基于模式的变压器在物联网（IoT）电池管理系统中的SOC（剩余电量）估计中的应用：迈向高效且可解释的建模

《Applied Energy》：Pattern-aware transformer for SOC estimation in IoT-based battery management systems: Toward energy-efficient and interpretable modeling

电池状态估算模型研究：提出PATM框架，融合模式嵌入机制与特征工程，在浮点-名义、恒流、能量释放多场景下显著优于LSTM和GRU基线，降低误差54.9%-75.9%，验证跨场景鲁棒性。

　　

邓云嘉|黄江|熊胜华|陈振松|德维吉·穆罕默特

四川省民用航空飞行大学民用飞机火灾科学与安全工程重点实验室，中国广汉618307

摘要

准确估计电池剩余电量（SOC）对于提高物联网（IoT）应用中电池管理系统（BMS）的效率和可靠性至关重要。本研究介绍了模式感知变压器模型（PATM），这是一种适用于浮标标称（FN）、恒流（CC）和能量释放（ER）场景的SOC预测的可解释框架。PATM通过引入模式嵌入机制扩展了标准变压器架构，该机制明确编码了操作条件并指导自适应注意力分配。特征工程流程结合了互信息（MI）排序和主成分分析（PCA），在保留物理相关变量的同时降低了维度。在真实世界数据上，PATM的均方根误差（RMSE）为2.08×10^-3，均方误差（MSE）为0.9998，性能优于长短期记忆（LSTM）和门控循环单元（GRU）基线模型。与单场景CC建模相比，多场景学习分别将RMSE、MAE、MSE和MAPE降低了54.9%、80.1%、79.6%和75.9%。消融研究进一步表明，移除嵌入模块会使RMSE增加2.4%，MAE增加17.8%，MSE增加4.9%，而均方根相关性（R^2）几乎保持不变。这表明嵌入机制增强了跨场景的鲁棒性和误差稳定性。SHapley加性解释（SHAP）分析和注意力可视化揭示了模型对物理相关因素的依赖性，包括温度梯度、电压波动和内阻。

引言

电池储能支持智慧城市基础设施、工业自动化和电网交互式可再生能源。分布式电池储能系统（BESS）和密集的电池驱动IoT终端网络实现了感知、分析和灵活性服务[1]、[2]。对于IoT类设备，由于锂离子技术的集成性和能量密度，包括薄膜和3D微电池架构，因此受到青睐，它们支持片上或微系统部署[2]、[3]、[4]。在市场导向的操作中，如需求响应、能源套利和频率控制/恢复储备，可靠的SOC信息能够在循环和退化约束下实现安全调度和收入优化[5]、[6]、[7]。最近的综述表明，SOC估计的准确性仍然是跨异构资产和实际工作周期可靠性的关键瓶颈[8]、[9]、[10]。

SOC估计的复杂性源于非线性和路径依赖的电化学动态，这些动态随温度、负载曲线和老化而变化。在低温下，增加的电荷传输电阻和缓慢的离子及固态扩散会扭曲电压-SOC关系，从而影响基于电压的估计器[11]。在高温下，寄生反应通过将热效应与电化学行为耦合来缩小安全裕度并增加估计不确定性[12]。老化还会以SOC和温度依赖的方式重塑开路电压（OCV）斜率和内阻，导致参数漂移，随着时间的推移累积为估计误差[13]、[14]。因此，即使应用了自适应调整，经典方法如库仑计数、OCV查找和基于等效电路模型的卡尔曼滤波器也容易受到传感器偏差、滞后效应和操作条件变化的影响[15]、[16]。

数据驱动的估计沿着互补路径发展。概率学习器，如GPR，能够捕捉非线性结构并提供校准的不确定性。当结合相关性分析或PCA以减少冗余时，它们的表现良好[17]、[18]。当有阻抗数据时，基于EIS的变体可以提高准确性[19]。深度序列模型从基于RNN/LSTM和BiLSTM的基线模型发展而来，这些模型从电流-电压-温度流中学习[20]、[21]，进而发展到借助观察者和基于Transformer的估计器，这些估计器在复杂的工作周期下改进了长期时间建模[22]、[23]。为了解决温度、化学成分和使用方式的变化，迁移学习和领域适应使模型能够在不同电池和场景之间泛化，包括联合SOC-SOH公式[24]、[25]、[26]。同时，物理指导的学习用电化学结构约束假设。物理信息驱动的深度模型和SPM混合方法在数据稀疏或偏移的情况下提高了外推能力和可解释性[27]、[28]。特征工程仍然很重要：物理意义上的描述符和信息论排序提高了准确性和数据效率，而PCA减少了共线性。这些发现在一项项SOC/SOH研究中得到了一致的报告[29]、[30]、[31]、[32]。

