一种新颖的扩展卡尔曼滤波器引导长短期记忆算法，用于在多温度下估计功率锂离子HAWKER蓄电池的电荷状态

锂离子电池的电荷状态（SOC）对电动汽车至关重要。然而，当前基于神经网络的SOC估计算法未能考虑特征增强在减少网络训练时间和提升输出稳定性方面的效果。针对上述问题，本文提出了基于扩展卡尔曼滤波器引导长短期记忆网络（EKF-GLSTM）的SOC估计算法。首先，该算法利用EKF算法解决由于测量限制导致的输入特征少和强烈非线性问题，实现了从原始电池测量数据中提取增强特征的目的。其次，为了更好地引导LSTM神经网络更好地捕捉电池行为的时序依赖性和动态特性，算法将EKF提取的增强特征与原始测量数据一同输入到LSTM神经网络，从而增强了神经网络的回归预测能力。此外，EKF和LSTM的融合减少了测量噪声和模型不确定性的影响。EKF-GLSTM算法可在多种温度和工作条件下验证。相比EKF算法和LSTM算法，它能分别将最大误差提升超过17.24%和58.09%。

简介

它是新能源电动汽车技术发展的关键环节之一，能够准确估算锂电池的太阳能电池SOC，这对于保障车辆安全、提升用户体验和推动行业进步具有重要意义。SOC的准确估算与新能源电动汽车的车辆安全性直接相关[1,2]。作为电动汽车的核心动力来源，电池的工作状态直接影响车辆的性能和可靠性[3]。准确的SOC估计实时反映电池剩余电量，帮助电池管理系统（BMS）优化充电和放电策略，防止电池过放、过充或过热，从而延长电池寿命并降低故障率[4,5]。此外，精确估算太阳能量是推动新能源电动汽车快速发展的技术基础之一[6]。随着电动汽车市场的持续扩大，消费者对车辆性能和安全的需求也在增长[7,8]。通过提高SOC估算的准确性，电动汽车的消费者信任度得以提升。
近年来，随着计算资源的发展，神经网络算法成为估计锂电池SOC的研究热点，因为它们能够直接从输入特征中提取状态信息。然而，由于复杂的内部电化学反应和物理传输过程，锂电池属于高度非线性系统。由于内部复杂的电化学反应，神经网络算法难以实现高估计精度。因此，应构建智能神经网络估计策略，以解决系统的非线性问题，并基于现有检测信号提取增强特征，以引导神经网络实现高精度的SOC估计。

