C2L-Net：一种用于锂离子电池放电状态估计的数据驱动模型
人工智能
2026-05-12 v1
摘要
准确的电荷态(SOC)估计对于锂离子电池在电池管理系统(BMS)中的安全和高效运行至关重要。虽然数据驱动方法能够有效捕捉非线性电池动力学，但许多现有方法依赖长历史输入序列，导致高计算成本，并在驱动循环开头引入填充导致的位置偏差。为解决这些限制，我们提出了C2L-Net，这是一种新颖的数据驱动框架，用于基于短历史窗口(20秒)的真实在线SOC估计。与现有短感受野或长历史模型不同，所提框架显式地将上下文编码与最新测量更新分离，实现了高效的时间建模和对动态电池状态的快速适应。该模型包含基于块的特征提取机制，将Theta注意力池化与傅里叶基函数的季节性分解相结合，以捕捉局部时间模式，同时缩短序列长度。一个因果上下文编码器，将门控循环单元(GRU)与因果余弦注意力相集成，建模时间依赖关系而不引入信息泄漏。此外，最新测量解码器受递归滤波启发，使用最新测量更新上下文状态，增强了对动态运行条件的响应性。在多个固定温度条件下的公开锂离子电池驱动循环数据集上进行了大量实验，表明该方法在保持稳健性能的同时，以显著的计算效率优势实现了最先进或竞争的精度。特别是，C2L-Net在推断速度上快高达60倍，参数数量也少于最近的数据驱动基线方法，同时在未见的驾驶档案上表现稳健。
引用
@article{arxiv.2605.08653,
title = {C2L-Net: A Data-Driven Model for State-of-Charge Estimation of Lithium-Ion Batteries During Discharge},
author = {Khoa Tran and T. Nguyen-Thoi and Vin Nguyen-Thai and Duong Tran Anh and Hung-Cuong Trinh and Tri Le},
journal= {arXiv preprint arXiv:2605.08653},
year = {2026}
}