论文阅读笔记09基于深度学习的SOC估计综述——走向更智能的BMS1 写在前面为什么读这篇综述刚读完 Tang 等2025的 SOH 综述对电池的老化评估有了全景认知。但 BMS 算法层的另一个核心状态量——SOC——还没有系统学习过。SOC 和 SOH 是 BMS 的两条腿SOC 回答”现在还剩多少电”SOH 回答”最多能装多少电”。一个不准确的 SOC 比没有 SOC 更危险——它会误导所有基于 SOC 的保护逻辑把过充当正常、把过放当还有余量。这篇 Yao Kowal2025发表在 Energy and AI 上的 SOC 综述专门聚焦基于深度学习的 SOC 估计时效性极强——2025 年 8 月在线发表。它的独特价值在于以 DL 架构为组织主线——不同于传统按”模型驱动 vs 数据驱动”的二分法而是深入 LSTM/GRU/CNN/TCN 每一种架构下的 SOC 估计方案对工程选型帮助很大。专门的优化策略章节——数据预处理、注意力机制、迁移学习、混合模型这些在 SOC 估计中”让模型好用”的关键技巧被独立成章讨论。系统总结了新兴方向——PINN、多任务学习、少样本学习、连续学习四个前沿方向都给了具体的应用思路。我的阅读目标 1. 掌握 SOC 估计方法的技术分类——模型驱动ECM/电化学模型/Observer→ 传统 ML → 深度学习 2. 理解每种 DL 架构FFNN → RNN → LSTM → GRU → CNN → TCN在 SOC 估计中的适用场景和局限 3. 了解数据预处理和优化策略——这些是模型从”论文跑通”到”硬件能跑”的关键 4. 与已读的 SOH 综述结合起来建立 BMS 两大状态量的完整技术地图2 论文基本信息表 1 论文基本信息项目内容题目Towards a smarter battery management system: A critical review on deep learning-based state of charge estimation of lithium-ion batteries作者Jiaqi Yao, Julia Kowal单位柏林工业大学 (TU Berlin)电气储能技术系期刊Energy and AI年份2025卷/号21, 100585DOI10.1016/j.egyai.2025.100585类型综述论文关键词SOC Estimation; Deep Learning; Battery Management System; Neural Networks; Optimization StrategiesYao Kowal 来自 TU Berlin 的 Kowal 课题组该组在电池建模和储能系统方向有多年的积累从参考文献可以看出这篇综述得益于他们对电化学模型ECM和数据驱动方法的双重理解。Energy and AI 是 Elsevier 旗下的一个新锐期刊专门交叉能源和人工智能两个领域对 DL电池这类跨学科综述是非常合适的发表平台。这篇综述与 Tang 等2025SOH 综述可以形成非常好的互补——都在 2025 年发表、都是 DL 驱动、都覆盖前沿方向。但 Tang 以健康指标为组织主轴这篇以 DL 架构为主线。3 这篇论文主要讲了什么3.1 主线结构作者的主线非常清晰如图1所示先搭技术背景你怎么获取 SOC 的标签用什么数据集→ 再系统遍历 DL 架构每种网络结构在 SOC 任务上怎么用→ 再讨论让模型更实用的优化技巧数据怎么处理注意力怎么加迁移学习怎么用→ 最后展望前沿方向。图1 论文主线结构图3.2 核心观点DL-based SOC 的核心优势是端到端建模——无需显式的电化学模型参数直接从电压/电流/温度序列映射到 SOC。传统 Observer-based 方法EKF/DEKF/PF依赖精确的 OCV-SOC 映射和 ECM 参数而这些参数本身会随老化漂移。LSTM/GRU 是 SOC 估计的”默认架构”但 CNN/TCN 在空间特征提取上有独特优势。作者对比了 20 种 DL-based SOC 方案LSTM 和 GRU 的变体占主导但 CNN 和 TCN 在某些工况下表现更好。工程部署面临的核心矛盾不是”模型精度不够”而是”泛化能力不足”——同一个模型在不同温度/不同老化状态下 SOC 估计会显著漂移。迁移学习是目前缓解这一问题的关键技术。标准化评估协议的缺失是领域的系统性缺陷——不同论文用不同数据集、不同温度条件、不同评价标准导致方法之间难以公平对比。4 核心内容深度解析4.1 SOC 估计方法的技术谱系如图2所示作者在 Section 2 中给出了 SOC 估计的三层技术分类这个谱系反映了SOC估计从“完全依赖物理模型”到“数据驱动建模”的演进趋势图2 SOC估计方法技术谱系我的理解这个分类从浅到深是一个逐步”解放特征工程”的过程。安时积分OCV校正不需要任何学习但需要精确的库仑计数和定期静置ECMEKF 需要精确的参数辨识传统 ML 需要人工特征提取DL 的目标是让模型自己从原始信号中发现特征。4.2 公开数据集作者整理了一份非常有价值的公开数据集列表。