编辑推荐：
电池状态估计的关键技术及优化路径研究。通过构建新型KalmanNet架构，整合神经网络自适应卡尔曼增益与自校正等效电路模型，在统一实验框架下对比EKF、SPKF、PF等传统方法及深度学习混合模型，验证其在温度波动、传感器噪声、电池老化等复杂工况下的优越性，并经TI C2000微控制器在环测试证实实时可行性。
伊斯兰·A·赛义德|尤瑟夫·马哈茂德
肯尼索州立大学电气与计算机工程系，美国乔治亚州玛丽埃塔市南玛丽埃塔公园路1100号，邮编30060
摘要
准确的电池荷电状态（SOC）估计对于确保电动汽车（EV）中锂离子电池的安全性、性能和寿命至关重要。然而，由于电池的非线性动态特性以及对温度、老化和负载变化的敏感性，可靠的估计仍然具有挑战性。本文介绍了两种额外的KalmanNet架构，这些架构扩展了神经-Kalman滤波框架，提高了估计的准确性、鲁棒性和计算效率。所提出的模型结合了神经Kalman增益学习器和自校正等效电路模型（ECM），以自适应地推断系统状态。在统一的建模和测试框架下，将这三种KalmanNet架构与扩展卡尔曼滤波器（EKF）、西格玛点卡尔曼滤波器（SPKF）、粒子滤波器（PF）以及最近的基于混合和深度学习（DL）的方法进行了基准测试。通过对多个电池单元和动态驾驶循环的全面实验，评估了在传感器噪声、温度变化、因老化导致的参数不匹配以及外部干扰下的鲁棒性。在德州仪器C2000微控制器上的处理器在环（PIL）验证确认了其实时可行性。结果表明，KalmanNet在保持低计算成本的同时，实现了卓越的准确性和鲁棒性，使其成为下一代电动汽车能源管理系统（EMS）中可扩展且具有实时能力的SOC估计框架。
引言
电池荷电状态（SOC）估计是能源管理系统（EMS）中的关键组成部分，用于监控和控制电动汽车（EV）中的电池使用情况。准确的SOC估计有助于防止过充和过放电，从而延长电池寿命并确保更安全的操作。此外，它还提供了剩余电量的信息，这对于避免意外停车至关重要。然而，由于SOC估计依赖于多种因素，如温度、充放电速率、滞后效应和老化等，因此本质上具有挑战性[1]、[2]、[3]、[4]、[5]、[6]。
基于模型的估计方法一直是SOC跟踪的基石。扩展卡尔曼滤波器（EKF）因其实时能力和适度的计算负载而得到广泛使用[7]、[8]、[9]。然而，它对模型参数的不确定性非常敏感，正如[7]中提出的鲁棒EKF所示，该算法试图通过状态增强来缓解这一问题；然而，这种方法仅使用电池模拟器进行验证，而没有实验数据，并且无法区分不同类型的模型不确定性。其他工作，如[10]使用联合移动视界估计，以及[11]采用鲁棒滑模观测器，解决了参数不确定性和老化问题，但并未评估其对传感器噪声、外部干扰或计算负载的鲁棒性，这限制了它们的实际应用。此外，许多传统方法依赖于精确的等效电路模型（ECM），这些模型需要准确的参数化来反映电池动态。然而，ECM的性能会随着老化而下降，并且对温度变化敏感，需要补偿机制来保持估计准确性[12]、[13]。
研究人员通过采用先进的滤波技术，如无迹卡尔曼滤波器（UKF，也称为西格玛点卡尔曼滤波器（SPKF）和粒子滤波器（PF），在非线性和不确定的操作条件下提高了鲁棒性，如[12]、[14]、[15]、[16]所示。UKF无需依赖局部线性化就能更有效地捕捉非线性系统动态，而PF适用于具有非高斯噪声和高不确定性的系统。然而，许多使用这些滤波器的现有研究[12]、[14]、[15]并未在关键的实际条件下（如温度变化、传感器噪声、外部干扰和由老化引起的参数不匹配）对其进行严格评估。
最近的研究越来越多地采用神经网络（NN）和深度学习（DL）技术进行SOC估计，利用它们无需依赖显式物理方程即可建模复杂非线性电池动态的能力[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]。其中，神经网络高斯过程（NNGP）[22]和门控循环单元-循环神经网络（GRU-RNN）[24]在预测准确性方面显示出比传统基于模型的滤波器更显著的改进。通过贝叶斯超参数调优优化的双向长短期记忆（BiLSTM）框架实现了低于2%的均方根误差（RMSE），尽管代价是较大的计算需求和庞大的训练数据集[25]。进一步结合注意力机制和温度补偿的改进提高了准确性[26]，但在老化、噪声和干扰下的评估仍然有限。最近，基于变压器的架构，如基于时间变换器的序列网络（TTSNet）在多个驾驶循环中实现了低于1%的RMSE[27]，但仍面临泛化、训练复杂性和计算效率方面的挑战。
