CAT蓄电池自适应多尺度对角状态空间模型与位置感知Performer注意力机制用于锂离子电池荷电状态鲁棒估计
来源：
卡特蓄电池 发布时间：2026-04-15 21:11:41 点击： 次
引言
锂离子电池（LIBs）已成为现代储能系统的基石，其应用领域涵盖电动汽车（EVs）、可再生能源电网、便携式电子设备及航空航天技术等诸多方面[1][2][3][4]。随着全球向可持续能源解决方案转型的力度不断加大，对高可靠性、高性能锂离子电池的需求激增，预测数据显示仅电动汽车市场到2030年就将需要太瓦时级别的电池产能[5]。电池管理系统（BMS）是确保这些电池安全可靠运行的核心，其负责监测外部工况并估算若干无法直接测量的内部状态[6][7]。这些状态包括荷电状态（SOC）、健康状态（SOH）、剩余使用寿命（RUL）以及热状态，它们共同决定了电池在不同运行工况下的性能表现、老化特性和响应行为[8][9][10][11]。在电池管理系统(BMS)状态估计的更广泛研究范畴内，近期研究探索了联合估计框架，该框架能同步推断荷电状态(SOC)与其他内部状态（如温度状态），以提升耦合电化学-热动力学条件下的鲁棒性[12]。在这些内部参数中，SOC定义为剩余容量与标称容量的比值，是一个至关重要的指标[13]。精确的SOC估计能实现最优充放电策略，预防可能引发热失控等安全隐患的过充或深度放电现象，并延长电池使用寿命[14][15]。然而SOC无法直接测量，必须通过可观测信号进行推断，这使其成为一个受非线性电化学动力学、环境因素及老化效应影响的复杂估计问题[16][17][18]。
过去数十年来，已发展出多种SOC估计方法，主要分为直接测量法、基于模型的方法、数据驱动法以及混合方法[19][20][21][22]。直接测量法如库仑计数法（或称安时积分法）和开路电压映射法，通过可测量参数提供简单估算[23][24]。库仑计数法通过电荷量累积实现估算，但会因初始SOC误差、传感器漂移及未计入的自放电现象导致误差累积[25]。开路电压法通过查表实现电压与SOC的映射，但需要较长的静置时间，难以满足实时应用需求[26]。基于模型的技术通过等效电路模型或电化学模型表征电池行为，模拟电荷转移与扩散等内部过程以获得更精确预测，从而克服了这些局限[27][28]。然而，等效电路模型（ECMs）常过度简化复杂的非线性动态特性，导致其在温度变化或老化条件下出现误差[29]；而完整电化学模型需要大量参数化工作，且涉及计算密集的偏微分方程，限制了其在资源受限的电池管理系统（BMS）中的部署[30]。为抑制噪声、不确定性及此类建模挑战，基于滤波的算法——如卡尔曼滤波器（KF）及其衍生版本（包括扩展卡尔曼滤波器（EKF）[31]、无迹卡尔曼滤波器（UKF）[32]和粒子滤波器（PF）[33]）——已被广泛采用。这些方法通过整合过程噪声与测量噪声模型，以递归方式更新荷电状态(SOC)估计值，在动态条件下展现出鲁棒性。例如扩展卡尔曼滤波器(EKF)围绕工作点对非线性电池模型进行线性化处理[34]，而无迹卡尔曼滤波器(UKF)则采用sigma点采样以更好地处理非线性特性[35]。更先进的算法框架已在自适应容积卡尔曼滤波中整合了温度依赖的等效电路模型(ECM)与基于鲁棒熵的滤波准则，实现了在宽温域、非高斯噪声及异常扰动条件下的增强鲁棒性[36]。尽管具备有效性，这些方法仍需要精确的电池参数标定——这些参数会随老化与温度变化而改变——且对于复杂模型可能存在较高的计算复杂度[37][38]。
近年来，数据驱动方法因其无需限制级物理建模即可从大规模数据集中学习复杂模式的能力而备受关注[39][40]。支持向量机(SVM)[41]、随机森林(RF)[42]和高斯过程回归(GPR)[43]等机器学习技术将SOC估计视为回归任务，通过将输入特征（如电压、电流、温度）映射至SOC值。这些方法在非线性处理方面表现优异，但通常需要大量特征工程，且在未知工况下可能出现性能下降[44]。进一步而言，深度学习模型通过从时间序列数据中自动提取层次化特征，彻底革新了SOC（State of Charge）估计领域。人工神经网络（ANNs）通常处理扁平化特征或短序列[45]，而卷积神经网络（CNNs）则直接对电池时间序列数据施加一维卷积运算以捕捉局部时序模式[46]，在受控条件下实现了高精度估计。循环神经网络（RNN），尤其是长短期记忆网络（LSTM）和门控循环单元（GRU），专为时序数据设计，能够捕捉驱动循环中的时间依赖性[47][48]。例如，基于LSTM的模型在NASA和CALCE等标准数据集中已实现平均绝对误差（MAE）低于1%的精度[49][50]。近期应用包括：采用堆叠双向LSTM处理动态工况、通过超带宽超参数调优提升效率的LSTM模型，以及结合贝叶斯优化的TCN-LSTM架构以实现跨温度鲁棒预测[51]。同样地，GRU在保持强大序列建模能力的同时具备比LSTM更高的计算效率。典型应用包括：面向锂离子电池（LIB）的增强型GRU[52]、采用引力搜索算法优化的GRU神经网络[53]，以及结合无迹变换实现初始状态估计的GRU架构[54]。
