利用具有多阶段电流充电模式和优化分割技术的神经网络对锂离子电池的剩余电量进行估算

《Engineering Applications of Artificial Intelligence》：State of charge estimation of lithium-ion batteries using neural networks with multi-stage current charging patterns and optimized segmentation

锂离子电池荷电状态（SoC）估计研究提出基于多阶段恒流充电（MSCC）与树结构帕累托估计器（TPE）优化的神经网络框架，通过动态调整充电阶段分割参数（电流变化阈值τ与平滑窗口W），结合六个电化学可解释特征实现高精度SoC预测，测试集RMSE达0.0128，验证集0.002，优于传统方法。

　　

Shivi Varshney|Bhavnesh Kumar|Alok Prakash Mittal

印度新德里Netaji Subhas技术大学仪器与控制工程系

摘要

锂离子电池的荷电状态（SoC）估计对于确保电动汽车和储能应用中的安全、可靠和高效运行至关重要。本研究提出了一种基于数据驱动的SoC估计框架，该框架使用从多阶段恒流充电（MSCC）分析中提取的特征进行训练的神经网络来实现。采用了一种基于树结构的Parzen估计器的网格搜索方法来优化MSCC分割参数，即电流变化阈值和平滑窗口大小，从而获得一致的充电阶段。从每个优化后的MSCC段中计算出一组六个具有电化学解释意义的特征：平均电压、最大电压、最小电压、平均电流、充电时间和能量，并将这些特征作为输入，用于一个6-10-8-1前馈神经网络，该网络使用Levenberg-Marquardt算法在70:30的保留协议下进行训练。所提出的神经网络的性能通过一个与训练和测试数据集不同的独立数据集进行了验证。在测试中，其均方根误差为0.0128，在验证中为0.002，优于线性回归、支持向量回归和随机森林基线方法。结果表明，优化的MSCC分割结合物理意义上的特征设计显著提高了SoC估计的准确性和泛化能力，突显了该方法在电动汽车和储能应用中实际电池管理系统部署中的适用性。

引言

锂离子电池由于其高能量密度、高效率和长寿命而被广泛用于电动汽车（EVs）、可再生能源系统、便携式电子产品和电网系统（Urquizo和Singh，2023）。高精度的荷电状态（SoC）估计可以提高这些电池和电动汽车的可靠性、效率和寿命（Adaikkappan和Sathiyamoorthy，2022）。尽管在电池数据预处理方面取得了显著进展，但由于复杂的电化学过程，准确的SoC估计仍然是一个最大的挑战。因此，使用人工神经网络来模拟锂离子电池的动态是一种流行的方法。

最近，不同的神经网络（NN）架构，如前馈神经网络（FNNs）、多层感知器、使用长短期记忆的循环模型和门控循环网络，已被用于通过电压、电流或温度测量来估计SoC（Sudarshan等人，2024）。此外，与不同互补模型的结合可以增强特征学习和预测稳定性。此外，结合来自相关物理的约束条件可以提高这些模型在不同操作条件下的泛化能力。然而，大多数现有方法依赖于静态的分割参数和特征表示，导致在不同电池化学成分、老化状态和充电曲线下的适应性较差。这导致特征提取不一致、误差传播以及跨数据集的泛化能力降低（El Ouazzani等人，2024；Park等人，2024）。此外，传统的聚合和基于滑动窗口的预处理方法要么忽略了局部退化特征，要么无法捕捉长期充电行为（Yang等人，2024；Alao等人，2025）。这些限制促使人们开发了优化和自适应的分割方法，例如树结构Parzen估计器（TPE）集成框架（Rudin等人，2022）。

