JLG蓄电池基于神经网络的电池组荷电状态估计框架在资源受限电池管理系统中的嵌入式部署与系统级验证
来源：JLG电瓶 2026-03-09 19:25:46 点击：
尽管神经网络方法在单体电池荷电状态（SOC）估计方面已取得显著精度，但其在电池管理系统（BMS）中的部署仍受限于较高的计算复杂度以及电池组内单体间的不一致性。本研究通过展示一种面向资源受限微控制器BMS的时序卷积网络（TCN）完整嵌入式部署方案及系统级验证，成功构建了跨链桥。本研究设计了基于改进残差块的轻量化TCN架构以平衡精度与效率。在部署阶段，专用模型优化与转换技术使峰值RAM占用量较标准TensorFlow Lite部署降低约43%。进一步提出非线性加权融合方法，将单体级输出整合为电池组SOC。所提出的系统在分布式电池管理系统（BMS）上实现，并采用实际电池组（包括4串联镍钴铝（NCA）电池组和8串联磷酸铁锂（LFP）电池组）在动态运行条件下进行全面评估。实验结果表明，NCA电池组在大部分放电范围内具有高精度，荷电状态（SOC）误差始终低于3%；而LFP电池组在安全关键区域（SOC低于30%）内仍能保持高精度。本研究提供了一个实用的实现框架，该框架将先进算法与低成本嵌入式硬件相融合，以实现可靠的BMS应用。
近年来，锂离子电池储能系统在电动汽车和智能电网等领域的应用规模显著扩展，部署量大幅增长[1]。与此同时，对电池综合性能（包括循环寿命与能量密度）及运行安全性提出了日益严格的要求。在此背景下，精确的电池状态监测已成为保障储能系统高效安全运行的关键技术环节。在关键状态参数中，实时荷电状态（SOC）估算起着决定性作用：它直接决定了充放电控制策略制定的准确性，并深刻影响着电池利用效率、使用寿命与安全边界[2]。因此，实现高可靠性的SOC估算构成了电池管理系统（BMS）最具挑战性的核心任务之一。该领域的技术突破对于提升锂离子电池储能系统的可靠性与经济性至关重要。然而在工业级BMS的设计约束下实现该功能，仍面临着艰巨的工程挑战。
工业电池管理系统(BMS)通常基于成本效益高、资源受限的微控制器(MCU)构建，这些控制器具有有限的计算能力和内存(通常<512KB RAM)[3]。典型代表包括NXP S32K系列和意法半导体STM32系列。因此，电池控制单元(BCU)必须在这些严格的硬件限制条件下[4][5]，同时执行复杂的状态估计(如SOC计算)与其他关键任务，包括电池均衡、故障诊断和通信等。这一挑战因电池管理系统（BMS）核心管理对象——电池组的本质特性而进一步加剧。实际应用中，BMS极少管理单体电池，而是管理由数十甚至数百个串并联电芯组成的电池组。电芯间的性能差异显著增加了电池组荷电状态（SOC）估算的复杂性。若要实时补偿这些差异，需对每个电芯进行独立建模或状态估计，这将使计算负荷呈倍数增长，超出标准BMS微控制器单元（MCU）的运算能力上限。因此，为在资源有限与电池组复杂性的双重约束下维持实时性能，传统电池管理系统（BMS）主要采用两种局部策略：（1）采用计算量较轻的算法，如安时（Ah）积分法或基于模型的滤波器（如卡尔曼滤波器）；（2）简化电池组表征方式，例如单电池法、代表电池法[6]以及差值模型法[7]。
然而，这些被广泛采用的方法存在根本性局限，阻碍了高精度荷电状态（SOC）估算的实现。安时积分法直接源于SOC的工程定义（SOC=Qremain/Qrated）[8]，其累积误差不仅源自电流传感器的不精确性，还受到额定容量随温度、健康状态（SOH）及电流变化的影响[9]。基于模型的自适应滤波算法（如卡尔曼滤波器[10][11]和粒子滤波器[12]）通过在状态空间方程与观测方程间建立闭环反馈机制，理论上能够抑制库仑计数法的累积误差。但这类算法的SOC估算精度高度依赖于模型参数保真度，使其对参数变化和不确定性极为敏感。Qrated尽管采用了自适应机制[13][14]或在线参数辨识[15][16]，这类方法在复杂工况下仍难以满足荷电状态（SOC）的估计要求。这些算法缺陷促使研究者探索数据驱动方法，特别是神经网络（NNs）在SOC估计中的应用[17][18]。神经网络能够直接从电压、电流和温度等可测量输入中学习到SOC的复杂非线性映射关系，从而规避精确电化学建模或参数辨识的需求[19][20]。
