当前位置: 首页 > 邱健蓄电池-官方网站
摘要
实现高精度和鲁棒的荷电状态(SOC)估计,不仅对于缓解里程焦虑至关重要,而且对于优化能量利用和延长电池使用寿命也至关重要,这些都是电动汽车可持续能源管理的基础。然而,现有方法往往在估计精度、物理一致性和跨场景适应性方面存在局限性,这阻碍了它们的实际部署,并损害了电池系统的长期运行可持续性。为了应对这些挑战,本研究提出了一种SOC估计框架,该框架整合了基于物理建模和数据驱动学习的优势,作为一种先进的可持续性监测工具。首先,采用分段库仑计数-扩展卡尔曼滤波(SCC-EKF)算法实现了一种改进的SOC标注策略。其次,一种ultimod基于Transformer的估计模型被开发出来,融合了物理-信息约束(PIDAT)。通过将物理先验知识与深度学习模型相结合,该框架有效防止了违反物理定律的SOC预测,从而支持更安全、更高效的电池运行。最后,在包含106辆电动公交车的真实数据集上的评估表明,该框架始终优于现有最先进的方法,实现了SMAPE波动率降低45.85%,以及MAE相对误差降低超过35%。具体而言,在留一车辆交叉验证(LOVO)中,它在长序列场景下实现了1.3112的RMSE(相比于2.1251(基准线),证明了其卓越的跨车辆适应性。此外,消融研究表明,所提出的架构有效防止了误差的非线性放大,将物理约束违反率(PCVR)从0.2550大幅降低至0.0312。这些实验结果证明,所提出的模型可作为动力电池的可持续使用监测技术,为绿色公共交通的可持续发展提供强有力的技术支持。Physics-Informed constraints (PIDAT). By combining physical priors with the deep learning model, the framework effectively prevents SOC predictions that violate physical laws, thereby supporting safer and more efficient battery operation. Finally, evaluations on a real-world dataset comprising 106 electric buses demonstrate that the framework consistently outperforms state-of-the-art methods, achieving a 45.85% reduction in SMAPE volatility and over 35% relative error reduction in MAE. Specifically, in the Leave-One-Vehicle-Out (LOVO) cross-validation, it achieves an RMSE of 1.3112 in long-sequence scenarios (vs. 2.1251 for baselines), proving superior cross-vehicle adaptability. Furthermore, ablation studies indicate that the proposed architecture effectively prevents the non-linear amplification of errors, drastically reducing the Physics Constraint Violation Rate (PCVR) from 0.2550 to 0.0312. These experimental results prove that the proposed model can serve as a sustainable usage monitoring technology for power batteries, providing strong technical support for the sustainable development of green public transportation.
荷电状态; 电动汽车; 可持续电池利用; 可持续性监测工具; 物理信息神经网络
1. 引言
随着全球向碳中和的快速转型,新能源汽车(NEVs)凭借其低碳排放、高能效以及日益提升的智能化电气化水平,已成为可持续交通的基石 [1在各种新能源汽车技术中,纯电动汽车(BEVs)已广泛应用于客运和商业物流领域。然而,纯电动汽车的大规模普及仍面临诸多关键挑战,包括续航里程有限、电池衰减以及运行安全等问题,这些问题从根本上都取决于锂离子电池的可靠管理。作为主要的车载储能系统,锂离子电池凭借其高能量密度和长循环寿命,在现代纯电动汽车中占据主导地位。因此,准确感知电池状态对于提高能源利用率、延长电池寿命以及确保车辆全生命周期的运行安全已变得不可或缺。
在各种电池状态变量中,荷电状态(SOC)是最基本指标之一,代表电池剩余的可用容量。由于SOC无法直接测量,必须通过电压、电流和温度等可测量信号进行估算 [2然而,实际运行条件使电池暴露在高度动态的环境中,涉及温度波动、变化的放电速率和渐进式老化,这些因素不断改变其电化学特性和内阻。这些耦合效应为电池动力学引入了强烈的非线性和长期时间依赖性,使得在真实运行条件下准确估计SOC成为一个持续的挑战。3].
