C2L-Net：一种用于锂离子电池放电过程中荷电状态估计的数据驱动模型

# C2L-Net：一种用于锂离子电池放电过程中荷电状态估计的数据驱动模型

来源：https://arxiv.org/html/2605.08653

\[1\] Khoa Tran

\[4,5\] Vin Nguyen-Thai

\[1\] 信息科学与技术学院数据科学实验室，\orgname 登德堂大学，\orgaddress 胡志明市，\country 越南

\[2\] 计算科学与人工智能研究所应用与工业数学实验室，\orgname 范朗大学，\orgaddress 胡志明市，\postcode 70000，\country 越南

\[3\] 范朗科技大学机械、电气和计算机工程学院，\orgname 范朗大学，\orgaddress 胡志明市，\postcode 70000，\country 越南

\[4\] 计算科学与人工智能研究所计算力学实验室，\orgname 范朗大学，\orgaddress 胡志明市，\postcode 70000，\country 越南

\[5\] 范朗科技大学土木工程学院，\orgname 范朗大学，\orgaddress 胡志明市，\postcode 70000，\country 越南

\[6\] 计算科学与人工智能研究所环境科学与气候变化实验室，\orgname 范朗大学，\orgaddress 胡志明市，\country 越南

\[7\] 范朗科技大学环境学院，\orgname 范朗大学，\orgaddress 胡志明市，\country 越南

\[8\] 登德堂大学信息科学与技术学院自然语言处理与知识发现研究组，\orgname 登德堂大学，\orgaddress 胡志明市，\country 越南

\[9\] AIWARE 有限公司，\orgaddress 岘港市，\country 越南

###### 摘要

精确的荷电状态（SOC）估计对于电池管理系统（BMS）中锂离子电池的安全高效运行至关重要。虽然数据驱动方法能够有效捕捉电池的非线性动力学特性，但许多现有方法依赖于长历史输入序列，导致计算成本高，并在驾驶循环初期引入由填充（padding）引起的偏差。为了解决这些局限性，我们提出了 C2L-Net，这是一种新颖的“上下文至最新”（context-to-latest）数据驱动框架，仅使用短历史窗口（20 秒）即可实现真实的在线 SOC 估计。与现有的短感受野或长历史模型不同，所提出的框架明确分离了上下文编码与最新测量值更新，从而实现高效的时间建模并快速适应动态电池状态。该模型结合了基于块的特征提取机制，将 Theta 注意力池化与基于傅里叶的季节性基相结合，在捕捉局部时间模式的同时减少序列长度。因果上下文编码器集成了门控循环单元（GRU）与因果余弦注意力（Causal Cosine Attention），在无信息泄露的情况下对时间依赖性进行建模。此外，受递归滤波启发的最新测量值解码器利用最近的测量值更新上下文状态，增强了在动态工况下的响应能力。在多种固定温度条件下的公开锂离子电池驾驶循环数据集上进行的大量实验表明，所提出的方法在显著提高计算效率的同时，实现了最先进的或具有竞争力的精度。特别是，C2L-Net 的推理速度比最新的数据驱动基线快高达 60 倍，且参数量更少，同时在未见过的驾驶剖面中保持鲁棒的性能。这些结果突显了该架构在实时和资源受限的 BMS 应用中进行实际部署的有效性。

###### 关键词：

锂离子电池，荷电状态估计，电池管理系统，数据驱动模型

## 1 引言

锂离子电池（LIBs）已广泛应用于电动汽车、便携式设备和可再生能源储能系统等各种应用中。其高能量密度、快速充电能力、低自放电率、长循环寿命以及相对较低的环境影响推动了其普及 \[li2025lightweight\]。此外，全球从燃烧能源向绿色能源转型以减少温室气体排放的趋势 \[hu2024state\]，也进一步促进了锂离子电池的广泛应用。

在使用锂离子电池的过程中，需要电池管理系统（BMS）\[saranathan2025navigating,wang2025integrated\] 来确保安全可靠的运行。BMS 执行多项关键功能，包括剩余使用寿命预测 \[ge2024structural,cai2024deep\]、健康状态估计 \[yang2025physics,sun2024state\] 以及荷电状态（SOC）估计 \[subashini2026physics,wong2024balancing\]。在这些功能中，SOC 估计受到了广泛关注，因为它有助于防止过充和过放 \[li2025lightweight\]。过充和过放会导致多种安全和退化问题，如电池膨胀、容量衰减、内部短路甚至爆炸，严重威胁电池的安全性和可靠性。一般来说，SOC 估计方法可分为三类：（1）直接测量法，（2）基于模型的方法，以及（3）数据驱动方法。