基于循环神经网络（RNNs）[21][22]和时间卷积网络（TCNs）[23][24]的方法在模拟研究中展现出卓越的准确性，能够有效捕捉不同工况下的时间动态特性，为克服传统方法的局限性提供了具有前景的替代方案。
尽管这些神经网络在离线研究中展现出显著潜力，其模拟性能与电池管理系统（BMS）实际运行框架中的部署效果仍存在关键差距。当前主流研究范式仍高度局限于高性能计算环境，绝大多数研究集中于利用GPU基准数据集进行模型开发与验证[25]。针对实时运行的提案多采用边缘-云协作架构，将复杂计算负荷外包处理[26]。然而，依赖云端的方法并未真正解决计算难题，而是将问题转移，其对于网络连接和外部服务器的依赖引发了敏感应用在数据安全与隐私方面的担忧。因此，当前研究存在一个空白：需要开发一种基于神经网络的、自包含的端侧SOC估算方案，该方案完全运行于本地电池管理系统硬件之上。填补这一空白需攻克两大主要挑战：
首先，微控制器(MCU)严苛的计算和内存限制为部署复杂神经网络带来了难以逾越的RAM/Flash存储限制。虽然减少网络参数能部分缓解这一问题，但这不可避免地会降低估计精度，特别是对于循环神经网络(RNN)及基于RNN的复合架构而言。这种根本性的交易要求在嵌入式电池管理系统(BMS)实现中，必须仔细权衡模型精度与架构轻量化之间的关系。
其次，尽管大多数神经网络解决方案专注于单体电池的荷电状态(SOC)估计，但实际BMS应用需要对多电池进行同步SOC评估以判断电池组整体状态。这种多电池估计必须保持严格的计算效率以确保实时性能。此外，必须在系统架构设计中纳入单体SOC与电池组SOC之间的有效映射机制。
随着嵌入式AI应用需求的日益增长，在资源受限的MCU上部署低成本神经网络已成为关键研究方向[27][28]。这一趋势推动了相关部署工具链的发展，例如STM32 Cube.AI和TensorFlow Lite for MCU。这些框架为通用神经网络模型转化为MCU可执行程序提供了高效路径，显著降低了实现门槛，使得视觉识别等领域的成功应用成为可能。[29] 然而，在微控制器单元（MCU）上成功部署模型仅是第一步。要真正验证基于神经网络的荷电状态（SOC）估算方案在资源受限的电池管理系统（BMS）平台上的工程可行性，必须将部署的模型深度集成至BMS硬件与控制架构中。该模型需作为稳定可靠的模块运行，在与实际电池组网络交互的闭环系统内实现在线状态估计。为解决这一挑战，本研究探索并实现了一条完整技术路径，涵盖模型优化、嵌入式部署、系统集成与在线验证。除验证模拟环境中的算法性能外，本研究成功将优化模型嵌入目标BMS硬件，构建了串联电池组的完整系统，并在动态工况下开展了在线实验。因此，本研究为神经网络在主流BMS产品中的应用提供了一个经过实践验证的系统级解决方案。主要贡献可归纳如下：
引言
工业电池管理系统(BMS)通常基于成本效益高、资源受限的微控制器(MCU)构建，这些控制器具有有限的计算能力和内存(通常<512KB RAM)[3]。典型代表包括NXP S32K系列和意法半导体STM32系列。因此，电池控制单元(BCU)必须在这些严格的硬件限制条件下[4][5]，同时执行复杂的状态估计(如SOC计算)与其他关键任务，包括电池均衡、故障诊断和通信等。这一挑战因电池管理系统（BMS）核心管理对象——电池组的本质特性而进一步加剧。实际应用中，BMS极少管理单体电池，而是管理由数十甚至数百个串并联电芯组成的电池组。电芯间的性能差异显著增加了电池组荷电状态（SOC）估算的复杂性。若要实时补偿这些差异，需对每个电芯进行独立建模或状态估计，这将使计算负荷呈倍数增长，超出标准BMS微控制器单元（MCU）的运算能力上限。因此，为在资源有限与电池组复杂性的双重约束下维持实时性能，传统电池管理系统（BMS）主要采用两种局部策略：（1）采用计算量较轻的算法，如安时（Ah）积分法或基于模型的滤波器（如卡尔曼滤波器）；（2）简化电池组表征方式，例如单电池法、代表电池法[6]以及差值模型法[7]。
