多层感知器融合方法与多创新自适应无香卡尔曼滤波器用于电力CTM蓄电池电荷状态估计
发布时间：2026-08-04 20:38:05 点击： 次
准确估计电荷状态（SOC）对于准确分析电池状态至关重要，并为后续电池使用提供保障。然而，电池使用期间的外部干扰，如传感器测量数据的不准确，可能导致预测与真实值之间存在较大偏差。因此，我们提出了一种基于模型预测估计 SOC 的方法。为应对电池运行中外部干扰和传感器测量误差的挑战，我们设计了多层感知神经网络（MLPNN）与胡桃夹子优化算法（FNOA）的生育策略相结合，以实现更精确的电池建模，并采用多创新自适应无香卡尔曼滤波器（MIAUKF）用来估算SOC。所提出的估计方法具有良好的抗干扰性和准确性。实验结果表明，该方法能够准确且快速地补偿电流传感器误差，并能高精度跟踪实际SOC，确保误差曲线更平坦，并展现出在动态环境中的优异适应性和稳定性。该方法为后续开发抗传感器误差干扰的SOC估计策略提供了充分的理论基础。
随着全球气候变化问题的加剧和环境意识的提升，新能源已成为许多国家决策的关键焦点[1]，[2]，[3]。作为一种清洁高效的交通工具[4]，新能源电动汽车在电力系统中扮演着重要角色[5]，并且正逐步大规模取代传统燃料车辆[6]。电动汽车的动力输出依赖于电池，这显示了电池的重要性。与高价镍氢电池、高污染的镍镉电池和短寿命铅酸电池相比，锂离子电池具有高比能、长周期寿命、无记忆和低自放电率的优势。正因为这些优势，锂离子电池逐渐成为电动汽车的主要动力来源和储能设备。
在电动汽车运行过程中，锂离子电池的外部特性受多种因素影响，如环境温度、电池使用时间、电池充放电以及安全性和问题[7]、[8]。为确保最佳性能，电池管理系统（BMS）需监测输出功率、运行状态和安全性能。电池状态分析是一个关键环节。充电状态（SOC）定义为剩余电池容量与最大可用电池容量的百分比[9]。准确的SOC估计对于提升锂离子电池的容量和能耗效率至关重要。然而，由于锂离子电池具有非线性和时间变化特性，SOC无法直接测量[10]。因此，开发更有效的 SOC 估计方法是我们研究的关键方向。
锂离子电池的SOC估计主要依赖传统测试方法、基于模型和数据驱动的方法等成熟技术[11]。传统测试方法包括安培小时累积法和开路电压（OCV）方法，这两种方法都基于与电池SOC下降相关的基本原理来计算SOC[12]。安培时间积分方法通过积分电流随时间进行识别，从而实现实时预测[13]。然而，由于外部干扰，在应用环境中实现准确的SOC估计仍是一大挑战[14]。传感器精度对电流积分和OCV方法的精度有显著影响[15]。
基于模型的方法主要包括等效电路模型（ECM）和电化学模型（EM）[16]，这些模型将SOC与电压和电流等测量变量联系起来。电化学模型通常具备高精度的电池状态建模能力，因为它们准确捕捉了复杂的内部电化学反应[17]、[18]。Wang等人提出了一种改进的多特征电化学热耦合建模方法，考虑了低温性能的退化[19]。虽然等效电路模型的精度较低，但更易管理，所需资源更少，且性能依然令人满意[20]。Zhang 等人提出了一种基于改进等效电路模型的电荷状态估计方案，结合了迟滞效应，并结合自适应迭代无迹卡尔曼滤波器[21]。ECM与非线性系统的结合也是一种新颖且改进的方法。Li等人提出了利用混合信号估计Hammerstein-Wiener非线性系统的参数，并将该估计方案应用于锂离子电池[22]。在实际选择电池模型时，必须在建模准确性、计算复杂性和实现可行性之间取得平衡。
数据驱动是神经网络的核心和基础。神经网络是人工智能的一个分支，广泛用于基于输入预测结果数据[23]， [24]。Wang 等人提出了基于多层感知神经网络（MLPNN）的谱模型，该模型减轻了非线性效应引起的误差，并能获得较高的精度[25]。与传统模型相比，神经网络建模方法无需考虑电池内部的化学状态。曹等人提出了一种机器学习算法，用于建立一个基本的SOC收集模型。该算法在SOC的准确在线估计方面具有压倒性优势[26]。它通过以可测参数为输入，建立了输入数据与输出数据之间的非线性关系。电池电荷状态估计模型由自学习能力构建[27]。
