基于轻量化训练的数据驱动基误差联合建模框架：全寿命周期多阶段恒流快充协议下的电池荷电状态精准估计

本文推荐：针对锂离子电池在全寿命周期多阶段恒流快充（MCC）协议下的荷电状态（SOC）估计难题，作者创新提出轻量化训练导向的数据驱动基误差联合建模框架。通过深度学习初循环数据与机器学习典型循环数据的协同训练（仅需1%全周期数据），实现SOC平均绝对误差<0.3%的高精度估计，同时解决传统方法在CC充电条件下参数失效问题（如负欧姆电阻异常）。该框架首次验证极少量数据即可兼容8种MCC协议，为多场景电池老化诊断提供高效解决方案。

　　

Highlight

本研究首次揭示了通过极少量数据训练的联合数据驱动模型，在考虑多阶段恒流快充（MCC）协议和电池退化状态下实现精准SOC在线估计的可能性。基于创新的基误差联合建模框架，仅需建立基础模型和误差模型两个轻量化模型：

1. 1.

   基础模型通过深度学习初循环数据快速构建，可精确映射测量信号与SOC的普适关系；

2. 2.

   误差模型利用典型循环数据（占全周期1%）轻量化训练，成功复现不同快充协议和老化状态导致的SOC偏差。

   结合安时积分法（Ampere-hour）通过滤波器融合时序依赖性SOC，最终实现全寿命周期平均误差<0.3%的突破性性能，训练时间仅需1分钟。

Results and discussion

实验采用8种MCC快充协议的46个LiFePO₄/石墨电池数据验证。与传统全周期训练方法相比，本框架仅需首周期数据建立基础模型（如LSTM网络），再通过典型循环（如第50/500/1000次循环）的误差模型（如随机森林）修正。关键发现：

• •

  基础模型在4C-6C快充协议下SOC估计误差仅0.28%；

• •

  误差模型将老化导致的偏差从1.2%降至0.15%；

• •

  滤波器融合使动态工况下RMSE降低42%。

Conclusions

该框架为多协议快充场景提供了一种数据高效的SOC估计范式，其轻量化特性（1分钟训练）特别适合车载边缘计算部署。未来可扩展至电池健康状态（SOH）协同估计，推动电动汽车智能充电管理系统的革新。