目前的SOC估算方法大致可分为三类:直接测量法、基于模型法和数据驱动法[4,5,6]。直接法(如库仑计数法)通过对电流进行时间积分来估算SOC,计算简单但容易产生累积误差[7]。开路电压(OCV)法依赖于电池静置后的OCV-SOC关系,但其准确性高度依赖于较长的弛豫时间和稳定的温度,因此不适用于动态工况[8]。为了提高精度,基于模型的方法已被广泛采用。电化学模型(如P2D模型)能以极高的理论精度描述锂扩散、电荷转移和界面反应,但计算量巨大[9]。相比之下,等效电路模型(ECM)——如一阶RC、戴维南和双极化模型——利用电气元件模拟电池行为,为工程应用提供了简单性和可行性[10,11,12]。这些模型在集成到状态空间公式并结合卡尔曼滤波及其变体时,能够有效抑制传感器噪声并增强估计稳定性[13,14,15]。尽管如此,它们对模型假设的强依赖性和高计算复杂度仍然是挑战,特别是在资源有限的嵌入式系统中。
近年来,人工智能的飞速发展显著推动了基于数据驱动的SOC估算方法 [16,17,18]。通过直接从历史运行数据中学习复杂的非线性关系,深度神经网络消除了对显式电池建模的需求,并在多种运行条件下展现出极具竞争力的估计精度。代表性方法包括循环架构(如LSTM和BiGRU)、基于时间卷积的模型(如,TCN-GRU)、基于注意力机制的架构(包括Transformer和Transformer-BiLSTM)、混合时间模型(如TCN-Transformer)以及能够显式捕捉电池系统内部结构依赖关系的图神经网络(GNNs)[19,20,21]。然而,这些方法的有效性很大程度上取决于训练数据的质量。在实际的电池管理系统中,SOC标签通常由车载估算算法生成,而非直接测量,这使得它们容易受到累积误差、低分辨率以及与运行工况相关的各种不确定性的影响[22]。此外,大多数深度学习模型作为黑盒预测器运行,难以解释电压、电流和温度等可测量信号是如何对估算的SOC产生贡献的[23]。更重要的是,由于SOC是一个受物理规律约束的状态变量,纯数据驱动的模型可能会产生违反基本物理原理的预测,从而降低其在复杂现实工况下的可靠性[24].
由于电池状态演化本质上受电化学和热力学原理支配,将物理知识融入深度学习已成为提高模型可靠性和可解释性的有效策略。物理信息神经网络(PINNs)提供了一个代表性框架,通过将物理约束嵌入训练过程,使学习到的表征能更好地符合电池动力学[25,26]。该范式并非仅仅依赖数据拟合,而是利用先验物理知识对模型优化进行正则化,从而增强了在不同工况下的预测一致性。然而,现有的基于PINN的SOC估计方法主要采用简化的物理约束,仍不足以充分表征锂离子电池在实际应用中的复杂动力学特性。这些挑战凸显了对更有效的物理引导学习框架的需求,以同时提高估计精度、可解释性和泛化能力。
在此基础上,本研究提出了一种受物理约束引导的多模态深度学习框架,用于SOC估计。通过融合两种模态的特征——一维电池包级电化学特性(如电流、总电压、速度)和二维电芯级特征(电芯电压和温度)——并结合时间建模,所提出的框架在复杂工况下表现出更强的适应性,同时保持物理一致性和高估计精度。本文的主要贡献如下:
(1) 开发了一种基于模型的高置信度SOC标注方法:构建了等效二阶RC电池模型,并设计了基于Lyapunov的Levenberg–Marquardt算法(LL-M)用于离线参数辨识。开发了SCC-EKF算法以生成高精度、高可靠性的SOC标签,从而实现具有物理基础的训练数据集。
(2) 面向数据驱动SOC估计的物理约束设计:根据SOC的物理特性制定物理约束,并将其纳入模型优化过程。通过使用电池状态演化约束对网络训练进行正则化,所提出的方法使SOC估计在保持数据驱动学习灵活性的同时,能够维持物理一致性。
(3) 用于SOC估计的多模态时序表示架构设计:提出一种自适应平均池化算法,实现多维电池特征的自适应融合,促进异构信息间的有效交互。此外,设计了LSTM-LSTM编码器-解码器,结合共享权重的掩码多头注意力机制和门控残差网络(GRN),以共同捕捉短期动态、长期时序依赖关系和自适应特征重要性,实现稳健的SOC估计。2. 文献综述
随着电动汽车的使用模式、充放电模式和应用场景日益多样化,锂离子电池的SOC估计方法已从基于机理的建模转向数据驱动的方法[27]。在此过程中,模型的准确性、泛化能力和物理一致性已成为核心关注点[28,29,30,31,32].