将DL与传统滤波技术相结合的混合SOC估计方法提供了非线性建模能力和估计鲁棒性之间的有效平衡。例如LSTM-PF[28]、中心差分卡尔曼滤波器-带外源输入的非线性自回归网络（CDKF-NARX）[29]、极端梯度提升-自适应立方卡尔曼滤波器（XGBoost-ACKF）[30]、LSTM-UKF[31]、自动编码器-LSTM（AE-LSTM）[32]和LSTM-ACKF[33]等方法通过结合NN的学习能力和基于卡尔曼的滤波器的递归稳定性实现了高估计准确性。然而，大多数这些框架尚未在关键的实际条件下（如传感器干扰、温度变化、由老化引起的参数漂移或嵌入式硬件限制）进行验证，从而限制了它们的实际应用。
最近的研究[34]、[35]引入了将NN集成到卡尔曼滤波框架中的方法，称为KalmanNet，用于在有限条件下使用单一架构进行电池SOC估计。然而，由于其缺乏在干扰、老化和实时约束下的验证，其潜力尚未得到充分探索。同时实现高准确性、鲁棒性和计算效率仍然是电池管理研究中的主要挑战。在早期工作[34]、[35]的基础上，本文开发了两种额外的KalmanNet架构，扩展了原始框架。虽然KalmanNet最初是为信号处理[36]、[37]提出的，后来被应用于电池[34]、[35]，但其在实际变化下的可靠性尚未得到全面检验。所提出的模型在包括测量噪声、温度变化、外部干扰和老化在内的多种电池单元和条件下提高了鲁棒性和准确性。处理器在环（PIL）验证确认了其实时可行性，并在现实的EV场景下与EKF、SPKF、PF以及最近的基于混合和DL的估计器进行了统一基准测试。本文的主要贡献总结如下：
- •
本文首次介绍了两种额外的基于KalmanNet的电池SOC估计架构，扩展了先前研究中使用的框架。所提出的模型通过结合神经Kalman增益学习器和自校正ECM，提高了估计的准确性、鲁棒性和计算效率。
- •
开发了一种仅使用电压和电流测量数据的训练框架，消除了对真实卡尔曼增益数据的需求。
- •
所提出的方法使用标准EV驾驶循环、多个电池单元、温度变化、老化效应、传感器噪声、外部干扰、参数不匹配和计算负载的实验数据进行了广泛验证。
- •
在统一的建模和测试框架内，将KalmanNet与EKF、SPKF和PF进行了基准测试，确保了公平比较和一致评估。该研究还将其性能与最近的混合和基于NN的方法进行了对比，解决了先前文献中观察到的评估不一致性问题。
- •
通过在C2000微控制器上的PIL测试证明了实时可行性，确认了所提出的KalmanNet架构在嵌入式电池管理系统中的可部署性。
本文的其余部分结构如下。第2节介绍了用于电池SOC估计的KalmanNet实现。第3节概述了完整的估计工作流程。第4节描述了测试和验证框架，包括电池建模、NN架构、数据集规范、仿真设置和评估标准。第5节展示了各种操作场景下的结果。最后，第6节总结了主要发现并总结了本文。参考文献在文末提供。
节选
用于电池SOC估计的KalmanNet实现
KalmanNet最初是在信号处理中的EKF框架内为非线性信号估计而开发的，在本文中用于估计电池单元的SOC。通过将深度神经网络集成到递归估计循环中，KalmanNet能够自适应地学习卡尔曼增益，从而提高对测量噪声、参数变化和动态操作条件的鲁棒性。如图1所示，所提出的框架包括两个关键组成部分：一个电池单元
KalmanNet工作流程
所提出的基于KalmanNet的SOC估计框架如算法1所示，通过两个主要阶段进行操作：预测和更新，同时保持了传统卡尔曼滤波器的递归结构。在每个采样步骤中，模型使用ECM矩阵和来预测电池状态和输出，然后计算过程和测量协方差以量化不确定性。根据所选架构的不同，提取一组不同的特征：
测试和验证设置
通过在多种操作条件和多个电池单元下的广泛实验验证，证明了所提方法的可靠性、准确性、鲁棒性和泛化能力。该框架与传统滤波器EKF、SPKF和PF以及最近的基于混合和DL的估计器进行了严格基准测试，证实了其在EV应用中用于实际SOC估计的有效性。因此，测试步骤如下：
结果与讨论
本节对所提出的SOC估计方法在准确性、跨单元泛化能力以及对抗温度变化、参数不匹配、外部干扰和传感器噪声的鲁棒性方面进行了全面评估。此外，还使用PIL测试分析了执行时间，以评估实时部署的可行性。
结论
本文首次提出了两种新的KalmanNet架构，用于电动汽车的电池SOC估计，将文献中使用的框架扩展为一个统一的、经过实验验证的神经-Kalman滤波系统，该系统结合了神经Kalman增益学习器和自校正ECM。这三种KalmanNet架构与EKF、SPKF、PF以及最近的基于混合和DL的方法进行了基准测试，使用了统一的建模和测试框架。实验结果在多个
CRediT作者贡献声明
伊斯兰·A·赛义德：写作 - 审稿与编辑、原始草稿撰写、可视化、验证、软件、资源、方法论、形式分析、数据整理、概念化。尤瑟夫·马哈茂德：监督、资金获取、项目管理、写作 - 审稿与编辑。
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。
致谢
本项工作得到了美国乔治亚州肯尼索州立大学跨学科工程博士项目的支持。
