CAT蓄电池基于滞后特征与混合深度学习网络的磷酸铁锂电池荷电状态估计
来源：
卡特蓄电池 发布时间：2026-04-17 14:33:29 点击： 次
°C
研究表明，所提出的模型相较于传统基于模型的方法和深度学习方法均实现了显著的性能提升。具体而言，与基于2RC等效电路的扩展卡尔曼滤波器（EKF）相比，该方法将均方根误差（RMSE）和平均绝对误差（MAE）分别降低了83%和88%。此外，相较于使用原始端电压的传统一维CNN-GRU模型，均方根误差和平均绝对误差分别减少了67%和65%。
引言
为应对气候变化，全球范围内的脱碳行动已在各工业领域加速推进。截至2023年，交通运输业温室气体排放量约占全球总量的15%（90亿吨），在所有行业中位列第二大排放源[1]。这一现状正推动传统化石燃料内燃机向锂离子电池电动动力系统的快速转型。
锂离子电池的能量密度、热稳定性和循环寿命特性因正极材料组成而异。代表性正极材料包括由镍钴铝（NCA）或镍钴锰（NCM）构成的三元体系，以及磷酸铁锂（LFP）。与LFP电池相比，三元电池具有更高的能量密度，目前已广泛应用于各类移动应用领域[2]。然而三元电池热稳定性较低，在过充、过放等异常工况下会显著增加起火爆炸风险[3]。此外，正极生产所需的关键过渡金属（如钴、镍）的采掘过程已引发对生态环境破坏和供应链稳定性问题的担忧。
基于上述原因，采用地壳丰度较高的过渡金属的磷酸铁锂电池（LFP），凭借其优异的热稳定性、更具成本效益的原材料以及相较于三元电池更长的循环寿命[4]，在移动出行市场获得了广泛关注。然而在过充等异常工况下，磷酸铁锂电池仍存在起火爆炸风险[5]。因此，通过电池管理系统（BMS）实现荷电状态（SOC）的实时监测，对于预防此类危险工况至关重要。
锂离子电池广泛采用的常规荷电状态（SOC）估算方法包括库仑计数法、基于开路电压（OCV）的方法以及扩展卡尔曼滤波（EKF）技术。库仑计数法可通过简单积分运算实现，有利于电池管理系统（BMS）的实际部署。然而，电流传感器测量误差会随时间累积，导致长时间运行期间SOC估算精度下降[6]。
基于开路电压（OCV）的估算方法通过预先测量不同SOC区间的OCV构建SOC-OCV查表，进而利用实时运行时的实测OCV进行SOC估算。然而电池运行时无法直接测量OCV，需借助等效电路模型（ECM）的测量方程间接估算OCV。该方法中SOC估算精度随ECM模型类型而异，且会因ECM模型失配产生估算误差[7][8]。
扩展卡尔曼滤波器（EKF）通过同步补偿库仑计数测量误差与等效电路模型（ECM）建模误差[9]，在传统方法中展现出最高的荷电状态（SOC）估计精度[10][11]。然而，该算法需优化过程噪声协方差矩阵Q与测量噪声协方差矩阵R以实现最佳性能，且最优Q、R矩阵会随环境条件变化。此外，EKF 其精度高度依赖于等效电路模型（ECM）的准确性，当ECM模型无法充分表征电池非线性特性时，会产生估计误差。
上述传统SOC估算方法因数学模型不确定性存在固有局限，导致SOC估算误差累积或估算性能受限。因此，近期研究开始积极探索基于深度学习技术的数据驱动型SOC估算方法，这类方法无需依赖限制级数学模型即可从电池测量数据中学习与SOC之间的复杂非线性关系[12][13]。特别是长短期记忆网络(LSTM)和门控循环单元(GRU)等循环神经网络，在捕捉电池时间序列数据的时序依赖性方面已展现出显著优势[14][15]。为进一步提升特征提取能力，学界提出了混合架构方案：通过一维卷积神经网络(1D CNN)提取局部特征模式，再结合LSTM/GRU进行时序建模[16][17]。
然而，当基于模型和数据驱动的SOC估算技术应用于磷酸铁锂电池时，其估算性能显著低于三元锂电池。
与三元锂电池不同，磷酸铁锂电池存在OCV平台现象（特定SOC区间内OCV变化幅度极小）和迟滞现象（相同SOC水平下因充放电历史不同而呈现不同OCV值）。这些现象增加了磷酸铁锂电池SOC估算的难度，并使深度学习模型的训练与泛化更为复杂[19]。
然而，现有针对磷酸铁锂电池的SOC估算研究并未明确考虑这些特性。J. Tian等人提出了一种结合一维CNN-GRU与卡尔曼滤波的LFP电池SOC估算模型[20]。由于验证仅在恒流-恒压充电协议下进行，实际适用性有限，且未明确处理滞后特性问题。C. Hu等人采用多种充电协议验证了一维CNN-GRU模型，但同样未考虑滞后特性[18]。为缓解开路电压平台现象，J. Chen等人本研究提出将电池等效电路模型(ECM)与长短期记忆网络(LSTM)相结合的方法，其中ECM负责估算电池运行过程中的开路电压(OCV)，并将其作为LSTM的输入特征以学习SOC-OCV关系[21]。类似整合ECM与深度学习的混合框架已有相关研究[22][23]。这些方法通过向学习模型提供具有物理意义的特征，能够部分缓解OCV平台特性的影响。然而现有研究均未明确考虑磷酸铁锂电池的迟滞特性，这一局限性不容忽视。
单态滞回模型(OSHM)通过引入一个显式捕获磷酸铁锂电池滞回动力学特性的受控电压源，扩展了传统等效电路模型[24]。基于OSHM的方法在动态工况下显著提升了磷酸铁锂电池的荷电状态(SOC)估计精度[25]。然而目前尚未有研究系统性地将OSHM提取的特征与深度学习架构相结合用于SOC估计。
本研究提出一种混合SOC估计框架，将单态滞后模型(OSHM)与一维CNN-GRU架构相融合，以Explicit方式处理LFP电池的滞后特性。
本研究的主要贡献如下：
- •
实验验证表明，在相同深度学习架构下，磷酸铁锂电池的荷电状态（SOC）估计难度显著高于三元电池。
- •
一种融合物理机制的混合框架，该框架将基于OSHM的特征提取与一维CNN-GRU网络相结合，显式地将磷酸铁锂迟滞效应纳入基于深度学习的SOC估计。
- •
通过与传统基于模型的方法（EKF）和深度学习方法的对比，对所提出的混合SOC估计框架进行全面性能验证。