数据驱动方法利用深度神经网络,从大规模运行数据中学习SOC与输入变量之间的映射关系,从而规避电化学建模的复杂性。这些方法在建模效率和估计精度方面具有显著优势[33]。通常,输入特征包括电流、电压和温度,一些模型采用多层感知器架构来估算SOC。研究表明,前馈神经网络(FNN)和长短期记忆网络(LSTM)在捕捉电池放电过程中的时间依赖性方面非常有效[34]。整合LSTM、GRU、CNN和TCN等多种神经网络结构,进一步增强了模型的鲁棒性和泛化能力[35]。例如,结合CNN和Bi-LSTM的多通道结构在极端温度条件下将均方根误差(RMSE)保持在1%以下[36]。此外,利用时间卷积网络(TCN)和门控循环单元(GRU)以及多头注意力机制的模型,在不同温度区域的场景中表现出更好的性能[37].
研究重点还包括丰富输入特征和优化网络架构。将机械应力、电池退化指标或运行条件作为补充输入,可显著提高模型对复杂场景的适应性[38,39]。在输出阶段引入的异常检测机制已被证明能有效缓解累积估计误差[40]。尽管在特定数据集上表现出高准确率,深度学习模型在不同平台、车型和数据采集系统之间的泛化能力往往有限。输入特征分布相对于训练数据的偏移通常会导致性能下降,并需要重新训练[41]。此外,传统深度模型通常缺乏可解释性,无法捕捉SOC动态与物理过程之间的因果关系,给安全关键型应用中的部署带来了挑战[42].
为了解决数据驱动模型可解释性有限以及传统估算方法物理一致性不足的问题,近年来的研究越来越多地将电池物理特性融入深度学习架构中,从而催生了PINNs这一新兴范式[43这些方法通过硬约束或软约束,将电化学变量、等效电路参数或微分方程嵌入到模型训练过程中,确保模型预测符合物理定律。例如,将源自等效电路模型的物理方程(如电压-SOC关系和内阻)整合到网络结构或损失函数中,以引导输出符合物理规律的预测。
研究表明,使用开路电压、内阻和电荷转移电阻的可学习表示,或构建物理残差损失,可显著提高长期估计的稳定性[24]。事件触发的PINN-LSTM架构在低通信负载下表现出高精度,验证了其在分布式环境中的适用性[44]。在电池包应用中,嵌入关键电池的状态变量和容量-电压关系,无需额外传感器即可实现精确的电池包级SOC估计[39]。结合简化物理模型与神经网络的混合建模策略,在提高计算效率和可解释性的同时,减少了对高质量标注数据的依赖[25,45]。通过在不同网络层级嵌入物理先验,这些模型在不同电池化学体系、温度条件和负载场景下表现出强大的连贯性和泛化能力[46].
