物理信息Mamba模型

SOC估算误差低于0.42%

将Mamba选择性状态空间模型与自适应无迹卡尔曼滤波深度集成，实现锂电池荷电状态的端到端高精度估算。

Rui, Wang · Lele, Liu · Fujian, Yang · Jing, Xie · 谭超 · Qiansheng, Qiu

Journal of Energy Storage 2026

参数信息

SOC估算均方根误差

0.42 %

技术优势

无需参数真值

通过物理一致性正则项保证估计合理性，训练时无需等效电路模型参数的真值标注。

适应时变参数

直接识别动态模型参数和初始SOC，避免时变和未知参数带来的耦合误差。

精度高

CALCE数据集上SOC估计的RMSE始终低于0.42%，性能优于传统滤波方法和主流深度学习模型。

鲁棒性强

引入Sage-Husa自适应策略的无迹卡尔曼滤波作为后端，融合网络先验与模型驱动优化，增强在线估计的鲁棒性和平滑性。

应用场景

• 电池管理系统：提供高精度SOC估计，提升电池管理系统的安全性和效率。
• 锂电池状态监测：在多种工况下准确估计SOC，实现可靠的电池状态感知。
• 智能电池控制：融合数据驱动与模型驱动，为智能控制提供平滑鲁棒的SOC信息。