本文旨在向中国学术同侪介绍一篇发表于*Applied Energy*期刊，题为“Physics-informed SOC estimation without explicit parameter identification via a dual-system error modeling framework”的研究论文。本研究提出了一种创新的锂离子电池荷电状态（State of Charge, SOC）估计方法，其核心在于绕过了传统电化学模型依赖的高成本、高难度的参数辨识过程，通过一个双系统误差建模框架，结合具有物理信息约束的神经网络，实现了高精度且可解释的SOC估计。
本项研究由来自中国吉林大学多个学院的研究人员共同完成。主要作者包括Zhang, Minghang（张铭航）和Zhang, Libin（张立斌），通讯作者为吉林大学化学学院的Lu, Haiyan（陆海彦）教授以及仪器科学与电气工程学院的Liu, Changying（刘长英）教授。研究团队横跨化学、交通工程、仪器科学等多个学科，体现了跨学科合作的特点。这项研究成果正式发表于国际知名期刊*Applied Energy*的第413卷（2026年），文章识别码为127758，于2026年3月30日在线发布。
锂离子电池是电动汽车和电网级储能系统的核心，其精确的荷电状态（SOC）估计对于电池管理系统（Battery Management System, BMS）防止过充过放、优化能量分配和延长寿命至关重要。然而，SOC是一个不可直接测量的内部状态，需要从可观测的端电压、电流和温度等信号中推断。
当前SOC估计方法主要面临两大挑战构成的“核心矛盾”：一方面，基于电化学模型（如伪二维P2D模型、单粒子电解液模型SPMe）的方法具有优越的物理可解释性，能够描述电池内部的浓度、电位分布等机理，但其涉及数十个强耦合参数，参数辨识过程极其困难、成本高昂，且参数随电池老化动态变化，严重限制了其实用性。另一方面，数据驱动方法（如LSTM、GRU等深度学习模型）避免了参数辨识，在动态工况下表现出高精度，但其“黑箱”特性缺乏物理可解释性，预测结果无法对应到具体的电化学机制，难以支持退化机理分析和预测性维护。
尽管近年来的混合建模方法试图结合两者优点，但它们通常仍以完成精确的电化学模型参数标定为前提。本研究提出了一个全新的视角：一个参数失配的电化学模型虽然无法准确预测端电压，但其计算得到的浓度轨迹仍然编码了电池固有的动态响应特征。基于此，研究团队旨在建立一个无需显式参数辨识的、物理信息驱动的SOC估计新范式。具体目标包括：1）理论证明在参数失配下，浓度误差是失配系统浓度和电流历史的确定性函数；2）设计一个具有物理可解释性的神经网络，隐式地补偿参数偏差，并解耦端电压的各物理成分；3）将该神经网络集成到无迹卡尔曼滤波（Unscented Kalman Filter, UKF）框架中，实现闭环SOC估计。
本研究包含一个逻辑严密、层层递进的工作流程，主要可分为以下几个关键步骤：
步骤一：理论基础构建与双系统误差模型推导 研究以计算高效且精度良好的单粒子电解液模型（SPMe）作为基准电化学模型。研究团队构建了一个“双系统”框架：一个代表真实电池、具有正确但未知参数的系统，另一个是使用已知但失配参数（例如，直接采用文献中报道的钴酸锂LCO电池参数）进行模拟的系统。在固定温度和健康状态（SOH）的假设下，研究团队对固相和电解液相浓度误差的动态方程进行了严格的数学推导。
