近日，我院车辆工程系新能源动力系统智能管理与控制团队在动力电池组荷电状态估计研究领域取得新进展，相关研究成果“State of Charge Estimation for Lithium-ion Battery Pack with Selected Representative Cells”在交通电气化领域Top期刊《IEEE Transactions on Transportation Electrification》上发表。
锂离子电池组的荷电状态（State of Charge, SOC）反映了电池当前剩余的可用电量。准确的SOC估计在电池系统的安全控制和能量管理中具有重要作用。然而，目前，国内外研究工作大都集中在单体电池的建模和状态估计，忽略了由于电池组内部复杂性和单体电池之间不一致性带来的锂离子电池组建模误差较大的问题。现有研究在探索替代模型和方法以提高估计精度并降低算法复杂度方面所做的努力有限。针对上述问题，团队提出了一种数据驱动算法和滤波器融合的方法，实现对电池组SOC的准确估计。
团队首先依据电池组恒流充电曲线，使用E-Q图形模型选择代表性电池。代表性电池的选择可以最小化数据冗余和系统复杂性，同时能够准确描述电池组的状态。然后，使用长短期记忆网络（LSTM）构建电池组SOC和电池的总电压、电流、代表性电池电压之间的映射关系。最后，利用扩展卡尔曼滤波（EKF）平滑网络的输出并创建闭环结构提高估计精度和稳定性。实验结果表明，团队所提出的方法能够实现准确的电池组SOC估计。下图为联邦城市驾驶时间表（FUDS）下电池组SOC估计曲线以及误差分布。对比结果表明，团队所提出的LSTM-EKF方法相较于传统的单一机器学习算法或非线性滤波算法均有着较好的SOC估计性能。
该项研究得到了国家自然科学基金（62203423）、教育部“春晖计划”（HZKY20220200）、中央高校基本科研业务费专项资金（JZ2023YQTD0073）的支持。我校教师刘兴涛为第一作者，车辆工程系硕士研究生夏文龙为第二作者，我校教师武骥为通讯作者，中科院福建物质结构研究所林名强副研究员和李思源为合作作者。
近年来，依托安徽省智慧交通车路协同工程研究中心，新能源动力系统智能管理与控制团队面向车辆和新能源领域的实际需求，针对电池系统全生命周期建模仿真、状态估计和优化管理的科学与技术问题开展研究工作，并取得了一系列的研究成果（TTE.2023.3306393、TIE.2023.3247735、TIM.2023.3239629、JESTPE.2022.3177451、TEC.2021.3137423、TPEL.2021.3075558），为我校车辆工程专业、新能源科学与工程专业的建设和发展提供有力支撑。