为了解决多场景SOC估计的局限性，本研究提出了PATM框架，该框架通过模式嵌入机制扩展了标准Transformer，以编码不同的操作条件。PATM的核心创新是其多场景融合策略，它通过动态注意力分配处理来自不同操作阶段的数据，从而提高适应性。与现有方法相比，PATM的嵌入机制提供了直接的条件建模，适用于需求响应和频率调节等电力市场应用。使用MI排序和PCA的特征工程流程在保留信息的同时降低了维度，为轻量级设计保留了物理意义上的变量。系统评估证明了PATM优于LSTM和GRU基线模型。单场景和多场景比较验证了多场景输入的优势。消融研究突出了嵌入模块在提高跨场景鲁棒性方面的作用。

主要贡献如下：

(1)

提出了一种多场景建模方法，该方法整合了来自不同操作阶段的数据，实现了跨操作条件的自适应注意力。

(2)

提出了一种高效的特征设计，该方法结合了MI排序和PCA，减少了冗余同时保持了物理可解释性。

(3)

实证评估表明，PATM在多个误差指标上的表现优于LSTM和GRU，证明了其更强的预测能力。

(4)

通过消融研究验证了鲁棒性，证实了嵌入模块对跨场景性能的贡献。

(5)

通过证明多场景建模显著降低了预测误差，验证了场景适应性。

本文的结构如下：第2节详细介绍了数据集和特征工程过程。第3节介绍了PATM框架设计和实验方法。第4节总结了关键发现并探讨了未来方向，包括噪声缓解和模型优化。

部分摘录

数据采集和特征表示

为了确保SOC预测在现实世界的复杂性下保持高精度和强大的泛化能力，本研究开发了一个基于实际BMS操作日志的多场景数据集。我们没有依赖实验室控制的环境，而是实现了一个计算效率高、考虑能源因素的特征工程流程，旨在将原始传感器遥测数据转换为物理意义上的描述符。本节阐明了数据架构和预处理过程

PATM框架和评估协议

为了验证所提出的PATM方法在节能IoT部署中的有效性，本文介绍了一个轻量级的、基于Transformer的多场景建模框架，专为电池感知的边缘分析量身定制。设计了一系列比较实验，以评估不同模型架构和操作条件输入对预测性能的影响。具体来说，本文首先详细解释了所提出的PATM模型架构

结论

本研究提出了PATM，这是一个用于IoT基础BMS中SOC估计的强大且可解释的框架。通过使用来自IoT电池系统的真实世界数据进行的广泛实验，证明了该模型在多种操作条件下准确预测SOC的能力。本研究的关键发现和贡献如下：

(1)

PATM在多个评估指标上的表现优于传统模型，如LSTM和GRU，包括RMSE、MAE、MSE和MAPE。

CRediT作者贡献声明

邓云嘉：撰写——审稿与编辑，撰写——初稿，软件，方法论，概念化。黄江：撰写——初稿，验证，资源，形式分析。熊胜华：撰写——初稿，验证，资源。陈振松：撰写——审稿与编辑，验证，监督，方法论。德维吉·穆罕默特：撰写——审稿与编辑，可视化，监督，调查。

科学写作中生成式AI的声明

在准备这项工作时，作者使用了ChatGPT来提高语言的流畅性和可读性。之后，作者对内容进行了彻底的审查和编辑，并对出版物的所有方面承担了全部责任。

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会影响本文所述的工作。

致谢

作者感谢编辑和审稿人对我们论文的处理和审查。他们还要感谢Wan-Ki Chow教授和Rui-Ming Zou博士对本文提出的宝贵建议和评论。这项工作得到了中国国家重点研发计划 [项目编号：2024YFC3014400]、四川省自然科学基金 [项目编号：2023NSFSC0315, 2024NSFSC0180]、中央高校基本科研业务费 [项目编号：25CAFUC07002]的支持