推导结果表明，无论是固相还是电解液相，其实系统与模拟系统之间的浓度误差δc(t)，都可以表达为一个积分形式的确定性函数。该函数表明，误差由初始误差项和一个历史轨迹积分项组成。积分项的核心输入是失配参数系统计算出的历史浓度轨迹c_sim(τ)和历史电流i(τ)。这一理论突破至关重要，它证明了：即使模型参数是错的，由其产生的“错误”浓度轨迹与电流历史相结合，已经包含了足够的信息来逼近真实系统的电压响应。这为后续使用神经网络隐式学习这一复杂的积分映射关系奠定了坚实的数学基础。
步骤二：双任务双流融合网络（Dual-Task Dual-Stream Fusion Network, DTD SFN）的设计与实现 基于上述理论，研究团队设计了一个新颖的神经网络架构——DTDSFN，其核心目标是实现物理重构与解耦。网络工作流程如下： 1. 输入与特征提取：输入为从参数失配的SPMe模型计算得到的固相表面浓度、电解液相边界浓度以及电流序列。采用长度为150秒的历史时间窗口作为输入，以平衡计算效率与精度。 2. LSTM浓度误差补偿：首先，使用长短时记忆网络（LSTM）模块来隐式地学习并补偿固相和电解液相的浓度误差。LSTM擅长捕捉时序依赖关系，正好对应误差方程中的历史积分过程。该模块输出经补偿后的“估计真实”浓度。 3. 双任务架构：网络被硬性划分为两个任务，强制进行物理解耦。 * 任务一（OCV计算）：使用补偿后的固相表面浓度，通过一个残差网络（ResNet）预测开路电压（OCV）。该任务学习的是电池的热力学平衡特性。 * 任务二（过电位计算）：进一步采用双流设计。 * 流一（浓度极化流）：专门预测由电解液浓度分布不均引起的浓度极化过电位，输入主要为电解液相边界浓度。 * 流二（耦合过电位流）：预测激活过电位、欧姆过电位和SEI膜过电位的总和，这些成分被认为主要与电流和固相浓度相关。 关键创新：两个流的输出不是通过融合层混合，而是直接相加得到总过电位。这种“硬约束”在架构层面强制执行了物理叠加原理（端电压 = OCV + 总过电位），确保了每个网络输出对应一个明确的电化学机制，从而实现了“灰箱”而非“黑箱”建模。 4. 训练与验证：模型在多个数据集上进行了训练和验证。使用了包括McMaster大学的LFP电池老化数据集、马里兰大学的NMC电池变温数据集以及实验室自采的NCA电池数据集。仅使用文献中的LCO参数运行SPMe来生成训练特征，而监督信号（标签）是实验测得的真实端电压。
步骤三：DTDSFN-UKF联合估计框架的建立 为了实现闭环、抗噪的SOC估计，研究将训练好的DTDSFN集成到无迹卡尔曼滤波（UKF）中。 1. 状态方程：采用传统的安时积分法，以电流对时间积分为基础，并加入过程噪声。 2. 观测方程：这是框架的核心创新点。观测方程即DTDSFN本身：电压 = 任务一(浓度) + 任务二(浓度，电流)。它将神经网络作为一个强大的、非线性的电池观测模型。 3. SOC-浓度准静态映射：为了将SPMe计算的浓度状态与SOC联系起来，研究建立了一个准静态映射。在准静态条件下，固相表面浓度与SOC呈线性关系。尽管该线性系数来自参数失配的模型，但由于任务一（OCV预测）是以实验OCV为监督信号训练的，网络能够隐式地校正这种映射偏差。 4. UKF闭环估计：UKF利用DTDSFN作为观测模型，通过实时测量到的端电压与模型预测电压之间的“创新”（误差），不断递归修正安时积分得到的SOC估计值，从而有效抑制初始误差和电流测量噪声的累积。
研究通过系统、全面的实验验证了所提方法的有效性，结果令人信服。
