NEC锂电池产品分类
NEC锂电池基于Beta-高斯深度状态空间模型的无监督多性向电池荷电状态估计
发布时间：2026-03-21 10:32:39 点击： 次
本文提出Beta-高斯多域模型（BG-MDM），这是一种无监督多域方法，用于实现锂离子电池荷电状态（SOC）的无标注精确估计。该模型采用Beta分布表征SOC的天然有界性，同时以高斯分布表示其他电池状态变量，该建模方式贯穿学习与估计全过程。核心创新在于神经参数化等效电路模型（NP-ECM），该模型通过神经网络动态预测ECM参数以捕捉电池非线性行为。在线推理采用校对-高斯迭代后验线性化滤波器(BG-IPLF)。BG-MDM模型还采用了共享层架构来学习领域不变特征，从而实现高效的迁移学习。实验结果表明，BG-MDM在多个领域均优于基线模型。该模型仅需少量训练样本即可适应新领域的能力，以及消融实验证实各子模块的贡献性，均凸显其数据高效性和鲁棒性。BG-MDM为标签稀缺环境下的多领域SOC估计提供了统一解决方案。
引言
SOC估计方法主要分为两大类：基于模型的方法[5]和数据驱动方法[6]。基于模型的方法因其物理可解释性，通常依赖于嵌入状态空间公式的等效电路模型(ECMs)[7]，随后应用贝叶斯推断进行SOC估计[8]。相比之下，数据驱动方法采用机器学习模型（例如深度学习算法），直接将电池测量数据映射至SOC值[6]。
基于模型和数据驱动的方法在训练需求和模型复杂度上存在差异。基于模型的方法可通过最大似然估计（MLE）[8]实现无监督参数学习，但通常捕捉复杂非线性关系的能力有限[9]。数据驱动模型能够学习丰富的非线性映射关系[10]，但通常需要大量真实SOC标签，限制了其在标签稀缺场景中的应用。这两种方法在跨域泛化（如不同温度和电池类型）方面均存在困难[11][12][13][14][15]。
为应对这一挑战，近期研究开始探索无监督域适应（UDA）[16][17]——这种迁移学习形式通过将模型从“源域”调整至“目标域”实现知识迁移。尽管UDA被归类为无监督学习，其训练过程仍依赖于带标注的源域数据，仅目标域数据保持未标注状态。这种对标注源域数据的依赖意味着现有UDA方法尚未解决标签稀缺环境带来的难度。这揭示了一个研究空白：目前尚无真正实现全领域无监督、且完全不依赖标注源域数据的学习方法。
为填补这一空白，本文探索将基于模型的无监督学习与数据驱动表征相结合，构建一个无需标签的SOC估计统一框架，该框架能够跨温度和电池类型实现泛化。针对这一挑战，我们提出如图1所示的Beta-高斯多域模型（BG-MDM）。BG-MDM将神经网络集成至多域建模框架中，以实现无监督学习。
为此，我们首先通过神经参数化等效电路模型（NP-ECM）将神经网络引入状态空间模型。与传统ECM依赖固定参数（电容器、电阻器和开路电压）[6][18][19][20]不同，NP-ECM利用神经网络根据荷电状态（SOC）灵活建模这些参数值。这种灵活性使模型能更有效地捕捉锂离子电池在不同工况下的复杂非线性行为。基于此，我们构建了一个深度状态空间模型[21][22]，随后将其用于模型训练与SOC估计。
具体而言，为实现跨多样化运行域（如不同温度或电池类型）的鲁棒泛化能力，我们采用多域网络（MDNet）结构[23]。该结构支持对电池组件进行多域建模。为此，NP-ECM采用共享层架构设计，该架构可学习所有数据集共有的通用特征，同时通过域特定层适应各运行域的独有特性。训练过程中，各运行域单独更新参数，而共享层持续优化以提取可泛化模式，这种设计也便于通过微调将模型高效迁移至新运行域。
一旦建立NP-ECM模型后，无监督学习所需的边缘似然估计通过Beta-Gaussian无迹卡尔曼滤波器(UKF)[24][25]实现。由于SOC天然限制在0至1区间内，传统基于高斯分布的状态空间模型[21][22][26][27]可能产生超出该范围的值。为此，本模型采用天然具有0-1界限特性的beta分布来表征SOC潜变量。电池模型中其余状态变量不受边界约束，仍采用高斯分布建模。在此约束条件下，我们使用UKF计算最大似然估计(MLE)所需的边缘似然。
针对未见数据的在线SOC估计，训练完成的BG-MDM采用Beta-高斯迭代后验线性化滤波器（BG-IPLF）[24][28]。该滤波器通过执行非线性电池动态特性的迭代统计线性回归（SLR）[28][29]，该动态特性内在于NP-ECM模型，从而实现改进的SOC估计精度。
本文的主要贡献如下：
- 1.
我们提出NP-ECM模型，这是一种神经参数化的等效电路模型。该模型通过以SOC为条件的神经网络来表征电阻、电容和开路电压，从而为电池行为提供更高的灵活性与适应能力。 - 2.
我们提出了一种结合BG-IPLF推理的无监督校对-高斯UKF学习方法，用于SOC估计。 - 3.
基于贡献1和2，我们提出了校对-高斯多性向域模型（BG-MDM），通过统一框架实现跨不同电池域的精确SOC估计。 - 4.
我们在BG-MDM中设计了共享层架构，使模型能够在训练过程中学习域不变特征，从而通过利用预训练共享层进行微调，实现向新电池域快速适应的高效迁移学习。
标签:
上一页：NEC锂电池决策导向学习在光伏-电池优化调度中的应用
下一页：返回列表