近年来，Transformer架构凭借其自注意力机制在SOC（State of Charge）估算中展现出强大潜力，能够有效建模长周期行驶工况下的远距离依赖关系[55]。该机制通过动态分配输入序列不同部位的权重，使模型能聚焦于关键历史事件，相比RNN的串行处理方式，显著提升了非局部交互特征的捕获能力[56]。但鉴于Transformer本身具有置换不变性，必须引入位置编码来注入时序信息[57]。与循环神经网络不同，Transformer模型支持并行处理，从而提升了长序列训练效率[58]。诸如配备多头注意力机制的Transformer编码器等变体，已通过聚焦相关历史事件被应用于荷电状态预测[59]。例如，某基于Transformer的真实数据模型实现了续航优化提升，而采用位置编码的长短期记忆网络（一种受Transformer启发的混合架构）与时空自注意力网络在宽温域下均展现出低于1%的误差率[60][61][62]。研究已通过整合分组查询注意力机制与极限学习机来降低计算开销，使这些模型适用于电动汽车的边缘部署场景[63]。然而，标准Transformer模型仍受限于序列长度的二次方复杂度，制约了其在长周期驾驶工况中的可扩展性。
为融合多种范式的优势，混合型SOC估算模型日益受到重视，其通过将数据驱动学习与滤波、优化或物理建模相结合，显著提升了估算精度、鲁棒性和泛化能力。代表性混合方法包括神经网络-滤波组合方案，例如AEKF-ILSTM通过将自适应扩展卡尔曼滤波与改进的LSTM架构相融合，有效抑制测量噪声和建模不确定性[64]；以及KF-SA-Transformer框架，该框架将卡尔曼滤波与自注意力机制结合，实现模型-数据双驱动的联合估算[65]。除了基于滤波的混合架构外，学界还探索了多种神经架构混合方案，包括采用Transformer编码器进行长程依赖建模并保留LSTM序列学习能力的LSTM-Transformer模型[66]、平衡计算效率与记忆容量的LSTM-GRU组合架构[67]，以及针对资源受限或热感知场景设计的兼顾特征提取与时序建模的CNN-LSTM变体[68]。此外，研究还提出了融合经典机器学习与优化滤波的混合策略：通过元启发式算法优化的回归模型被嵌入闭环卡尔曼滤波框架及物理状态方程中，从而增强变工况下的噪声鲁棒性与泛化能力[69]。这些混合集成方法通过将领域特定约束与学习表征相结合，部分缓解了纯数据驱动或基于模型方法的固有局限性，例如噪声下的不稳定性、有限的时间建模能力或高计算复杂度。然而，从实际SOC估计的角度来看，现有混合方法仍存在显著不足。特别值得注意的是，许多方法依赖于松散耦合的模块或固定结构设计，因而缺乏统一框架来同时实现以下功能：对原始传感器测量值进行因果鲁棒去噪的同时保持电化学瞬态特征；针对电池动态行为的多尺度特性（从快速欧姆响应到缓慢扩散及热效应）进行数据驱动的自适应建模；以及在不违背因果一致性的前提下实现可扩展的长时序建模。这些局限性共同凸显出，在多样化运行条件下，亟需建立一个更具整合性且物理对齐的序列建模框架来实现可靠的状态估计。
为明确解决这些尚未攻克的挑战，本研究提出自适应多尺度S4D-Performer（AM-S4D-Performer）框架，该框架在现有SOC估计方法基础上引入多项方法论创新。与大多数基于深度学习的模型依赖原始或简单滤波测量值不同，所提框架整合了具有因果关系的物理驱动双指数平滑模块，可分离电平与趋势信息，从而在保留关键电化学瞬态的同时抑制测量噪声。此外，现有状态空间或序列模型通常以固定时间分辨率运行，而本方法在对角状态空间模型中引入了输入条件化的自适应离散化机制，能够动态适应由温度和工作条件引发的电池多尺度时变特性。此外，与依赖二次复杂度自注意力机制的传统基于注意力的SOC估计器不同，本研究采用具有旋转嵌入的位置感知Performer注意力机制，在保持因果一致性的同时实现了可扩展的长时序建模。这些组件被整合为一个端到端的统一框架，并在未知驾驶循环、温度条件和电池化学体系下进行了验证，展现出超越现有SOC估计研究的强健泛化能力。
本研究的主要贡献如下：
- 1)
在SOC估算流程中集成了一种基于双指数平滑的信号调理模块，采用因果方式对电流、电压和温度测量值进行预处理。
- 2)
设计了一种具有输入条件离散化特性的自适应多尺度对角状态空间模型(S4D)，该模型包含并行短时程与长时程分支，用于异质电池动态的序列建模。
- 3)
引入了具有旋转位置编码的位置感知Performer注意力区块，在保持因果顺序的同时实现线性复杂度的时间细化。
- 4)
构建了一个端到端的AM-S4D-Performer框架，并在多数据集、驾驶循环、温度条件及电池化学体系下进行了系统评估。
