编辑推荐：
本文提出一种基于支持向量回归（SVR）的电池核心温度估算方法，结合电压与温度数据优化选择并串联电池包中各分支的代表单元，并构建具有注意力机制的优化LSTM网络实现电池组荷电状态（SOC）高精度估计，实验验证其均方误差达0.35%（充电）和1.40%（放电），显著优于传统方法且降低传感器数量和监测成本。
Reyhane Mohammadrezaee | Jafar Ghaisari | Alireza Bakhshai
伊斯法罕理工大学电气与计算机工程系，伊斯法罕，84156-83111，伊朗
摘要
随着对电动汽车需求的增加，开发高效的电池管理系统变得至关重要，以确保电池组的安全和最佳运行。本研究重点在于估计采用并联-串联配置的锂离子电池组的荷电状态（SOC）。首先，基于支持向量回归（SVR）模型开发了一种仅使用表面温度测量值来估算电池芯温度的方法。根据估算出的电池芯温度和端电压数据，提出了一种新的标准，用于从每个并联分支中选择一个代表性电池单元，从而显著减少了从所有电池单元收集数据的需求。然后从选定的代表性电池单元的测量数据和估算出的电池芯温度中提取一组特征，并将其作为输入到经过注意力机制优化的深度LSTM网络中。这使得模型能够专注于最具有信息量的时间步骤，以实现准确的SOC估算。为了验证所提出的算法，设计了一个成本效益高的实验装置，用于从由八个锂离子电池单元组成的电池组中收集数据。结果表明，基于代表性电池单元选择和引入的特征的所提出的SOC估算算法不仅实现了高精度估算，还减少了所需的测量量、传感器数量和整体监控成本。因此，所提出的方法可以被视为适用于电动汽车中大规模电池组的实用且可扩展的解决方案。
引言
全球向可持续能源的转变加速了电动汽车（EV）的采用。作为电动汽车中的主要储能组件，电池在车辆性能和安全性方面起着关键作用。每辆电动汽车都包含一个电池管理系统（BMS），负责监控指示电池状态的关键参数，特别是荷电状态，这反映了电池中剩余的能量，并直接影响充电间隔和可用功率等决策[1]，[2]。
许多关于SOC估算的研究集中在单个低容量电池上。例如，提出了一种基于增量容量（IC）分析的方法，通过分割IC曲线并为每个部分拟合多项式函数来估算高充电率下的锂离子电池的SOC[3]。Bavand等人[4]开发了一种一阶等效电路模型，用于在线SOC估算，其中通过消除内阻和极化效应来提取开路电压（OCV）。使用两个部分放电间隔，估算电池容量并通过参考OCV-SOC曲线计算和细化SOC。在[5]中，采用了三种不同的深度神经网络架构来估算不同温度下单个LG 18650HG2电池的SOC。结果显示预测误差低于1%，并且将瞬时功率作为额外的输入特征与电压、电流和温度一起使用，进一步提高了估算的准确性和鲁棒性。Hannan等人[6]使用电压、电流和环境温度数据训练了一个深度卷积神经网络，从而在不同驾驶和温度条件下实现了可靠的SOC估算，而无需重新训练。在[7]中，提出了一种称为IWOA-LSTM的模型，用于精确估算单个锂离子电池的SOC，其中长短期记忆（LSTM）网络的超参数使用改进版的鲸鱼优化算法进行了优化。这种增强算法在各种温度和动态工作条件下显著提高了模型的性能。同样，在[8]中，开发了一种BOA-LSTM模型用于单电池级别的SOC估算，其中采用了黑秃鹫优化算法结合混沌映射来自动优化LSTM参数并提高估算精度。尽管在电池单元层面取得了进展，但由于电池单元之间的不一致性，许多SOC估算方法缺乏对电动汽车中使用的大规模电池组的泛化能力。电池组由许多以并联-串联配置连接的电池单元组成，还包括保护和热管理系统[9]。为单个电池单元开发的方法通常无法准确预测整个电池组的行为。一些研究提出了估算电池组剩余充电状态的技术，这些技术通常基于单个电池单元的估算SOC。现有技术可以分为四个主要类别[10]。单个大电池模型将电池组视为一个等效电池单元，使用总端电压和电流。虽然简单高效，但由于忽略了电池单元之间的差异而缺乏准确性[11]。逐单元计算分别估算每个电池单元的SOC，然后计算它们的平均值。这种方法精度高，但计算量大，需要从所有电池单元进行测量。关键电池估算专注于少数关键电池单元来近似电池组的SOC，在精度和计算需求之间取得了平衡[12]。偏差校正方法对所有电池单元应用了一个通用的电化学模型。然后，使用识别和参数化方法检测和纠正行为异常。尽管准确，但需要大量的计算资源[13]，[14]。每种方法都有其优势和局限性。