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BMS

1 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 & Kowal（2025）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, 100585
DOI	10.1016/j.egyai.2025.100585
类型	综述论文
关键词	SOC Estimation; Deep Learning; Battery Management System; Neural Networks; Optimization Strategies

Yao & 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（2025）SOH 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；ECM+EKF 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 PCoE	NASA Ames	18650 (NCA)	充放电循环	库仑计数
CALCE	Univ. Maryland	18650 (LCO)	充放电 + 脉冲	库仑计数
Oxford	Univ. Oxford	18650 (LCO)	驾驶工况	库仑计数
McMaster	McMaster Univ.	18650 (LFP)	驾驶工况	库仑计数
VW-EL-Cycle	TU Braunschweig	18650 (NMC)	WLTP 工况	库仑计数
VW-EL-Cell	TU Braunschweig	18650 (NMC)	老化循环	库仑计数
RWTH-ISEA	RWTH Aachen	18650 (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
LSTM	SOC 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 LSTM	GRU-AF、BIGRU
CNN	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 CNN
TCN	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 2（DL-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（2025）SOH 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——ECM+Observer 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 SOC+SOH+Safety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.