基于智能架构设计与超参数调优的深度学习模型用于电动汽车电池荷电状态(SoC)精确估算

《Case Studies in Thermal Engineering》：Intelligent architecture design and tuning of deep learning model for precise EV battery state-of-charge estimation

　　

准确的荷电状态(State of Charge, SoC)估算是电动汽车(Electric Vehicle, EV)电池安全性、可靠性及续航里程预测的核心挑战。本文提出一种基于深度学习的框架，通过贝叶斯优化(Bayesian Optimization)系统性地优化深度神经网络(Deep Neural Network, DNN)以解决人工设计架构的局限性。该框架对网络架构与训练超参数（包括学习率、层数、隐层神经元数、训练轮数和批大小）进行协同的数据驱动优化，使关键架构与训练参数获得最优配置，同时保持适用于实际电池管理系统(Battery Management System, BMS)实现的计算效率。研究人员在多种驾驶工况、四种环境温度条件及噪声环境下评估了该框架的有效性以模拟真实EV运行。在相同实验条件下与长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环单元(Gated Recurrent Unit, GRU)及传统基于模型的SoC估算方法进行对比评价。结果表明，所提框架平均绝对误差(Mean Absolute Error, MAE)达1.547%，均方根误差(Root Mean Square Error, RMSE)达2.046%，在精度与鲁棒性上均优于LSTM和GRU。此外，该框架保持轻量化结构并显著减少训练与推断时间，支持其适用于实际BMS应用。研究结果表明，该框架为电动汽车实时SoC监测提供了鲁棒且计算高效的解决方案。

论文解读：基于贝叶斯优化前馈神经网络的电动汽车锂离子动力电池荷电状态(SoC)精确估算研究

研究背景与意义

电动汽车(Electric Vehicle, EV)中锂离子电池的荷电状态(State of Charge, SoC)估算是电池管理系统(Battery Management System, BMS)的核心功能。传统库仑计数法受传感器误差累积影响；基于等效电路模型(Equivalent Circuit Model, ECM)的卡尔曼滤波类方法在电池老化或温度变化下需频繁更新参数且精度下降；电化学模型计算量大难以实时应用。现有数据驱动方法中，卷积神经网络(Convolutional Neural Network, CNN)、长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环单元(Gated Recurrent Unit, GRU)等虽能捕捉非线性特征，但常将网络架构设计与超参数调优割裂处理，或依赖复杂混合结构导致计算负担重，难以部署于资源受限的BMS。为此，Hussein Shutari等人开展本研究，提出一种基于贝叶斯优化(Bayesian Optimization, BO)协同优化前馈神经网络(Feedforward Neural Network, FNN)架构与超参数的轻量化框架，旨在平衡估算精度、鲁棒性与计算效率，该文发表于《Case Studies in Thermal Engineering》。

主要关键技术方法

研究人员采用McMaster大学公开数据集，对象为LG HG2 18650锂离子电芯(标称容量3 Ah)，测试温度涵盖-10 °C、0 °C、10 °C、25 °C，驾驶工况包含UDDS、HWFET、LA92及US06标准循环与混合循环，按70/30比例划分训练与测试集。构建5输入特征向量：端电压(V_Batt)、电流(I_Batt)、温度(T)、滑动窗口平均电压及平均电流（引入短时动态信息）。以MATLAB Deep Learning Toolbox构建多层FNN，隐层激活函数为tanh，输出层采用裁剪ReLU即y = min(max(0, u), 1)约束SoC于[0, 1]。采用贝叶斯优化同步寻优5项参数：隐层数(2–8)、每层神经元数(10–50)、学习率(10^-5–10^-1对数尺度)、批大小(16–512二值候选)、最大训练轮数(8–512)，目标函数为验证集RMSE，迭代20次。以RMSE、MAE及最大绝对误差(MAX)为评价指标，并与LSTM、GRU及扩展卡尔曼滤波(Extended Kalman Filter, EKF)、无迹卡尔曼滤波(Unscented Kalman Filter, UKF)对比。

研究结果

4.1. Optimal design results（最优设计结果）

经20次贝叶斯优化迭代，验证集RMSE由初始0.55575降至最低0.02163（降幅96.11%）。最优配置为：5个隐层、每层27个神经元、学习率0.007701、批大小399、最大轮数511。研究表明贝叶斯优化能有效搜索参数空间并获得稳定低误差配置。

4.2. Training and validation results（训练与验证结果）

使用最优配置进行6次独立重复训练，验证RMSE波动范围仅为0.021619–0.028258，验证损失低于0.0002，训练与验证曲线贴合且无过拟合迹象。表明优化后的FNN对权重随机初始化不敏感，具有良好收敛稳定性与泛化一致性。

4.3. SoC estimation results and analysis（SoC估算结果与分析）

在四个温度下测试：25 °C时RMSE 1.57%–1.88%、MAE 1.21%–1.49%，误差低于2%；10 °C时RMSE < 2.80%、MAE 1.34%–2.22%；0 °C时RMSE约3%、MAE < 2.56%；-10 °C时RMSE 2.68%–3.34%、MAE < 2.49%。各温度下最大误差分别不超过6%、7%、9%及略高。说明模型在宽温域内保持较高跟踪精度，低温下仅有轻微性能退化。

4.4. Robustness verification with sample noises（含噪声鲁棒性验证）

添加信噪比(Signal-to-Noise Ratio, SNR) 50 dB和40 dB高斯白噪声后，各温度下RMSE与MAE仅有微小上升（如25 °C加40 dB噪声后RMSE升至1.85%、MAE 1.42%），-10 °C时RMSE仍控制在2.85%以内。证明框架对传感器测量扰动具抗干扰能力。

4.5. Comparative evaluation of the proposed approach（对比评价）

与双层64单元LSTM、GRU对比：本文FNN平均RMSE 2.046%、MAE 1.547%，优于LSTM(平均RMSE 2.752%、MAE 2.103%)与GRU(平均RMSE 3.203%、MAE 2.513%)；训练时间由LSTM约263分钟缩短至10.8分钟(降低95.8%)，单步推断时间0.0749 s约为LSTM的1/16。与EKF、UKF对比：-10 °C时EKF RMSE 5.56%、UKF 5.72%，本文仅2.68%(较EKF降约51.8%)；全温域均显著优于两类卡尔曼滤波。表明协同优化FNN在精度、速度及低温适应性上全面占优。

讨论与结论翻译

研究人员得出结论：

(1) 贝叶斯优化通过系统化调节层数、神经元数、学习率、批大小及轮数获得FNN最优设计，验证RMSE稳定在0.022–0.027，证实学习过程稳定可复现。

(2) 所提框架在不同温度下SoC估算RMSE介于1.57%–2.85%、MAE介于1.20%–2.04%，低温下因电池固有非线性仅有轻微退化。

(3) 在50 dB及40 dB SNR加性高斯噪声下模型保持稳健估算性能，证实其对传感器噪声及信号扰动的耐受性。

(4) 对比评价显示该框架估算误差更低，训练时间减少95.8%，推断显著快于LSTM与GRU，且在全温域优于EKF与UKF。

综上，该框架通过架构与超参数协同优化克服了循环神经网络与传统模型法局限，提供高精度、高效、鲁棒的数据驱动SoC估算方案，适于资源受限BMS实车应用。未来工作将纳入健康状态(State-of-Health, SoH)相关特征、探索SoC-SoH联合估算及自适应学习策略。