通过分层特征提取模块与独立专家层设计，有效实现了跨任务特征解耦与信息融合，为SOC-SOE协同估计提供了新型深度学习解决方案。
与此同时，他们遇到了若干问题。首先，由于深度学习网络提取的特征数据与电池实际SOC-SOE动态曲线之间存在非线性差异，模型对噪声干扰较为敏感，导致估计结果出现显著波动。针对此类问题，通常存在两种常见解决方案：滤波去噪方法和信号分解方法。部分研究提出引入滤波算法以优化深度学习输出[30]。例如，Li等人[31]开发了一种将深度学习与粒子群优化相结合的SOC估计方案，该方法通过卷积神经网络或时间卷积网络捕获电池状态的时空特征，再与卡尔曼滤波器耦合以抑制瞬态信号波动。Fan等[32]构建了LSTM与自适应非线性卡尔曼滤波器的组合框架，实现了SOC-SOE联合估计。其次，尽管滤波去噪方法能有效消除噪声，但噪声的产生具有必然性。保留分离后的噪声能更好地反映该流程的实际应用场景。研究的另一部分提出引入信号分解算法以优化深度学习输出。该方法通过多尺度分解和非线性适配精确分离噪声并抑制误差累积，显著提升了电池荷电状态-能量状态(SOC-SOE)估计的稳定性与长期准确性。Tian等[33]通过改进鲸鱼优化混合算法将原始信号分解为本征模态函数(IMF)，并构建结合CNN、GRU和注意力机制的组合模型，实现了LiFePO4电池4电池荷电状态（SOC）。为预测锂离子电池的SOC，Wang等[34]开发了一种基于CEEMD的混合框架，该框架结合了双向长短期记忆网络（BiLSTM）与可配置噪声分布的自适应卡尔曼集成滤波器（AKEF）。通过优化高斯数据增强（GDA）信噪比、误差校正参数及相对于基准模型的SMAC超参数，Zhang等[35]构建了GDA-TimesNet-EC-SMAC混合框架，用于实现高精度的锂离子电池SOC-SOE联合估计。最后需要指出，上述方法均未考虑电动汽车复杂多变的运行环境、锂离子电池内部特性的不稳定性、电池状态变化信号分离缺乏物理解释等问题，以及由趋势波动、周期波动和随机波动导致的锂离子电池SOC与SOE估计结果不稳定、泛化能力弱等缺陷。
针对上述模型对噪声干扰敏感、信号分解缺乏物理解释、SOC-SOE估算中存在模型不稳定及泛化能力弱等问题，本文结合STL多尺度信号分解、TimesNet网络与Informer网络，实现了不同材料、温度及工况下电池SOC-SOE的精准估算。本文主要贡献如下：
- (1)
STL多尺度分解将锂离子电池的SOC-SOE分解为趋势项、季节项和残差项，以降低噪声对模型的干扰。该方法从物理层面解释了锂离子电池的非线性变化曲线，并从多性向角度研究其SOC-SOE特征，有助于提升估算精度。
- (2)
根据STL分解数据特征构建符合需求的网络架构，以实现锂离子电池SOC-SOE的精确估计。趋势项与周期项由能捕捉循环内与循环间变化的TimesNet网络进行估计，而残差项则由能捕获长序列输入输出特征关系的Informer网络处理。
- (3)
考虑到电动汽车运行环境的可变性，本研究在公开的CALCE磷酸铁锂(LFP)电池数据集及实验室EVE-INR18650电池数据集上，验证了该框架在不同温度、工况及材料条件下的锂离子电池SOC-SOE估计能力，证实了模型的适应性。