电池建模完成后，需要高级估计算法来提升SOC估计的准确性和可靠性，其中最常见的是卡尔曼滤波算法[28]、[29]。在面对高度非线性和噪声大的干涉情况时，传统卡尔曼滤波器仍存在一些局限性[30]。因此，卡尔曼滤波器的优化也至关重要。Wang 等人提出了一种在线改进的无追踪卡尔曼滤波算法，用于分析温度诱导容量波动的影响[31]。在电池SOC估计中，由于噪声特性难以完全近似实际情况，可能存在不可忽视的偏差[32]。这一偏差将在UKF估计过程中引入，从而影响结果的准确性。因此，当遇到噪声特性未知或难以准确描述的情况时，UKF算法的滤波器性能可能会受到严重挑战，甚至面临失败风险[33]。Chen 等人在传统无香变换策略中取代了 Cholesky 分解，并设计了一种新的奇异值分解自适应无香颗粒滤波器，用于动态条件下的 SOC 在线准确估计[34]。
传统卡尔曼滤波器仅利用当前时刻观测到的残差，而多创新方法通过积分多矩观测残差并减少随机噪声效应，提高了状态估计的准确性。马等人提出了分数阶多创新无香卡尔曼滤波器。通过多项创新，滤波器有效应对测量误差并提升估计准确性[35]。为了解决传感器误差等扰动对复杂操作条件下SOC估计的影响，本文采用多创新自适应无香卡尔曼滤波器（MIAUKF）算法作为优化策略。引入自适应因子以动态调整参数来补偿UKF对噪声的敏感性。多创新的引入充分利用了由多时刻观测和预测残差组成的多创新矩阵，以修正后验估计，从而能够实时调整系统动态。因此，在复杂的动态系统中，能够实现更稳健、更准确的估计。
在不同条件下选择更稳健且更准确的初始值和参数是困难的[36]。元启发式（MH）算法可以保证优化对象的性能提升。在过去十年中，MH算法因其高精度、快速优化和低复杂度而被广泛应用于不同领域[37]、[38]。Wang 等人提出了一种粒子群优化自适应平方根卡尔曼滤波器参数优化方法，用于移动估计窗口，以提高算法的估计能力和准确性[39]。近年来，胡桃夹子优化算法（NOA）因其极高的准确性和处理复杂问题的快速能力而闻名[40]。NOA算法可应用于多种工程领域，尤其是在神经网络参数优化方面。
本文有以下贡献：（a）提出了一种生育策略以优化NOA。通过收集可能导致最优解的被丢弃部分并创建新种群，这一策略极大地提升了全球收敛表现。（b） MLPNN通过FNOA优化，以实现电池的精确建模，优化后的网络显著提升了拟合精度。（c） MIAUKF 算法旨在估算上述电池模型的电池 SOC。该算法在复杂系统建模中具有更高的预测效能。在两种不同工作条件下，传感器测量误差下，该技术得到了验证。
在电动汽车运行过程中，锂离子电池的外部特性受多种因素影响，如环境温度、电池使用时间、电池充放电以及安全性和问题[7]、[8]。为确保最佳性能，电池管理系统（BMS）需监测输出功率、运行状态和安全性能。电池状态分析是一个关键环节。充电状态（SOC）定义为剩余电池容量与最大可用电池容量的百分比[9]。准确的SOC估计对于提升锂离子电池的容量和能耗效率至关重要。然而，由于锂离子电池具有非线性和时间变化特性，SOC无法直接测量[10]。因此，开发更有效的 SOC 估计方法是我们研究的关键方向。
锂离子电池的SOC估计主要依赖传统测试方法、基于模型和数据驱动的方法等成熟技术[11]。传统测试方法包括安培小时累积法和开路电压（OCV）方法，这两种方法都基于与电池SOC下降相关的基本原理来计算SOC[12]。安培时间积分方法通过积分电流随时间进行识别，从而实现实时预测[13]。然而，由于外部干扰，在应用环境中实现准确的SOC估计仍是一大挑战[14]。传感器精度对电流积分和OCV方法的精度有显著影响[15]。
