NEC锂电池产品分类
一种新型物理提取多步神经网络算法，用于锂离子NEC锂电池电荷状态和可用容量估计
发布时间：2026-07-28 19:40:44 点击： 次
锂离子电池（LIB）的充电状态（SOC）和可用容量估计对电池管理系统非常重要。本文提出了一种新型物理提取多步神经网络（PEMSNN）算法用于状态估计。首先，为解决神经网络输入特征维度不足和复杂非线性耦合关系的问题，提出了一种模型驱动的物理特征提取方法，有效扩展了输入特征维度。提取的特征会被输入到长短期记忆中，以构建融合神经网络。其次，对LIB内复杂的电化学过程进行了全面分析。随后，结合外部放电特性曲线，提出了一种多段预测方法。该方法解决了区域注意力分配的问题，并提升了SOC的预测准确性。最后，利用容量随时间变化缓慢的特性和高精度SOC结果，提出了一种PEMSNN算法用于预测可用容量。因此，这解决了SOC估计中容量校准的问题。估计的准确性和鲁棒性在15°C（°C）、25°C和35°C的动态运行条件下得到验证。 SOC估计准确率至少提升了38.42%。可用容量的误差在74毫安小时范围内。所提出的PEMSNN算法为将人工智能应用于新能源电动汽车的状态估计提供了一种潜在可行的策略。
简介
对 SOC 和可用容量状态的准确估计是开发和设计先进智能 BMS 的基础，相关研究见 Ref（Aher 等，2025;Huang等，2025年;Liu 等，2024a）。通过巧妙利用电池固有的电化学特性并融合多种算法的优势，可以提升状态估计的准确性和稳健性（Bharathraj 等，2025）。离线测量是获得准确状态参数的最高效方法之一，这也极大限制了电池应用场景（Silva-Vera 等，2024;Wang 等，2025b）。通过分析锂电池的电化学反应，不难发现其电压变化可以在较小的SOC区间内近似为线性（Liu等，2024b，2024c）。充分利用差压特性来求解SOC可以获得优异的结果。另一方面，将传统状态估计算法与新兴神经网络算法结合，充分发挥各自优势，同样可以提高估计准确性（Takyi-Aninakwa 等，2024;Zhao 等，2025）。基于对电池固有特性的合理利用，结合多种算法优势构建高精度估算策略，对先进智能BMS的发展具有重大意义（Lin 等，2025;Shen 等，2026）。
SOC与可用容量之间的联系更紧密。SOC表示电池内当前储存的电荷量与电池可承受的最大电荷量（即可用容量）的比值（Li等，2025b;Wang 等，2024a;Huang 等，2026）。然而，可用容量并非固定值，随着电池在周期中充放电，容量会缓慢下降（Wang 等，2025c;Zhu 等，2024）。计算SOC和可用容量的方程见公式（1）。在方程（1）中，是经过一段时间充放电后的SOC。是最初的SOC。是充电和放电过程中电荷变化的量。是目前可用的容量。可以看出，单一估计SOC而不考虑可用容量，会引入一定数量的系统误差（Zhou等，2023;Tang 等，2026）。对双时间尺度SOC和可用容量的协估可以大幅提高状态参数的估计准确性。
构建一个双时间尺度状态参数估计算法可以实现电池内部SOC和可用容量状态的协同表征，其估计精度高于单一状态参数估计（Xiao等，2023;Gismero 等，2023）。目前大多数SOC估计可以分为基于模型的方法和数据驱动的方法（Tao等，2024b;Adaikkappan 等，2022;Lucaferri 等，2023;Zhang 等，2022）。这些算法不考虑因可用容量变化引起的系统性误差（Yang 等，2026;Tian 等，2026）。传统方法，如安培时间积分法、开路电压法和等效电路模型，虽然在一定程度上有效估计SOC，但在非线性和复杂动态条件下存在明显局限（Korkmaz，2026;Long等，2025）。数据驱动方法存在输入特征较少且未能充分考虑电池固有特性的问题（Bobobee 等，2025）。