我把这些数据集的特点整理如下表 2 论文中引用的主要公开锂离子电池数据集基于原文 Table 1数据集来源机构电芯类型工况类型SOC 标签获取方式NASA PCoENASA Ames18650 (NCA)充放电循环库仑计数CALCEUniv. Maryland18650 (LCO)充放电 脉冲库仑计数OxfordUniv. Oxford18650 (LCO)驾驶工况库仑计数McMasterMcMaster Univ.18650 (LFP)驾驶工况库仑计数VW-EL-CycleTU Braunschweig18650 (NMC)WLTP 工况库仑计数VW-EL-CellTU Braunschweig18650 (NMC)老化循环库仑计数RWTH-ISEARWTH Aachen18650 (NMC)驾驶工况库仑计数值得注意的一点所有数据集的 SOC 标签都是通过库仑计数获得的——这本身就带有累积误差。作者特别呼吁建立统一的评估协议包括固定的评价指标RMSE/MAE/MAX和交叉测试协议在不同温度/老化状态下测试泛化性。4.3 各 DL 架构在 SOC 估计中的表现作者在 Section 3.1 中逐架构讨论了 DL-based SOC 方案。我把关键信息整理成下表方便后续选型参考表 3 SOC 估计中主流 DL 架构对比基于原文 Section 3.1架构适合 SOC 的原因典型局限代表性方案FFNN结构简单、训练快、嵌入式易部署时序建模能力弱需要窗口化输入多层 FNN 滑动窗LSTMSOC 任务的默认选择天然建模充放电的时间依赖参数量大、训练慢、门控结构复杂双层 LSTM、LSTM 注意力GRU比 LSTM 更轻量少一个门、精度相当极端长序列能力不如 LSTMGRU-AF、BIGRUCNN从充放电曲线切片中提取局部形态特征电压平台、DV 峰时序全局依赖建模弱、需与 RNN 或多尺度结构配合1D-CNN、多尺度 CNNTCN因果卷积 膨胀卷积并行训练快、感受野可控对超参数膨胀因子、层数敏感TCN 残差连接Hybrid结合多架构优势如 CNN 提特征→LSTM 序列表征模型复杂度高、部署难CNN-LSTM、CNN-GRU补充说明作者在 Section 3.3 中给出了 Table 2DL-based SOC 方法对比表列出了 20 种具体方案。我注意到一个趋势——2019-2022 年 LSTM 为主流2022-2024 年 GRU因其同等精度更小计算量和混合模型逐渐增多。4.4 优化策略——让模型从”论文跑通”到”能用”这是本文最有工程价值的章节。作者讨论了四种优化方向1数据预处理 - 归一化Min-Max/Z-Score——最基本的操作直接影响 DL 模型收敛 - 滑动窗口——将原始时序数据切割为固定长度的输入段是 SOC 估计最核心的数据预处理步骤 - 数据增强——在训练数据有限时通过噪声注入、工况混合来提升泛化性2注意力机制 - 自注意力Self-Attention——让模型自己学习时间步之间的重要性权重 - 通道注意力——对不同输入特征电压/电流/温度赋予不同权重 - 作者指出注意力机制的引入显著提升了 SOC 估计中”关键充放电特征段”的建模能力3迁移学习 - 从一种电池迁移到另一种电池如 NMC→LFP - 从一种工况迁移到另一种工况WLTP→US06 - 核心价值当目标工况数据不足时用源域预训练模型微调4混合模型 - CNN-LSTM 是最常见的组合——CNN 提取局部曲线特征 LSTM 建模全局时序依赖 - 物理-数据混合用 ECM 先产生一个粗略 SOC 估计再用 DL 模型校正残差 - 这是本章最有前景的方向——结合物理模型的可靠性和 DL 的拟合能力5 前沿方向与趋势分析5.1 物理信息神经网络PINNs作者将 PINN 列为第一前沿方向。传统的 DL-based SOC 估计纯粹从数据学习不利用任何电池物理知识PINN 的思路是将 OCV-SOC 的物理约束嵌入损失函数——让网络不仅拟合数据还必须满足充放电过程的物理规律如 Coulomb 效率约束、热力学平衡电位约束。我的理解PINN 在 SOC 估计中的价值比在 SOH 中更直接——OCV-SOC 曲线本身就提供了很强的物理先验嵌入网络中天然就是正则化。这可以缓解 DL 模型在缺乏数据的极端温度/老化状态下的预测发散问题。5.2 多任务学习MTL作者讨论了将 SOC 估计与其他 BMS 任务SOH、RUL 预测联合训练的潜力。共享底层特征提取层可以同时降低总计算量和提升各任务的准确率——因为 SOC 和 SOH 共享了电池行为的许多底层模式充放电曲线形态、电压平台位置等。这让我联想到 Tang 等2025SOH 综述中的观点——独立的 SOH 和 SOC 估计浪费了共享特征未来可能是一个统一的”电池状态表征”模型同时输出 SOC、SOH 和多维安全信息。5.3 少样本学习与连续学习这两个方向直指 SOC 估计的工程痛点少样本学习新电池型号上线时只有少量数据如何在 10-20 个充放电循环内获得可靠的 SOC 估计连续学习当电池在使用中不断老化时模型如何在不遗忘旧知识的前提下持续适应新的老化特性作者指出这两者是 SOC 估计从实验室走向大规模部署的关键瓶颈。目前的 DL 模型大多需要大量的训练数据覆盖各种工况和老化状态——这在实际生产中成本太高。