观测器引导的深度学习用于锂离子电池荷电状态与健康状态的联合估计

准确且鲁棒的荷电状态（State of Charge，SOC）与健康状态（State of Health，SOH）估算是锂离子电池安全性、效率及寿命管理的基础，但由于二者存在强耦合且时变的非线性动态特性，仍具挑战性。研究人员提出了一种融合双扩展卡尔曼滤波（Dual Extended Kalman Filter，DEKF）与带自注意力增强的双向门控循环单元（Self-Attention Bidirectional Gated Recurrent Unit，STBiGRU）的混合数据—物理框架。DEKF捕捉动态状态变化并生成物理一致特征，再与深度时序表征融合以联合估算SOC与SOH。此外，研究人员提出一种循环特征法，通过将SOC下降速率与容量衰减相关联来量化SOH。在动态驾驶工况（4C、US06、DST、FUDS）测试中，该框架的SOC估算均方根误差（Root Mean Square Error，RMSE）较GRU基线最高降低60%；在循环老化条件下，SOC估算RMSE < 2%，SOH估算误差 < 4%。结果表明，将可解释的等效电路模型与基于注意力的循环神经网络耦合，可克服现有方法的误差累积与特征提取局限。该研究为面向电动汽车与储能电网应用、具备安全精确自适应监测能力的物理信息电池管理系统（Battery Management System，BMS）提供了可扩展的实现途径。

本文对发表于《Journal of Energy Storage》的论文《Observer-guided deep learning for joint state of charge and state of health estimation of lithium-ion batteries》（Guangyang Lin, Hui Pang, Jiarong Du, Xudong Qu, Yushan Leng, Jingyuan Zhao，西安理工大学）进行解读总结。

一、研究背景与意义

锂离子电池（Lithium-Ion Battery，LIB）作为电动汽车（Electric Vehicle，EV）的主流储能载体，具备循环寿命长、能量密度高及功率质量比优异等优点。其安全可靠运行高度依赖于荷电状态（State of Charge，SOC）与健康状态（State of Health，SOH）的精确协同估算。现有SOC–SOH协同估算方法分为基于数据驱动的方法和基于模型（滤波器/观测器）的方法两大类。数据驱动方法（如高斯过程回归、随机森林、各类神经网络）善于刻画非线性退化关系，但难以同时捕捉SOC（快变、与端电压强相关）与SOH（慢变、与阻抗/容量相关）的多时间尺度耦合关系，且易因结构复杂导致计算效率低与梯度消失；基于模型的方法（如扩展卡尔曼滤波Extended Kalman Filter——EKF、无迹卡尔曼滤波Unscented Kalman Filter——UKF、滑模观测器等）依赖递推状态方程，对初值误差敏感，易引发收敛慢与误差累积，且EKF的一阶泰勒展开在强非线性系统中精度受限。因此，当前协同估算面临两大瓶颈：（i）难以有效捕获SOC与SOH间强非线性耦合交互；（ii）对初始状态敏感导致的误差累积。针对上述不足，研究人员提出一种观测器引导的物理信息深度学习混合框架，将二阶RC等效电路模型（Second-Order RC Equivalent Circuit Model，2RC-ECM）结合双扩展卡尔曼滤波（Dual Extended Kalman Filter，DEKF）与带自注意力（Self-Attention）的双向门控循环单元（Bidirectional Gated Recurrent Unit——BiGRU，即STBiGRU）相融合，并引入循环特征法关联SOC下降率与容量衰减以实现可解释SOH量化，旨在克服单一方法局限，提升联合估算精度与鲁棒性。

二、主要关键技术方法

研究人员采用2RC-ECM模拟电池动态行为，以开路电压（Open Circuit Voltage——U_ocv）为SOC函数建立状态空间方程。首先利用DEKF在线递推跟踪SOC与辨识慢变等效电路参数（反映SOH相关信息），输出物理一致的SOC轨迹及极化电压U₁、U₂等观测量作为融合特征；将DEKF所得特征与原始电流I、端电压U_t、温度等时序数据拼接，输入STBiGRU网络提取深层时序依赖并通过自注意力机制加权关键时间步，实现SOC端到端回归；同时设计循环特征法，在同循环内计算特定工况下SOC随时间下降的平均速率，建立该速率与电池额定容量衰减（即SOH）的定量映射关系以独立估算SOH。实验数据来源于ITECH-ITS5300电池测试系统与HYD-TH-80DH温箱采集的LIB动态工况（4C、US06、DST、FUDS）及循环老化数据集，以DEKF初估值为基准监督训练，并在多组动态与老化条件下验证框架性能。

三、研究结果

Battery modelling（电池建模）

研究人员选用2RC-ECM（含欧姆内阻R₀，极化电阻R₁、R₂与极化电容C₁、C₂），依据基尔霍夫定律推导状态方程：极化电压微分 U̇₁=I/C₁−U₁/(R₁C₁)，U̇₂=I/C₂−U₂/(R₂C₂)；端电压 U_t=U_ocv(SOC)−U₁−U₂−IR₀。该模型为后续DEKF提供可在线更新的离散状态空间表达式，兼顾电化学极化效应与计算效率。

Dual extended Kalman filter（双扩展卡尔曼滤波）

针对传统EKF假设参数静态无法适应温度/倍率/老化引起参数时变的问题，研究人员采用DEKF将状态向量拆分为快变状态（SOC、U₁、U₂）与慢变参数（R₀、R₁、C₁、R₂、C₂），分别用两套EKF交替时间更新与量测更新：时间步k先以当前参数估算状态，再用新量测更新参数，实现SOC实时追踪与等效电路参数在线辨识（间接反映SOH趋势），输出物理约束下的状态序列供深度学习模块使用，缓解纯数据方法缺乏物理解释性与初值敏感问题。

Results and analysis（结果与讨论）

研究人员在动态驾驶工况与循环老化实验中对比所提DEKF–STBiGRU框架与GRU、LSTM、AEKF–LSTM及单独DEKF等基线模型。结果表明：（1）动态工况（4C、US06、DST、FUDS）下，所提框架SOC估算均方根误差（RMSE）较普通GRU基线最高降低约60%，平均绝对误差（Mean Absolute Error——MAE）与最大误差均显著减小，证明STBiGRU对DEKF物理特征与时序电流/电压信息的融合有效抑制了噪声与单模型误差传播；（2）循环老化条件下，SOC估算RMSE < 2%，SOH（以容量保持率计）估算误差 < 4%，优于各对照方法；（3）参数辨识结果中R₀等随循环次数增大呈上升趋势，与电池老化规律一致，验证了DEKF参数追踪合理性；（4）循环特征法建立的SOC下降速率–容量衰减关系在不同老化阶段保持较好线性度，为SOH提供可解释量化依据。综上，混合框架兼具物理模型的可解释性与深度学习对复杂时序特征的提取能力，克服了传统方法在SOC–SOH耦合建模与初值敏感性上的缺陷。

四、结论（翻译自Conclusion小节）

本研究提出一种观测器引导的物理信息深度学习框架，用于锂离子电池SOC与SOH的联合估算。二阶RC等效电路模型结合双扩展卡尔曼滤波提供具物理可解释性的状态观测，而经自注意力增强的双向门控循环单元捕获电池退化过程中复杂的时间依赖关系。循环特征法则进一步建立了SOC下降速率与容量衰减间的定量联系，从而实现可解释的SOH估算。在动态工况与循环老化条件下的大量仿真与实验表明，该混合框架相较基线方法显著提升了SOC与SOH估算精度与鲁棒性。研究证明，将可解释电路模型与基于注意力的循环网络耦合可克服现有方法的误差累积与特征提取局限，并为面向电动汽车与电网储能应用、具备安全精确自适应监测能力的物理信息电池管理系统（BMS）提供了可扩展的实现路径。