尤其是电流的随机行为、温度、老化和电压滞后的影响，都使电池内部的电化学行为变得更加复杂和非线性，从而无法满足估计的准确性和鲁棒性（Wang 等，2023;Hao等，2025）。Shi 昊天等人提出了一个汇总参数电路模型，考虑多个物理域（如容量）的相互耦合，以准确反映电池内部的变化量（Shi 等，2024）。Korkmaz Mehmet 等人构建了一套考虑过去和当前协方差矩阵的卡尔曼滤波器优化算法，以提升 SOC 估计的准确性（Korkmaz， 2023）。Tang Aihua 等人提出了一种新的多模型融合方法，通过构建三个并行子模型，并通过权重因子实现 SOC 的融合估计（Tang 等，2022）。姚嘉琦等人使用了四个时间卷积网络来处理不同时间尺度对SOC估计的影响（Yao等，2025）。崔忠睿等人提出了利用重建开路电压和扩展卡尔曼滤波（EKF）算法进行容量估计策略（Cui 等，2025b）。林鹏等人研究了一种多创新状态估计器，以实现可用容量的开环估计（林等，2024）。王世泉等人采用并行神经网络和传统滤波算法实现SOC与可用容量的联合估计（Wang等，2025d）。Qiao Wang 等人提出了用于电池组 SOC 和可用容量估计的物理信息神经网络（Wang 等，2024b）。目前大多数研究通过算法优化和参数调优实现状态参数的有效估计。较少的研究人员和学者从放电变异角度提升了SOC和可用容量估计的准确性，这些因素源于锂电池本身的电化学特性及多种算法优势的整合（Zhang 等，2026b）。通过充分利用等效模型方法的电池状态捕获能力，在线性或准线性条件下，基于电池固有特性，结合神经网络强大的非线性计算优势，形成多算法状态参数估计策略，是解决高精度且强稳健的SOC和可用容量估计问题的重要发展策略。 这反过来又提高了状态参数估计的整体准确性。
两种现有的估计方法各有优缺点。传统的建模方法具有高度的可解释性。但估计精度的提升依赖于具有复杂滤波算法的高精度电池模型，这使得算法的稳定性存在一定缺陷（Wu 等，2023;Huang 等，2024）。数据驱动的方法未能解释其内在操作机制（Wang 等，2026）。同时，神经网络在现有测量数据与状态共变量之间有强烈耦合。本研究旨在通过提出一种新的PEMSNN策略来解决上述问题，以提高SOC的准确性和LIB可用容量估计。首先，为了解决传统方法中输入特征少且非线性耦合关系强的难题，我们创新地提出了一种集总参数电荷提取（LPCE）方法，以进一步提升SOC特征的提取能力。该方法不仅提升了模型的适应性，还增强了估算的物理指导。其次，全面分析了LIB内部复杂的电化学过程及其外部放电特性曲线。基于内在特性，提出了多段预测的概念，并设计了一种能够解决区域注意力问题的新型神经网络架构。这种分段预测方法显著提升了SOC的预测准确性，并确保在不同操作条件下的估计稳定性。最后，我们提出了一种结合神经网络与EKF算法的PEMSNN策略，用于预测具有慢时间变化参数的可用容量状态。该策略不仅有效解决了LIB的SOC估计过程中的容量校准问题，还显著提升了状态估计的鲁棒性和准确性。
本文提出的策略不仅为BMS智能开发提供了有效的解决方案思路，还为LIB的高效管理和高可靠性应用提供了强有力的技术支持。通过物理提取与先进神经网络预测技术的结合，预计将为未来新能源电池管理研究提供新的研究理念和实施方法。
- (1)
为了解决神经网络输入特征数量有限和SOC估计过程中存在的稳健非线性耦合关系这一难题，提出了LPCE方法。该方法旨在增强神经网络输入特征的维度，并缓解输入与输出特征之间的非线性耦合关系。 - (2)
通过分析LIB内部复杂的电化学过程，识别出分段现象的内在特征。随后，提出了多段预测的概念，以解决分段注意力的问题。 - (3)
提出一种基于SOC和滤波算法结合的慢时间变化参数可用容量估计方法，用于解决LIB中SOC估计过程中的容量校准问题。
标签: