基于长短期记忆网络增强扩展卡尔曼滤波的锂离子电池荷电状态精准预测

本文提出了一种结合扩展卡尔曼滤波（EKF）与长短期记忆网络（LSTM）的混合算法，用于解决锂离子电池荷电状态（SOC）估计中的非线性、噪声非高斯性及模型不确定性等问题。通过LSTM学习时序依赖性和环境扰动，弥补传统EKF对噪声假设的局限性，实验表明该算法在多变工况下显著提升SOC估计精度，为电池管理系统（BMS）提供了更可靠的解决方案。

　　

SOC定义

荷电状态（SOC）表征电池剩余容量与当前最大可用容量的比值，是能量管理的核心指标。其计算公式为：

SOC_t = SOC_t0 ? ∫_t0^t (η_i I(τ)/Q_max) dτ

其中SOC_t为t时刻的SOC值，Q_max为当前最大容量，I(τ)为电流函数。

创新算法设计

针对传统EKF对高斯噪声假设的敏感性，本研究将LSTM深度整合至滤波过程：LSTM直接动态预测卡尔曼增益（Kalman gain），使系统能自适应非线性噪声特性。该设计突破了传统EKF的雅可比矩阵线性化局限，通过数据驱动学习降低模型不确定性误差。

实验验证

基于马里兰大学CALCE数据库的INR 18650-20R电池数据（详见表1），在电压、电流多工况测试中，本算法SOC估计误差较传统方法降低40%。图4显示OCV-SOC关系通过多项式拟合优化，进一步验证了混合模型的鲁棒性。

结论

LSTM-EKF混合框架通过融合时序建模能力与闭环滤波优势，为复杂工况下的SOC估计提供了高精度解决方案，未来可拓展至电池健康管理（SOH）等衍生领域。

作者贡献声明

Baijia Yu：核心算法开发与论文撰写；Gang Wang：研究指导；Erning Zhu：数据建模；Siyu Yao：方法论设计；Yun Zhou：项目统筹。

利益冲突声明

作者声明无潜在竞争利益。