基于XGBoost-随机森林堆叠与双状态卡尔曼滤波的实时电池SOC估计方法研究

为解决电动自行车电池管理系统(BMS)中实时状态估计(SOC)精度不足的问题，研究人员开发了混合集成双状态卡尔曼滤波器(HEAD-KF)。该方法融合XGBoost和随机森林回归器，通过非负岭回归堆叠输出，并采用自适应噪声协方差的双状态卡尔曼滤波进行平滑处理。实验表明，该方法在树莓派4上实现端到端运行，全局平均绝对误差仅0.0004% SOC，动态放电误差控制在0.0028%以内，单次预测耗时6 ms，功耗60 μJ，显著优于现有技术。该成果为嵌入式BMS提供了高精度、低延迟的解决方案。

　　

电动自行车作为可持续交通选择日益普及，但电池管理系统的状态估计(SOC)精度不足导致高昂的保修成本。当前方法面临三重困境：依赖人工调参的滤波器易漂移，动态城市骑行工况下性能下降，以及嵌入式系统的算力与能耗限制。针对这些挑战，博茨瓦纳国际科技大学( Botswana International University of Science and Technology )的Robin K.E. Tau团队在《Results in Engineering》发表创新研究，提出混合集成双状态卡尔曼滤波器(HEAD-KF)，实现了在树莓派4上0.0004% SOC精度的实时估计。

研究采用三阶段技术路线：首先通过Butterworth低通滤波和五点差分法预处理电压电流信号；随后构建XGBoost(200棵树)与随机森林(200棵树)的集成模型，采用约束岭回归(λ=10^-2)融合预测；最后设计双状态卡尔曼滤波器(状态向量x_k=[SOC_k, SOC?_k]^T)，通过残差统计在线调整噪声协方差Q_SOC和R。实验使用20S1P三星INR18650-25R(NCA化学)电池组，采集141,872组电压-电流-温度数据样本进行验证。

【系统架构】HEAD-KF采用模块化设计，从BMS获取1Hz原始数据，经特征工程生成标准化特征向量x_k^feat=[V_k, I_k^**, V?_k]^T，通过集成模型和卡尔曼滤波实现端到端6ms延迟的SOC估计。

【精度验证】在-5°C至45°C温度范围内，HEAD-KF保持0.0004%全局MAE，较单一XGBoost(0.0005%)和随机森林(0.001%)更优。动态放电测试中，其0.0028%误差显著优于传统RC-EKF(0.372%)和库仑计数(0.100%)。

【实时性能】在树莓派4上实现6ms(99%分位数<10ms)的推理速度，功耗仅60μJ/次，内存占用110MB。量化后模型尺寸<1MB，适合部署在STM32等微控制器。

【抗干扰测试】注入20mV电压噪声和120mA电流扰动后，MAE仍低于0.002816%，满足ISO-12405标准的0.1%误差限。协方差矩阵±20%扰动下，系统保持稳定，证明自适应算法的鲁棒性。

该研究的突破性体现在三方面：首先，非负岭回归(w_XGB=0.63, w_RF=0.37)融合策略降低47%高频噪声；其次，残差驱动的卡尔曼参数自适应(F=[1 Δt; 0 1], H=[1 0])消除了手动调参需求；最后，轻量化设计使算法在<100mW功耗下满足10ms实时约束。相比文献报道的LSTM-AUKF(1.5% RMSE)和CNN(2.96% MAPE)，HEAD-KF在精度(0.0004% MAE)、速度(6ms)和能效(60μJ)三个维度同时突破，为电动交通工具的电池管理提供了标准化解决方案。未来通过跨化学物质迁移学习和模型压缩，有望进一步拓展其在储能领域的应用前景。