然而，这些被广泛采用的方法存在根本性局限，阻碍了高精度荷电状态（SOC）估算的实现。安时积分法直接源于SOC的工程定义（SOC=Qremain/Qrated）[8]，其累积误差不仅源自电流传感器的不精确性，还受到额定容量随温度、健康状态（SOH）及电流变化的影响[9]。基于模型的自适应滤波算法（如卡尔曼滤波器[10][11]和粒子滤波器[12]）通过在状态空间方程与观测方程间建立闭环反馈机制，理论上能够抑制库仑计数法的累积误差。但这类算法的SOC估算精度高度依赖于模型参数保真度，使其对参数变化和不确定性极为敏感。Qrated尽管采用了自适应机制[13][14]或在线参数辨识[15][16]，这类方法在复杂工况下仍难以满足荷电状态（SOC）的估计要求。这些算法缺陷促使研究者探索数据驱动方法，特别是神经网络（NNs）在SOC估计中的应用[17][18]。神经网络能够直接从电压、电流和温度等可测量输入中学习到SOC的复杂非线性映射关系，从而规避精确电化学建模或参数辨识的需求[19][20]。
基于循环神经网络（RNNs）[21][22]和时间卷积网络（TCNs）[23][24]的方法在模拟研究中展现出卓越的准确性，能够有效捕捉不同工况下的时间动态特性，为克服传统方法的局限性提供了具有前景的替代方案。
尽管这些神经网络在离线研究中展现出显著潜力，其模拟性能与电池管理系统（BMS）实际运行框架中的部署效果仍存在关键差距。当前主流研究范式仍高度局限于高性能计算环境，绝大多数研究集中于利用GPU基准数据集进行模型开发与验证[25]。针对实时运行的提案多采用边缘-云协作架构，将复杂计算负荷外包处理[26]。然而，依赖云端的方法并未真正解决计算难题，而是将问题转移，其对于网络连接和外部服务器的依赖引发了敏感应用在数据安全与隐私方面的担忧。因此，当前研究存在一个空白：需要开发一种基于神经网络的、自包含的端侧SOC估算方案，该方案完全运行于本地电池管理系统硬件之上。填补这一空白需攻克两大主要挑战：
首先，微控制器(MCU)严苛的计算和内存限制为部署复杂神经网络带来了难以逾越的RAM/Flash存储限制。虽然减少网络参数能部分缓解这一问题，但这不可避免地会降低估计精度，特别是对于循环神经网络(RNN)及基于RNN的复合架构而言。这种根本性的交易要求在嵌入式电池管理系统(BMS)实现中，必须仔细权衡模型精度与架构轻量化之间的关系。
其次，尽管大多数神经网络解决方案专注于单体电池的荷电状态(SOC)估计，但实际BMS应用需要对多电池进行同步SOC评估以判断电池组整体状态。这种多电池估计必须保持严格的计算效率以确保实时性能。此外，必须在系统架构设计中纳入单体SOC与电池组SOC之间的有效映射机制。
随着嵌入式AI应用需求的日益增长，在资源受限的MCU上部署低成本神经网络已成为关键研究方向[27][28]。这一趋势推动了相关部署工具链的发展，例如STM32 Cube.AI和TensorFlow Lite for MCU。这些框架为通用神经网络模型转化为MCU可执行程序提供了高效路径，显著降低了实现门槛，使得视觉识别等领域的成功应用成为可能。[29] 然而，在微控制器单元（MCU）上成功部署模型仅是第一步。要真正验证基于神经网络的荷电状态（SOC）估算方案在资源受限的电池管理系统（BMS）平台上的工程可行性，必须将部署的模型深度集成至BMS硬件与控制架构中。该模型需作为稳定可靠的模块运行，在与实际电池组网络交互的闭环系统内实现在线状态估计。为解决这一挑战，本研究探索并实现了一条完整技术路径，涵盖模型优化、嵌入式部署、系统集成与在线验证。除验证模拟环境中的算法性能外，本研究成功将优化模型嵌入目标BMS硬件，构建了串联电池组的完整系统，并在动态工况下开展了在线实验。因此，本研究为神经网络在主流BMS产品中的应用提供了一个经过实践验证的系统级解决方案。主要贡献可归纳如下：
- (1)
在TCN中采用改进后的残差区块后，通过硬件-算法协同设计开发出轻量化网络，可部署于资源受限的MCU平台。 - (2)
构建了完整的部署与优化框架，涵盖从模型转换到车规级BMS嵌入式执行的全流程，同时保持实时推理能力。 - (3)
基于简化版BMS和实际串联电池组，在动态工况下进行在线验证，证实所提方法在系统级应用中具备实际可行性。