直接测量法是最简单的 SOC 估计方法，因为它们利用可直接测量的电池信号（如电压、电流和阻抗）来估计 SOC。例如，\[pop2005state\] 回顾了几种基于电池变量的直接测量技术，包括端电压、平衡电压、开路电压/电动势、阻抗和电压弛豫行为。然而，这些方法的准确性通常受到限制，因为测量的变量极易受温度、放电率、电池老化和弛豫效应的影响。\[westerhoff2016electrochemical\] 提出了一种基于电化学阻抗谱（EIS）的 SOC 估计方法，其中直接测量电池阻抗谱并将其拟合到简化的等效电路中。提取的电路参数（如 $R_0$、$R_C$ 和 $C_C$）随后用于估计 SOC。在他们的研究中，电池以 10% 的 SOC 步长进行充放电，随后在每个步骤中进行 EIS 测量。结果表明，这种方法可以改善 SOC 估计，特别是在中间 SOC 范围内。尽管如此，其准确性仍可能受到温度、电池老化和所选频率范围的影响。为了克服直接测量法的局限性，基于模型的方法已被开发出来，以纳入电池动力学并在各种工况下提高 SOC 估计精度。

基于模型的方法包括基于等效电路模型（ECM）的方法、基于电化学模型的方法 \[he2022comparative\]、基于卡尔曼滤波的方法 \[cui2022extended\]、基于粒子滤波的方法 \[chen2019particle\] 以及基于观测器的方法 \[tang2017observer\]。这些方法纳入了电池动力学，如电压响应、电流流动、内阻、极化效应、扩散行为和非线性电化学反应，以提高不同工况下的 SOC 估计精度。例如，\[bage2025enhanced\] 提出了一种基于模型的 SOC 估计方法，结合了二阶 Thevenin 等效电路模型（SOT-ECM）、自适应遗忘因子递归最小二乘法（FFRLS）和移动步长无味变换双扩展卡尔曼滤波（MUT-DEKF）。该方法捕捉快速和缓慢的电池动力学，在不同温度下适应模型参数，并提高了对噪声和工况变化的鲁棒性。然而，其性能仍然取决于等效电路模型的准确性，并且需要参数校准，这可能会增加实现的复杂性。\[chen2025design\] 提出了一种基于模型的 SOC 估计方法，使用等效电路电池模型和具有预定义收敛时间的鲁棒未知输入观测器（UIO）。该方法的主要优势在于，它在允许预先指定收敛时间的同时，提高了对模型扰动和不确定性的鲁棒性，从而比传统的滑模观测器实现更快、更准确的 SOC 估计。然而，其性能仍然取决于电池模型的准确性和观测器参数设计，这可能会进一步增加实现复杂性。因此，数据驱动方法得到了越来越多的发展，通过直接从数据中学习复杂的非线性电池行为，而无需明确的电池建模或广泛的参数识别，从而克服了这些局限性。

数据驱动方法完全依赖于测量的电池数据，通常使用神经网络模型来学习输入信号（如电压、电流和温度）与目标 SOC 之间的非线性关系。例如，\[li2025lightweight\] 提出了一种轻量级的数据驱动 SOC 估计框架，结合了序列双重 Savitzky–Golay（SG）滤波器、贝叶斯优化与超带（BOHB）以及神经网络剪枝。双重 SG 滤波器在将信号输入卷积神经网络（CNN）、长短期记忆（LSTM）和基于门控循环单元（GRU）的模型之前，对电压、电流和温度信号进行平滑处理，同时 BOHB 减少了超参数搜索时间，剪枝则减少了模型大小以便在嵌入式设备上部署。\[bao2024ttsnet\] 将电压、电流和温度分为独立分支，使用时间 Transformer 捕捉时间依赖性，并应用注意力引导的特征融合加上卡尔曼滤波以提高 SOC 估计精度。然而，虽然该模型在实验设置中具有鲁棒性和准确性，但由于其在每个时间步仍使用递归处理并依赖繁重的特征提取，因此在真实世界部署中可能不够现实，这会增加计算成本。\[yao2025multi\] 提出了一种用于在线 SOC 估计的多尺度时间卷积网络（MSTCN）。它使用具有不同感受野的几个时间卷积网络分支来提取短期和长期电池特征，然后应用跨尺度自注意力动态融合这些特征。然而，长达 3276.8 秒的非常长的感受野可能会引入隐式位置泄露，因为在驾驶循环开始时输入历史不可用，因此必须进行填充。由于该论文仅评估从 100% SOC 开始并以 0% SOC 结束的放电剖面，使用非常长的感受野导致每个序列的开头包含大量的零填充。因此，高 SOC 样本与长零填充历史相关联，而低 SOC 样本出现在序列后期，包含很少或没有填充。因此，模型可能会部分地从填充模式中学习到在放电剖面中的位置，而不是纯粹从真实的电压、电流和温度动力学中学习 SOC。该论文指出，因果 TCN 在输入序列的开头插入填充以将输出与时间步对齐，并且它使用高达 3276.8 秒的感受野，这支持了这一担忧。