6 对工程实践的启发6.1 SOC 估计在 BMS 中的工程约束表 4 SOC 估计的 BMS 工程约束约束说明对 DL 模型的影响实时性BMS 需要毫秒级响应深层 LSTM/Transformer 推理延迟可能过高存储MCU ROM/RAM 极其有限多光源模型参数量被严格限制安全可靠性SOC 错误→过充/过放风险纯 DL 黑箱模型在汽车功能安全认证中面临挑战老化适应电池特性随使用漂移训练好的模型需持续更新否则精度逐年恶化6.2 工程推荐路径基于本文的分析和我对 BMS 工程约束的理解一个务实的 SOC 估计工程策略可以是基础层必需安时积分 OCV 校正物理可靠不可替代增强层推荐EMC EKF已有 OCV 校正回路加入 EKF 可在线估计 ECM 参数并同时输出 SOC 及其不确定度智能层未来轻量 GRU 迁移学习当 MCU 算力足够且数据积累到一定量后启用6.3 警示SOC 标签本身就是估计值。所有 DL 模型训练用的 SOC ground truth 都来自库仑计数本身带累积误差。在要求 1% 精度的场景下必须考虑标签噪声对模型性能上限的影响。不要在训练集之外做预测。SOC 估计的 DL 模型严重依赖训练数据覆盖的工况范围——在未见过的新温度/高倍率/老化状态下预测容易产生严重偏差甚至发散。迁移学习不是魔法。从一种电池化学体系迁移到另一种如 NMC→LFP的成功案例很少——LFP 的平坦 OCV 平台让 SOC 估计本身就更难。7 论文的局限这篇综述覆盖全面、结构清晰但也有几个值得注意的问题缺乏对嵌入式部署的讨论。作者把焦点放在”模型精度”和”新架构”上对”怎么在 BMS 硬件上跑这些模型”几乎没涉及——MCU 算力、模型压缩、功耗限制都没有讨论。如果后续要读 TinyML 方向的论文这一点会有明显的落差感。性能对比表格不够标准化。虽然 Table 2 列出了 20 种方法的测试误差但不同方法在不同数据集/温度/工况下测试直接比较 RMSE 没有意义——这也是作者在 Section 3.4 中亲自指出的问题。模型驱动方法的讨论偏少。综述的标题是”Towards a smarter BMS”但几乎只讨论了 DL 方法——ECMObserver 这类在工程中实际更常用的方案只被简要提及。对一线 BMS 工程师来说可能还需要补充传统方法的知识。电池包级 SOC 估计被跳过。全文只讨论单电芯 SOC 估计。但在真实 BMS 中电池包内有几十到几百个电芯串并联带来的不一致性让 SOC 估计难度大幅增加——这个方向值得额外的阅读和思考。8 我的理解与总结8.1 方法论提炼如果说 Tang 的 SOH 综述告诉我”选什么指标来表征电池衰退”这篇 SOC 综述告诉我的则是”选什么网络架构来学电池行为”。两篇合在一起我把 BMS 算法层总结为一个三层模型如图3所示图3 SOCSOHSafety集成框架8.2 核心收获SOC 和 SOH 是同一枚硬币的两面——它们共用同一组输入V/I/T和同一个电池行为模型只是在输出端分岔。因此 SOC 模型的长处时序建模和短板老化漂移与 SOH 模型高度重合。LSTM 是 SOC 的”工作马”但 GRU 性价比更高。如果你需要在 MCU 上部署GRU 因为少一个门没有 output gate而参数量更小且在很多 SOC 任务上精度与 LSTM 相当。数据预处理比模型选择更重要。滑动窗口大小、归一化方法、噪声注入策略这些”脏活”对最终 SOC 精度的影响可能超过架构选择——这也是 DL 在 BMS 中落地的真正瓶颈之一。从 TR→SOH→SOC三篇综述Feng→Tang→Yao形成了一个完整的”学习 BMS 的一条链”路径安全性TR→ 老化评估SOH→ 实时状态SOC。9 参考文献Yao J, Kowal J. Towards a smarter battery management system: A critical review on deep learning-based state of charge estimation of lithium-ion batteries[J]. Energy and AI, 2025, 21: 100585. DOI: 10.1016/j.egyai.2025.100585.Tang K, Luo B, Chen D, Wang C, Chen L, Li F, Cao Y, Wang C. The State of Health Estimation of Lithium-Ion Batteries: A Review of Health Indicators, Estimation Methods, Development Trends and Challenges[J]. World Electric Vehicle Journal, 2025, 16: 429. DOI: 10.3390/wevj16080429.Feng X, Ouyang M, Liu X, Lu L, Xia Y, He X. Thermal runaway mechanism of lithium ion battery for electric vehicles: A review[J]. Energy Storage Materials, 2018, 10: 246-267. DOI: 10.1016/j.ensm.2017.05.013.