常用的SOC估计方法主要包括安培小时积分法、开路电压（OCV）法、电化学建模法、神经网络法以及基于等效电路模型的方法[9,10]。安时积分法是一种基于电流积分的方法，通过测量电池的充电和放电电流并随时间积分来估算SOC[11]。优点在于实现简单，但缺点是容易受到初始SOC误差和电流测量误差的累积影响[12]。开路电压法利用电池的OCV与SOC之间的对应关系来估算SOC[13]。该方法简单直观，但需要电池处于静止状态才能获得准确的OCV。因此，在动态操作条件下的适用性有限[14,15]。安培小时积分法常与开路电压法配合使用，用于SOC估计。然而，这两种方法的协同估计本身并不具备校正能力。在估计过程中，初值和采样误差会被持续放大。
电化学建模方法基于电池内部的电化学反应机制，构建复杂的电化学模型以估算SOC。这种方法的准确度更高。然而，电化学模型复杂且计算量大，使其难以实时应用[16,17]。首先，电化学模型通常基于电池内部复杂的物理和化学反应机制。模型更复杂，涉及大量参数和方程，导致计算量大，难以满足实时需求[18,19]。其次，模型的准确性高度依赖于精确的参数识别和初始条件设置。然而，由于电池实际使用过程中发生的老化和温度变化等不可控因素，模型参数难以实时校准 [[20]， [21]， [22]]。因此，电化学建模方法通常更适合离线分析或作为其他方法的理论支持[23]。
基于等效电路模型的SOC估计方法在实际应用中更为广泛。等效电路模型是对电池电化学和物理行为的简化描述[24,25]。要完全捕捉电池内部复杂的电化学反应和物理传输过程非常困难[26,27]。考虑多重因素（如老化、温度变化、充放电速率等）影响的模型参数识别方法，可以在一定程度上提高等效电路模型的准确性[[28]， [29]， [30]]。然而，超参数的频繁校准增加了识别和估计的复杂度[31,32]。Shi 等人开发了一种自适应识别算法，用于等效电路模型的频率差特性[33]。Zhu 等人提出了一种针对等效电路模型的识别方法，考虑了滞后效应[34]。通常，基于等效电路模型的SOC估计方法高度依赖于模型等价性的合理性、模型参数识别的准确性以及估计算法的有效性[35,36]。如果算法设计不当，可能无法有效处理噪声和非线性[37]。因此，基于等效电路模型的SOC估计方法需要在实际应用中全面考虑模型设计、参数识别和算法优化，以提升估计的准确性和适应性。
基于神经网络的SOC估计方法无需考虑电池的内部机制。神经网络的核心是通过映射实现从输入特征到输出状态参数的功能描述[38,39]。神经网络的训练需要大量高质量的数据[40]。当数据受到噪声干扰或输入训练数据未被覆盖时，神经网络的性能将大幅下降。此外，由于模型的可解释性较差，神经网络模型的推广性难以保证，这使得理论分析其内部机制变得困难[41,42]。如果缺乏适当的特征提取，神经网络的性能通常会受到限制[43]。通过利用多种算法的优势，可以提高SOC估计的准确性。单一算法很难完全捕捉电池复杂的动态特性。多算法融合策略可以通过利用不同算法的互补特性，准确估计 SOC[44]。刘等人提出了一种通过神经网络计算扩展卡尔曼滤波算法的SOC纠错值的方法，显著提高了估计准确性[45]。Kuang 等人应用了 H-infinity 滤波器来降低深度学习估计结果的噪声[46]。谢等人使用优化的扩展卡尔曼滤波算法平滑神经网络的SOC估计结果[47]。Zhang 等人利用 LSTM 神经网络更新了 Cubature Kalman 滤波算法的观测数据[48]。Wang 等人使用优化后的 LSTM 神经网络的 SOC 估计值，而非智能自适应扩展 Kalman 滤波算法中的电压观测[49]。赵等人分别使用LSTM算法和支持向量回归算法获得长期和短期SOC值，并将结果融合[50]。赵等人通过确定算法在电池的不同状态中的融合因子，实现了智能和滤波算法的融合估计[51]。K. Khemiri 等人结合了 LSTM 算法与 EKF 算法，利用权重因子开发了具有强噪声适应性的 SOC 估计算法[52]。目前，聚变估计研究在提高SOC估计准确性方面取得了显著成果。然而，大多数研究侧重于权重因子分配、算法噪声减少处理或观测方程优化。从特征增强角度设计和开发SOC高精度估计策略尚未被深入研究。
本文提出了一种基于EKF-GLSTM的SOC估计算法，用于神经网络的输入特征增强问题。EKF-GLSTM算法结合了等效电路模型的强大物理可解释性优势与神经网络的非线性拟合能力。它实现了更高效的SOC估计。首先，该算法通过处理现有测量的电压和电流，提取增强特征。该特征提取方法无需依赖高精度模型识别结果或复杂的算法优化设计，从而避免了模型设计、参数识别和传统等效电路模型算法优化之间的繁琐过程。其次，为了更好地引导LSTM神经网络更好地捕捉电池内部状态的时序依赖性和动态特性，增强特征与主要测量数据一同输入LSTM神经网络。这种融合显著增强了神经网络的回归预测能力，使其能够更准确地捕捉电池状态的变化。与此同时，由于增强特征的引入，测量噪声和模型对SOC估计的不确定性干扰得以抑制。本研究补充现有研究，从特征增强角度设计和开发SOC高精度估计算法。

本文巧妙结合了两种算法，EKF和LSTM，以发挥各自的优势。EKF-GLSTM算法利用EKF算法基于测量的电压和电流实现增强的特征提取。提出的EKF-GLSTM算法向LSTM算法注入物理制导特征，降低了LSTM的训练难度。本文的贡献如下。

• (1)
  本研究针对由于测量限制导致输入特征少且非线性问题，提出了测量信息增强的概念，利用扩展的卡尔曼滤波算法从原始电池数据中提取增强特征。
• (2)
  提出引导估计的理念，旨在通过将增强特征输入LSTM神经网络，从而削弱测量噪声和模型不确定性，从而提升LSTM神经网络捕捉电池行为时间依赖性和动态特性的能力。
• (3)
  提出了一种新型EKF-GLSTM神经网络SOC估计算法，并验证了该算法的估计准确性和鲁棒性。