尽管现有的 SOC 估计方法取得了显著进展，但在实际部署到真实世界的电池管理系统中时，仍存在几个关键局限性。首先，许多最近的数据驱动方法依赖于长历史输入序列以捕捉时间依赖性，这增加了计算成本和内存使用，使其不太适合实时和资源受限的环境。此外，使用长输入窗口通常需要在驾驶循环开始时进行零填充，从而引入隐式位置偏差。结果，模型可能会部分学习与序列位置相关的人工模式，而不是真实的电池动力学，这可能会降低在真实工况下的泛化性能。

其次，虽然 Transformer 和多尺度时间模型等先进架构提高了估计精度，但它们通常涉及复杂的特征提取管道和高计算开销。这种复杂性限制了它们在嵌入式系统中的应用，而在嵌入式系统中，低延迟和效率至关重要。此外，许多现有模型以均匀方式处理历史数据，没有明确区分长期上下文信息和最新测量值，而最新测量值通常对于捕捉电池行为的快速变化最为信息丰富。

因此，需要一种轻量且高效的 SOC 估计框架，其能够：（1）避免对长历史序列和填充机制的依赖；（2）使用紧凑表示捕捉基本的时间动力学；（3）有效整合近期测量值以提高动态工况下的响应能力和准确性。为了解决这些挑战，我们提出了 C2L-Net，这是一种“上下文至最新”的数据驱动模型，利用短窗口输入、基于块的特征提取、因果时间建模和最新测量更新机制，实现准确且高效的在线 SOC 估计。

本研究的主要贡献总结如下：

- **一种新颖的短窗口 SOC 估计范式**：我们提出了 C2L-Net，这是一种“上下文至最新”的数据驱动框架，仅使用短历史窗口（20 秒）即可进行准确的 SOC 估计。与依赖长输入序列的现有方法不同，所提出的设计消除了驾驶循环开始时零填充的需求，从而避免了填充引起的偏差，并提高了在线电池管理系统的真实性。
- **用于高效时间建模的基于块的特征提取机制**：我们引入了一种分块策略，结合 Theta 注意力池化和基于傅里叶的季节性基，从原始信号中提取紧凑且富有信息量的表示。该设计保留了局部时间动力学，同时显著减少了序列长度，实现了不牺牲预测性能的高效处理。
- **带有余弦注意力的因果上下文编码框架**：我们开发了一种上下文编码器，将门控循环单元（GRU）与因果余弦注意力集成，以严格因果的方式对时间依赖性进行建模。与传统的注意力机制相比，所提出的基于余弦的公式强调方向相似性，提高了对特征幅度变化的鲁棒性，同时防止未来信息泄露。
- **受递归滤波启发的最新测量更新机制**：我们设计了一个解码器，通过 GRUCell 利用最新测量值更新上下文状态，类似于可学习的状态更新过程。该机制使模型能够动态适应当前电池状况，提高了实时场景下的响应能力和估计精度。
- **展示精度-效率权衡的综合评估**：在多种固定温度条件下的公开驾驶循环数据集上进行的大量实验表明，C2L-Net 在显著降低计算成本和推理延迟的同时，实现了最先进的或具有竞争力的准确性。该模型在未见过的驾驶剖面中表现出强大的泛化能力。