《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Review on improved neural network algorithms for battery state of energy estimation in smart grids
编辑推荐：
高效准确的电池状态估计（SOE）对智能电网储能系统至关重要，但锂离子电池的非线性特性及动态工况带来挑战。本文系统分析FNN、RNN（含LSTM、GRU）、CNN及GNN等神经网络算法在SOE中的应用，探讨数据预处理、性能评估（MSE/MAE/RMSE）及场景适配策略，提出混合建模、在线自适应和边缘计算集成等未来方向，填补算法分类视角与工程实践结合的研究空白。
王顺利|傅宇|张文霞|卡洛斯·费尔南德斯|弗雷德·布拉布耶格
四川大学电气工程学院，中国成都610065
摘要
高效准确的能量状态（SOE）估算是智能电网储能系统（ESS）高效运行和最优管理的关键。随着锂离子电池成为主流储能技术，它们在不同工作条件下的复杂非线性行为给SOE估计带来了重大挑战。本文分析了前馈神经网络（FNNs）、循环神经网络（RNNs）及其变体（长短期记忆网络（LSTMs）、门控循环单元（GRUs）以及卷积神经网络（CNNs）和混合模型的应用前景。同时探讨了数据采集和预处理技术、性能评估指标以及实际应用场景，指出了数据稀疏性、模型可解释性和计算效率等核心问题。提出了未来的研究方向，包括先进的混合建模、在线适应性和边缘计算集成。尽管已有大量研究验证了各种神经网络算法在SOE估计中的有效性，但大多数研究主要关注算法类型本身。因此，本文系统地探讨了各种算法的适应性和局限性。基于对具有不同需求的特定智能电网场景的全面分析，本文探讨了如何评估、选择和优化神经网络算法，以实现估计精度、效率和鲁棒性之间的最佳平衡。此外，通过对现有研究的整体分析，本文架起了技术原理与实际应用之间的桥梁，为研究人员提供了更具体的决策参考。
引言
虽然智能电网仍是能源系统的焦点，但电池能量状态的实时精确估计已成为优化智能电网调度的基石[1]。然而，由于内部工作温度、老化状态以及充放电速率等多种因素，SOE无法直接测量，只能通过电压和电流等外部参数间接估计，这给准确估计带来了挑战[2]。传统的SOE估计方法（如基于开路电压（OCV）和安时积分的方法）依赖于静态平衡特性，存在漂移误差，不适合动态工作条件[3,4]。近年来，人工智能技术的快速发展为解决这些挑战开辟了新途径。利用强大的非线性拟合和自学习能力，神经网络可以从庞大的历史数据集中自动提取电池运行的内在模式，而无需复杂的物理模型假设[5,6]。图1显示了与基于神经网络的电池SOE估计相关的论文数量年度趋势，表明神经网络已成为该领域持续增长的研究热点。自2010年以来，越来越多的研究致力于将神经网络算法应用于智能电网中的电池SOE估计[7,8]。尽管许多研究验证了各种神经网络（NN）算法在电池SOE估计中的有效性，一些综述文章也系统地整理了它们的原理和总体性能，但现有工作主要集中在算法分类、原理解释和总体性能评估上[9]。与其他综述不同，本文从“以算法为中心”的传统视角出发，采用以智能电网应用中的SOE估计为核心需求的方法，系统地探讨了各种NN算法在不同场景下的适应性和局限性，全面评估了精度、效率和鲁棒性之间的权衡[10]。
本文建立了一个由应用场景需求驱动的新颖综述框架，填补了现有文献的空白。本文旨在探讨如何在具有不同规模、复杂性和实时需求的智能电网场景中评估、选择和优化神经网络算法，以实现精度、效率和鲁棒性之间的最佳平衡[11,12]。它致力于弥合技术原理与工程应用之间的差距，为研究人员和工程师提供更具体的决策参考[[13], [14], [15]]。神经网络算法在这一领域的应用不断深入和扩展：从早期使用简单的FNN，到成功应用RNN及其变体LSTM和GRU处理电池时间序列数据，再到CNN在特征提取方面的优势，以及图神经网络（GNN）在电池组内部复杂相互作用建模中的应用[16]。这些研究为解决智能电网中的电池SOE估计挑战提供了新的视角和方法[12,[17], [18], [19]]。
本文的结构如下：第二部分将系统分析各种神经网络算法，重点关注它们在解决系统状态估计核心挑战方面的能力。第三部分将探讨这些算法的规模和复杂性带来的独特挑战以及优化策略。第四部分将建立实用的性能评估框架，并探索算法融合的可能性。第五部分将分析当前的核心挑战和未来机遇。第六部分将总结本文。
章节摘录
前馈神经网络
作为最基本的神经网络架构，FNN采用多层感知器进行非线性变换并传播输入信号，最终将其映射到输出值。其核心优势在于结构简单、训练稳定和计算效率高。在早期对电池SOE估计的探索中，FNN展示了有效学习静态或准静态输入（电压、电流、温度）之间复杂非线性关系的能力
扩展规模：应对兆瓦时级别的挑战
在智能电网中，部署容量达到兆瓦时或更高的大规模电池储能系统已成为支持电网稳定性的关键措施，这一趋势受到可再生能源渗透率持续增加和能源需求持续增长的推动[109]。这些系统通常由大量电池单元组成，给神经网络模型在准确估计其状态方面带来了前所未有的可扩展性挑战[110,111]。这
基准测试：检验算法的有效性
对用于SOE估计的神经网络算法进行系统性的性能评估对于确保其在实际应用中的有效性和可靠性至关重要[[169], [170], [171]]。这主要依赖于一套科学评估指标和测试程序。常用的定量指标包括MSE、MAE和RMSE。MSE对较大误差更敏感，有助于识别异常模型性能；MAE对所有误差赋予线性权重，提供了更
结论
本文全面概述了应用于智能电网SOE估计的神经网络算法，讨论了SOE估计在智能电网背景下的重要性以及传统方法的局限性。对不同神经网络架构用于SOE估计的情况进行了分类和分析，评估了它们对大规模复杂智能电网场景的适应性，并强调了它们的优势和改进潜力。对不同算法进行了比较分析
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：报告了与...的关系。如果还有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本工作得到了国家重点研发计划（编号2024YFB2408400）、国家自然科学基金（编号62173281、52377217、U23A20651）、四川省科技计划（编号24NSFSC0024、23ZDYF0734、23NSFSC1436）、达州市校合作项目（编号DZXQHZ006）、国家矿山应急救援与灾害防控重点实验室开放基金项目（编号SKLMRDPC23KF19）和内蒙古能源战略研究的支持