综上所述,尽管数据驱动方法显著提高了SOC估算的准确性,但仍面临重要挑战。现有研究未能充分利用异构电池测量数据中包含的互补信息[47]。此外,学习过程往往缺乏电池状态演化底层物理特性的约束,限制了模型在复杂工况下的可靠性和可解释性[48受这些挑战的启发,本研究开发了一个统一的SOC估计框架,该框架将基于物理的约束与多模态特征表示相结合,以提高SOC估计在不同工况下的适应性、可靠性和可解释性。3. 研究框架
为了应对锂离子电池在真实电动汽车运行工况下SOC估计面临的分布偏移、建模精度低和物理一致性差等挑战,本研究提出了一种集成估计框架。该框架结合了多模态数据驱动学习与物理信息约束。本节将介绍该框架的整体设计。
3.1. 研究框架概述
如图所示图1所提出的SOC估算框架分为三个层级组件:数据采集与预处理、分段级SOC标注以及基于神经网络的估算建模。在数据采集与预处理步骤中,通过移除缺失值、NaN条目和异常记录来清洗原始BMS数据,随后进行数据过滤、归一化和用于模型训练的样本构建。在分段级SOC标注步骤中,为了克服车载SOC读数1%分辨率的限制,应用了基于二阶等效电路模型的分段级库仑计数-扩展卡尔曼滤波(SCC-EKF)算法,以生成高精度的重标注SOC值。在基于神经网络的估计步骤中,整合多模态电池数据以改善电池动力学的表征,同时将基于物理的约束融入神经网络优化过程,引导SOC估计向符合物理规律的状态演化,从而提升模型的可靠性和泛化能力。
图1。研究框架。3.2. 数据来源与获取概述
本研究基于2021年4月至2024年4月期间在中国多个城市收集的真实电动汽车运行数据集。该数据集包含来自6个城市共106辆电动公交车的运行记录:衡阳(城市1,n = 24)、泸州(城市2,n = 18)、怀化(城市3,n = 16)、长沙(城市4,n = 16)、麻城(城市5,n = 14)和湘乡(城市6,n = 18)。考虑到商业电动公交车队的异质性,这些车辆根据电池单元数量被分为七种电池包配置,电池包尺寸分别为162、183、189、195、288、360和576个单元。
所有车辆均采用统一的BMS数据采集协议进行监控,确保了不同车辆平台间数据质量和测量精度的连贯性。原始数据集包含84个变量,包括时间戳、电池电压、电池电流、电池温度、SOC、车速、电机运行参数、绝缘电阻以及其他与电池、车辆和环境相关的测量值,为真实驾驶条件下电池运行情况提供了全面描述。采样频率设定为10 Hz。这种高频采样能够准确捕捉电池状态随时间变化的动态过程。表1显示了一些关键字段的示例数据。具体而言,VehicleState字段表示车辆运行状态(1:点火开启;2:点火关闭;3:错误)。ChargeState字段表示充电模式(1:驻车充电;2:行驶充电;3:未充电;4:充电完成)。Speed、TotalVoltage和TotalCurrent分别对应车辆的瞬时速度、电池包总电压和电池包总电流。
表1。样本数据。
表2总结了从原始BMS测量中获得的22个特征,包括直接测量的变量和受物理启发的衍生特征。这些衍生特征包括电池功率、平均单体电压、单体电压差、平均电池温度、温度差、电压变化率、温度变化率和加速度。构建的特征通过方差膨胀因子(VIF)和皮尔逊相关性分析进一步评估,以减少冗余信息并保留具有物理意义的变量。基于所示的特征评估结果图2,五个代表性标量特征,包括总电压、总电流、最低温度、最高温度和速度,被保留作为SOC估计的最终标量输入。此外,还引入了电池电压矩阵和电池温度矩阵,以提供电池状态的细粒度空间信息。标量和矩阵特征的结合能够全面表征电学、热学和运行特性,从而提高复杂工况下的SOC估计性能。
图2。基于VIF和绝对皮尔逊相关系数的特征选择分析。
表2。特征的物理意义与描述。
3.3. 片段级SOC标注与数据预处理
为了提高片段级SOC标注的准确性,本研究提出了一种结合离线参数辨识与在线EKF校正的混合方法。核心步骤如下:
3.3.1. 等效二阶RC电池模型
二阶RC模型被广泛用于表征锂离子电池的动态行为[50]。如图图3所示,端电压输出由下式给出:
= OCV(kSOCSOCk) − U1,k − U2,k − R0Ik
图3。二阶等效RC电池模型。
这里,OCV(SOCk)表示k时刻的开路电压,表示为SOC的函数。和1,k是两个RC支路产生的极化电压。表示欧姆内阻,并且2,k是电池放电电流在时间R0 denotes the ohmic internal resistance, and Ik is the battery discharge current at time k.
通过应用前向欧拉法对极化支进行离散化,可以推导出相应的差分更新方程如下:
上一篇:Trojan蓄电池基于动态换电的无人机道路巡检弧段路由:以鹤山市为例
下一篇:一种用于回收锂离子Trojan蓄电池电极组件的顺序机械-超声方法