最近的研究应用了具有时间学习的深度神经网络来改善动态条件下的SoC估计（Tang等人，2023）。贝叶斯优化和元启发式算法，如TPE、遗传算法（GA）、差分进化（DE）和粒子群优化（PSO），已被用于超参数优化，提供了在不同老化状态和操作模式下的更好泛化能力（Adedeji和Kabir，2023；Hu等人，2025）。此外，多阶段恒流（MSCC）预处理技术提供了电池电压动态和电化学系统的逐阶段分析，允许在不同操作场景下更准确地估计SoC（Selvaraj和Vairavasundaram，2024）。但是，使用固定的分割参数（如电流变化阈值（τ）和窗口大小（W）会引入固有的限制。固定的阈值无法有效跟踪与不同电池材料、老化状态和操作环境相关的阶段变化，而固定的窗口长度可能会过度平滑关键过渡或无法有效抑制噪声（Bin Kaleem等人，2024）。此外，这种不灵活性还可能影响特征提取，并进一步导致误差传播，降低SoC估计的准确性和可靠性（Gu等人，2021）。因此，尽管传统的聚合方法和固定阈值分割在计算上高效，但对于在动态充放电条件下表现出可变退化模式的电池来说往往效率低下（Jiao等人，2024）。此外，滑动窗口技术虽然能够捕捉短期变化，但常常会忽略长期充电行为，从而限制了预测准确性。MSCC协议提供了一种以特定电化学特性对应的定义阶段形式的特征提取预处理框架，也不需要任意阈值（Luo等人，2025；Yang等人，2026）。

为了减少上述限制，本研究结合了MSCC的物理原理和TPE优化方法来动态更新τ和W。这种方法实现了抗噪声和泛化的SoC特征提取。结果证明，TPE-MSCC-NN框架在LG INR18650-35E数据集上提高了特征一致性和SoC估计的准确性，并在NASA B0005数据集上展示了强大的泛化能力。总体而言，所提出的框架弥合了启发式预处理技术和可部署的稳健SoC估计模型之间的差距。以下是本研究的主要贡献：

•

提出了一种TPE优化的MSCC分割框架，用于动态调整电流变化阈值和平滑窗口大小，从而获得稳定且具有物理意义的充电阶段。

•

开发了一种结构化的、分阶段的特征工程策略，以选择一组紧凑的、具有电化学解释意义的特征，以最小化冗余并提高特征一致性。

•

利用优化后的MSCC特征实现了一个基于神经网络的SoC估计框架，用于阶段末尾的SoC预测，实现了低预测误差和良好的泛化能力。

•

所提出的TPE-MSCC-NN框架在LG INR18650-35E实验室数据集和NASA B0005数据集上得到了验证，证明了其在不同操作条件和数据集下的稳健性和适用性。

本文的其余部分组织如下：第1节介绍背景，第2节描述了提出的方法，第3节讨论了结果和性能评估，第4节总结了研究。

章节摘录

锂离子电池系统和模型的研究

所提出的SoC估计框架是使用两个代表性的锂离子电池数据集开发和评估的。主要数据集包含来自商用圆柱形锂离子电池的实验室测量充电和放电数据，用于模型开发和性能分析。为了评估所提出方法的泛化能力，使用NASA B0005数据集独立验证了相同的分割、特征提取和学习流程

结果与讨论

本研究使用的数据集包含了在受控实验室条件下对锂离子电池进行充电过程中收集的时间序列测量数据。原始数据包含9个变量，共采样了757,249个样本。为了进行预测建模，首先对数据集进行了预处理，使用累积电荷（$Q_{\text{charge}}$）及其每个周期的最大值（Q_max）来计算SoC。885个充电周期的平均Q_max为2814.08 mAh。

结论

本文提出了一种基于神经网络的SoC估计框架，该框架使用Levenberg-Marquardt算法进行训练。采用基于MSCC的预处理策略将原始充电曲线压缩为信息丰富的分阶段特征表示，实现了多时间尺度的特征提取，并在动态操作条件下提高了预测准确性。进一步集成了受TPE启发的网格搜索优化，以动态选择分割

CRediT作者贡献声明

Shivi Varshney：撰写——原始草稿、验证、调查、形式分析、数据整理。Bhavnesh Kumar：撰写——审阅与编辑、监督、方法论、概念化。Alok Prakash Mittal：撰写——审阅与编辑、监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。