用于电动车SOC预测的混合Tucker-LSTM张量网络模型
机器学习
2026-05-14 v1 新兴技术
摘要
准确的电动车电池状态（SOC）估计是电动车电池管理策略成功的关键，但众所周知，传统估计器存在两个根本性缺陷：随时间累积的误差不断增长，以及依赖简化的电池模型，无法反映真实世界的动态。因此，本文提出了一种新颖的混合方法，将Tucker张量分解与LSTM网络结合，用于SOC预测。输入包括充电状态、里程、电压、电流、电池单体差异以及时间特征。巧妙地采用Tucker分解降低维度，同时保持时间结构，从而实现与标准LSTM的直接、公正比较。结果显而易见：Tucker-LSTM在所有指标上均优于基线，均方根误差（MSE）下降70.5%（从21.07降至6.22），平均绝对误差（MAE）改善48.7%（从3.37%降至1.73%），RMSE从4.59%降至2.49%，R²从0.918提升至0.976。由于实验结果明确表明，张量分解能够在不损失预测保真度的情况下压缩高维电池数据，因此本文自然开启了张量基准分析在电动车电池管理中的新方向。
引用
@article{arxiv.2605.13200,
title = {A Hybrid Tucker-LSTM Tensor Network Model for SOC Prediction in Electric Vehicles},
author = {Han Wang and Ying Wang and Bing Wang},
journal= {arXiv preprint arXiv:2605.13200},
year = {2026}
}