原文链接请点击：「链接」 #评论员评工装男别车嚣张骂人事件#

本文提出一种融合实验与模拟数据的机器学习框架，用于估计锂离子电池健康状态（SoH）—— 这一指标对电池预防性维护和运营规划至关重要。研究评估了多层感知器（MLP）和长短期记忆网络（LSTM）两种深度学习模型，通过物理启发的电池模拟生成合成数据，结合真实电池老化数据集训练模型。结果表明，该框架能有效提升 SoH 预测精度，且模型可部署于边缘设备实现实时监测，为电动公交电池管理提供了高效可靠的解决方案。

一、研究背景

电池管理系统（BMS）中，电池健康状态（SoH）估计是关键功能，它体现电池老化程度。我将优化表述，更清晰地阐述传统方法局限与本文创新框架，增强逻辑与专业性。

电池管理系统（Battery Management System，BMS）的核心功能之一是精准估计电池健康状态（State of Health，SoH）。SoH 作为表征电池当前容量与初始容量比值的关键指标，直观反映了电池的老化程度，其准确性对电池全生命周期管理起着决定性作用。然而，传统 SoH 估计方法存在显著局限性：物理模型依赖对复杂电化学过程的深度理解，即便在理想条件下，估计精度也存在瓶颈；等效电路模型虽简化了建模过程，但面对复杂多变的实际工况时，适应性不足，难以满足高精度需求。相比之下，机器学习方法凭借其强大的数据驱动特性，无需深入的电化学知识储备，即可有效捕捉电池性能参数间的非线性关系，近年来已成为该领域的研究焦点。

本文的核心创新在于构建了 “模拟 + 实验” 双数据驱动框架。通过物理启发的模拟模型生成高质量合成数据，与真实实验数据集进行有机融合，在此基础上训练多层感知器（MLP）和长短期记忆网络（LSTM）模型。同时，本文还对模型在边缘设备的部署可行性进行了验证，为电动公交 BMS 提供了一个兼顾估计精度与工程实用性的创新解决方案。

二、数据集与研究方法

1. 实验数据集

研究采用西安交通大学（XJTU）公开的锂离子电池数据集，包含 55 节锂电池的全生命周期数据，涵盖 6 种充放电协议。实验电池标称容量 2000 mAh、标称电压 3.6 V，充放电截止电压分别为 4.2 V 和 2.5 V。

选取数据集中的第 5 组实验（8 节电池）进行分析，其充放电策略更接近实际场景：以 1C（2A）恒流恒压（CC-CV）模式充电至 4.2 V，静置 5 分钟后放电至 3.0 V；放电电流随机选取 2-8 A，放电时间随机选取 2-6 分钟。

2. 模拟模型构建

为补充实验数据并模拟复杂工况，研究开发了基于等效电路的电池模拟模型，主要包含两部分：

• Thevenin 等效电路模型：通过电阻（R）和电容（C）模拟电池内部动态，包括欧姆电阻（Rs）、极化电阻（Rp）、极化电容（Cp）和开路电压（Voc），刻画充放电过程中电压与电流的变化；
• 老化模型：基于经验规律模拟电池性能退化，通过电阻随时间的幂函数变化（ΔR (t)=at^b）调整电路时间常数，反映老化对充放电效率的影响。

模拟过程通过 AnyLogic 软件实现，包含充电（CC-CV 模式）、静置、放电三个状态的切换，完全复刻实验中的充放电逻辑。

3. 模型与评估指标

选取两种深度学习模型进行 SoH 估计：

• MLP（多层感知器）：一种前馈神经网络，包含输入层（512 个神经元，对应 4 个特征通道 ×128 时间步）、两个隐藏层（256 和 64 个神经元）和输出层（1 个神经元，预测 SoH），采用 ReLU 激活函数和 L1 正则化防止过拟合；
• LSTM（长短期记忆网络）：一种循环神经网络，通过输入门、遗忘门和输出门捕捉时间序列依赖关系，适合处理充放电过程中的时序数据（如电压、电流随时间的变化）。

三、实验结果与分析

1. 模型训练效果

两种模型在 XJTU 数据集上的训练与验证损失（MSE）均快速收敛：

• MLP 在训练 3 个 epoch 后损失显著下降，24 个 epoch 后稳定在接近 0 的值，训练与验证损失曲线基本重合，说明无过拟合；
• LSTM 收敛速度稍快，同样在 24 个 epoch 后达到稳定，验证了模型对电池老化规律的捕捉能力。

2. 模型性能对比

在 XJTU 数据集上，MLP 的综合性能优于 LSTM：

• MLP 的 MAE 为 0.124、MAPE 为 0.134%、MSE 为 0.00028；
• LSTM 的 MAE 为 0.032、MAPE 为 0.036%、MSE 为 0.00174。

而在模拟生成的数据上，LSTM 表现更优：其预测的 SoH 变化趋势与实验数据更接近，这可能是因为 LSTM 对时序数据的敏感性更高，更适合模拟数据中的动态充放电过程。

3. 边缘部署可行性

将训练好的模型转换为 TensorFlow Lite 格式（.tflite），部署于 Raspberry Pi 4B（4GB 内存）。测试显示：

• MLP 单次推理时间为 28 毫秒，LSTM 为 49 毫秒，均满足实时监测需求；
• 模型经量化处理后（从 float32 转为 int8），内存占用显著降低，适合资源受限的车载环境。

四、结论与展望

本研究通过 “实验数据 + 模拟数据” 双驱动框架，验证了机器学习在电池 SoH 估计中的有效性。MLP 和 LSTM 在不同数据场景下各有优势，且均能部署于边缘设备实现实时监测，为电动公交 BMS 提供了实用方案。

未来研究将优化模拟模型参数，使其更贴近真实电池老化特性；同时扩展数据集，加入电动公交特定运营场景（如频繁启停、快充）的数据，进一步提升模型的实际适用性。

核心来源 :
Al-Rahamneh A et al. "Machine Learning-Based SoH Estimation" Mathematics 2025
DOI:10.3390/math13142247
西班牙纳瓦拉公立大学GILT-OR项目