基于模型的方法主要包括等效电路模型（ECM）和电化学模型（EM）[16]，这些模型将SOC与电压和电流等测量变量联系起来。电化学模型通常具备高精度的电池状态建模能力，因为它们准确捕捉了复杂的内部电化学反应[17]、[18]。Wang等人提出了一种改进的多特征电化学热耦合建模方法，考虑了低温性能的退化[19]。虽然等效电路模型的精度较低，但更易管理，所需资源更少，且性能依然令人满意[20]。Zhang 等人提出了一种基于改进等效电路模型的电荷状态估计方案，结合了迟滞效应，并结合自适应迭代无迹卡尔曼滤波器[21]。ECM与非线性系统的结合也是一种新颖且改进的方法。Li等人提出了利用混合信号估计Hammerstein-Wiener非线性系统的参数，并将该估计方案应用于锂离子电池[22]。在实际选择电池模型时，必须在建模准确性、计算复杂性和实现可行性之间取得平衡。
数据驱动是神经网络的核心和基础。神经网络是人工智能的一个分支，广泛用于基于输入预测结果数据[23]， [24]。Wang 等人提出了基于多层感知神经网络（MLPNN）的谱模型，该模型减轻了非线性效应引起的误差，并能获得较高的精度[25]。与传统模型相比，神经网络建模方法无需考虑电池内部的化学状态。曹等人提出了一种机器学习算法，用于建立一个基本的SOC收集模型。该算法在SOC的准确在线估计方面具有压倒性优势[26]。它通过以可测参数为输入，建立了输入数据与输出数据之间的非线性关系。电池电荷状态估计模型由自学习能力构建[27]。
电池建模完成后，需要高级估计算法来提升SOC估计的准确性和可靠性，其中最常见的是卡尔曼滤波算法[28]、[29]。在面对高度非线性和噪声大的干涉情况时，传统卡尔曼滤波器仍存在一些局限性[30]。因此，卡尔曼滤波器的优化也至关重要。Wang 等人提出了一种在线改进的无追踪卡尔曼滤波算法，用于分析温度诱导容量波动的影响[31]。在电池SOC估计中，由于噪声特性难以完全近似实际情况，可能存在不可忽视的偏差[32]。这一偏差将在UKF估计过程中引入，从而影响结果的准确性。因此，当遇到噪声特性未知或难以准确描述的情况时，UKF算法的滤波器性能可能会受到严重挑战，甚至面临失败风险[33]。Chen 等人在传统无香变换策略中取代了 Cholesky 分解，并设计了一种新的奇异值分解自适应无香颗粒滤波器，用于动态条件下的 SOC 在线准确估计[34]。
传统卡尔曼滤波器仅利用当前时刻观测到的残差，而多创新方法通过积分多矩观测残差并减少随机噪声效应，提高了状态估计的准确性。马等人提出了分数阶多创新无香卡尔曼滤波器。通过多项创新，滤波器有效应对测量误差并提升估计准确性[35]。为了解决传感器误差等扰动对复杂操作条件下SOC估计的影响，本文采用多创新自适应无香卡尔曼滤波器（MIAUKF）算法作为优化策略。引入自适应因子以动态调整参数来补偿UKF对噪声的敏感性。多创新的引入充分利用了由多时刻观测和预测残差组成的多创新矩阵，以修正后验估计，从而能够实时调整系统动态。因此，在复杂的动态系统中，能够实现更稳健、更准确的估计。
在不同条件下选择更稳健且更准确的初始值和参数是困难的[36]。元启发式（MH）算法可以保证优化对象的性能提升。在过去十年中，MH算法因其高精度、快速优化和低复杂度而被广泛应用于不同领域[37]、[38]。Wang 等人提出了一种粒子群优化自适应平方根卡尔曼滤波器参数优化方法，用于移动估计窗口，以提高算法的估计能力和准确性[39]。近年来，胡桃夹子优化算法（NOA）因其极高的准确性和处理复杂问题的快速能力而闻名[40]。NOA算法可应用于多种工程领域，尤其是在神经网络参数优化方面。
本文有以下贡献：（a）提出了一种生育策略以优化NOA。通过收集可能导致最优解的被丢弃部分并创建新种群，这一策略极大地提升了全球收敛表现。（b） MLPNN通过FNOA优化，以实现电池的精确建模，优化后的网络显著提升了拟合精度。（c） MIAUKF 算法旨在估算上述电池模型的电池 SOC。该算法在复杂系统建模中具有更高的预测效能。在两种不同工作条件下，传感器测量误差下，该技术得到了验证。