较简单的方法通常更快，但精度较低，而高级方法需要更多时间和计算资源，但能提供更精确的结果。在这些方法中，关键电池估算在精度和复杂性之间提供了折中。在[12]中，选择了串联连接电池组中电压最高和最低的电池单元。然后应用基于卡尔曼滤波器的算法来估算它们的SOC，并根据两个选定电池单元的SOC计算整个电池组的SOC。Huang等人[15]使用扩展卡尔曼滤波器结合RLS算法来更新模型参数并减少噪声，根据电阻、OCV和温度动态选择参考电池单元。Shuzi等人[16]提出使用具有最高内阻的电池单元作为代表，在被动平衡条件下使用自适应卡尔曼滤波器估算其SOC。Feng等人[17]使用带有优化权重初始化方法的反向传播神经网络来估算由100个串联连接的锂铁磷酸盐（LiFePO4）电池单元组成的电池组的SOC。在[18]中提出了一种估算串联连接锂离子电池组能量状态（SOE）的方法。SOE表示电池的剩余能量，取决于电池的SOC和端电压。在这项研究中，根据最低和最高内阻选择代表性电池单元，这些内阻是使用递归最小二乘算法识别的。Jiang等人[19]提出使用降级最小的电池单元（容量最大的电池单元）作为参考，用等效电路对其进行建模，其参数使用RLS算法进行了更新。然后使用自适应卡尔曼滤波器估算该参考电池单元的SOC。
在本文中，提出了一种数据驱动的框架，用于并联-串联锂离子电池组的SOC估算，旨在减少传感需求的同时保持高估算精度。本工作的主要贡献总结如下：
- •
基于表面温度测量值开发了一种核心温度估算方法，从而消除了对侵入式传感的需求。
- •
提出了一种基于核心温度-电压的联合标准，用于选择每个并联分支中的代表性电池单元。
- •
从测量数据中提取的特征被作为SOC估算模型的输入，以提高其精度。
- •
开发了一个基于深度学习的框架，用于有效估算电池组的SOC。
- •
设计了一个成本效益高的实验装置，用于从由八个锂离子电池单元组成的电池组中收集数据。
部分摘录
核心温度估算
电池芯的温度是电池性能的关键指标。由于直接测量核心温度具有侵入性，因此在实际应用中是不可行的，这可能会损害电池单元的结构完整性，并在充放电循环期间导致性能下降和潜在的安全风险。尽管一些研究通过钻入负极并插入温度传感器（如热电偶或RTD）来实施核心温度测量——
提出的SOC估算程序
所提出的电池组SOC估算方法结合了机器学习和代表性电池单元选择，以提高估算的准确性。图2展示了所提出方法的流程图。工作流程包括：
- A.
代表性电池单元选择：应用算法识别电池组每个并联分支中最具有信息量的电池单元。
- B.
特征提取：提取有意义的特征以训练SOC估算模型。
- C.
模型开发：
实验装置
设计了一个定制的电池测试系统，用于从电池组中收集数据。测试对象是一个由8个电池单元组成的锂离子电池组，采用两并联配置。这些电池单元是18,650型锂钴电池，额定容量为2200mAh，标称电压为3.7V，充电截止电压为4.2V，放电截止电压为3.0V。电池组使用IMAX B6 80W充电器进行充电，该充电器采用恒流-恒压充电方法。
结果与讨论
使用从由两个并联分支组成的8个电池单元组成的电池组收集的数据集评估了所提出的电池组SOC估算算法。在一项评估中，应用建议的策略识别代表性电池单元后发现，第1分支的电池单元1和第2分支的电池单元2在其各自分支中是最不一致的电池单元。
为了建立用于比较的参考SOC指标，根据电池的端电压确定了初始SOC
结论
本研究提出了一个数据驱动的框架，用于并联-串联锂离子电池组的准确SOC估算，通过代表性电池单元选择和基于表面温度的核心温度估算显著减少了传感需求。所提出的基于LSTM的架构，结合了从测量数据中提取的特征，表现出优越的性能——实现了0.35%（充电）和1.40%（放电）的MAE，并且始终优于线性回归、随机森林
CRediT作者贡献声明
Reyhane Mohammadrezaee：撰写——原始草稿，软件，方法论，正式分析，数据整理。Jafar Ghaisari：撰写——审阅与编辑，监督。Alireza Bakhshai：撰写——审阅与编辑，概念化。
写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT（OpenAI）来改进手稿的语法和可读性。使用该工具后，作者根据需要审阅和编辑了内容，并对出版物的内容负全责。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