结果一：DTDSFN模型的卓越性能与泛化能力 1. 跨化学体系验证：仅使用一套文献LCO参数，DTDSFN在LFP、NMC和NCA三种不同化学体系的电池上测试，端电压预测的平均均方根误差（RMSE）达到3.5 mV，证明了其强大的跨化学泛化能力。 2. 抗参数失配鲁棒性：应力测试显示，即使将所有模拟参数统一偏离±80%，模型仍能保持较好的预测性能，验证了框架对严重参数失配的鲁棒性。 3. 架构有效性验证（消融实验）：对比实验表明，完整的DTDSFN架构（双任务、双流、ResNet、LSTM）不可或缺。移除残差连接导致性能急剧下降（RMSE增加38%至172%），证明了特征重用对保持物理状态信息的关键作用。仅当使用完整架构时，才能成功解耦出OCV和浓度极化过电位。 4. 与基准方法的对比：与Transformer、LSTM、TCN、随机森林等7种先进数据驱动方法相比，DTDSFN在测试集上表现出最优的泛化性能和最小的过拟合，证明了其物理信息融合架构的优越性。 5. 跨老化、跨温度、跨工况验证： * 老化：在LFP电池上，模型仅在SOH高于70%的数据上训练，却能准确预测SOH低至60%的电池电压，展示了出色的老化外推能力。 * 温度：在NMC电池上，使用0°C、25°C、45°C的FUDs数据训练，模型能够准确预测0°C BJDST、45°C US06等未见过的温度-工况组合，证明了其捕捉温度依赖电化学现象的能力。 * 工况：在NCA电池上进行的留一法交叉验证表明，模型能够从一个电池的FUDs数据学习，准确预测另一电池在BJDST、UDDS、US06等动态工况下的电压，展示了跨电池个体和跨工况的泛化能力。
结果二：DTDSFN-UKF框架的SOC估计精度与鲁棒性 1. 高精度估计：在不同化学体系、老化状态和温度条件下，DTDSFN-UKF框架的SOC估计平均RMSE达到0.4%，显著优于传统的基于等效电路模型（ECM）的EKF和AUKF算法。在存在初始误差、电流偏置和高斯噪声的扰动下，其性能优势更加明显。 2. 长期稳定性：对LFP电池进行长达9000次WLTP循环的持续测试，SOC估计误差始终保持在±1%以内（平均RMSE: 0.23%），且未出现系统性漂移。这证明该框架在整个电池生命周期内具有卓越的稳定性，无需重新训练或更新参数。 3. 解耦输出的价值：DTDSFN不仅提供总电压，还输出了OCV、浓度极化过电位等解耦的物理分量。这大大扩展了观测空间，将观测信号从一个端电压拓展为多个具有物理意义的变量，降低了状态估计的非线性耦合程度，为未来进行高精度的无损参数辨识和老化机理诊断奠定了坚实基础。
本研究成功建立了一种基于物理信息误差补偿的锂离子电池SOC估计新范式。其核心结论在于：参数失配的电化学模型所产生的浓度轨迹，蕴含了足以重构电池真实电压响应的结构信息；通过一个经过精心设计的、具有架构硬约束的神经网络，可以隐式地补偿参数偏差，从而在完全避免显式、高成本参数辨识的前提下，同时实现高估计精度和物理可解释性。
该研究的科学价值在于，它打破了电化学模型可解释性与参数辨识难度之间的传统权衡，为电池状态估计领域提供了一条全新的技术路径。其理论推导严谨，架构设计巧妙，实验验证全面，具有很高的学术创新性。
在应用价值方面，该方法极大地降低了高性能BMS的开发门槛和成本。工程师无需为每种电池化学体系进行繁琐的参数标定，即可部署一个具有机理理解能力的智能估计器。这对于加速新电池材料的BMS开发、实现电池的个性化精准管理以及支持预测性健康管理都具有重要的现实意义。
研究中对一些简化假设进行了实验验证，增强了工作的严谨性。例如，验证了将电解液扩散系数视为常数所引起的浓度误差小于4%；验证了在动态工况下，区域平均电解液浓度变化小于1%，从而支持了在双流网络设计中的相关简化。这些细节体现了研究工作的扎实与细致。此外，论文在补充材料中提供了完整的符号列表、模型方程推导、参数详情以及更丰富的对比实验结果，为同行复现和深入研究提供了充分支持。