【摘要】
该研究针对电动汽车实际行驶工况下电池电流、电压无规则波动，传统电池健康状态（SOH）估算方法仅适配线性充电工况的痛点，提出一套全新的实时 SOH 估算方案。研究以锂离子电池等效电路模型中的欧姆内阻作为核心健康表征指标，设计电流倍率、负载状态、荷电状态（SOC）三类数据标注规则优化输入数据集；结合实物电池老化实验与硬件在环仿真（HILS）采集 UDDS、WLTP 等主流汽车测试工况下的电池全生命周期数据；选用长短期记忆网络（LSTM）、门控循环单元（GRU）、双向长短期记忆网络（双向 LSTM）三类时序模型解决梯度消失问题，同时基于 Yocto 项目搭建嵌入式 Linux 硬件平台，借助 TensorFlow Lite 完成模型轻量化优化。实测结果表明，该方案可在电动汽车复杂动态工况下实现高精度、低时延的电池 SOH 实时估算，具备极强的车载落地实用性。
【本文贡献】
（1）工况适配性突破：打破传统 SOH 估算方法依赖线性充电曲线的局限，面向电动汽车 UDDS、WLTP 等动态、非稳态行驶工况设计技术方案，可适配车辆加速、减速、再生制动、怠速等各类真实运行场景。
（2）健康指标与数据集优化：选取物理意义明确、易采集的电池欧姆内阻作为核心健康指标，同时构建电流倍率、负载状态、SOC 三重标注体系，有效隔离工况、环境、SOC 变化对内阻特征的干扰，大幅提升数据集的有效性与模型泛化能力。
（3）数据采集体系完善：融合实物电池老化实验与硬件在环仿真（HILS） 两种方式采集数据，既保证数据真实性，又弥补了实物老化实验周期长、样本量不足的缺陷，覆盖电池从全新（SOH 100%）到寿命终止（SOH 80%）的全老化阶段。
（4）嵌入式工程化落地：基于 Yocto 项目定制嵌入式 Linux 系统，利用 TensorFlow Lite 对深度学习模型进行轻量化处理，解决了深度学习算法在车载嵌入式设备算力有限、存储不足的运行难题，实现算法从实验室模型到车载终端的完整部署。
（5）时序模型选型验证：系统对比 LSTM、GRU、双向 LSTM 三种主流时序深度学习模型在电池 SOH 估算场景的性能，明确了不同模型的适用特性，为车载电池时序类状态估算模型选型提供参考依据。
【研究方法 】
总体框架
首先通过实物老化实验与 HILS 仿真采集不同工况、不同老化阶段的电池电压、电流原始数据，提取电池欧姆内阻并结合三重标注规则构建时序数据集；利用 LSTM、GRU、双向 LSTM 完成模型训练与验证；随后将训练好的模型通过 TensorFlow Lite 轻量化，部署至基于 Yocto 项目的嵌入式 Linux 板卡；最终依托 CAN 总线实现与车载 BMS 的数据交互，完成动态工况下电池 SOH 的实时估算与性能校验。
理论基础
- （1）电池 Rint 等效电路模型与欧姆内阻计算简化传统电池等效电路模型，仅保留欧姆内阻（R0）作为核心特征，依据电流脉冲前后的电压差值计算内阻；针对行驶工况中电流归零的特殊场景，制定补算规则（电流为 0 时沿用前一时刻电流计算），避免短时采样出现计算异常，确保内阻数据连续有效。
- （2）三重数据标注体系从三个维度对内阻数据分类标注：电流倍率分为低、中、高 3 档共 9 类状态；负载状态区分充电、放电、静置、再生制动等 8 类运行模式；SOC 以 2% 为分辨率划分为 50 个区间。通过标注区分不同运行场景，剥离工况干扰，让内阻特征仅反映电池本身的老化程度。
- （3）时序深度学习模型
- LSTM（长短期记忆网络）：通过遗忘门、输入门、更新门、输出门四大门控结构，解决传统循环神经网络（RNN）的梯度消失问题，精准捕捉电池老化的长期时序演变规律。
- GRU（门控循环单元）：简化 LSTM 的门控结构，合并单元数量，降低模型计算量，偏向轻量化运算场景。
- 双向 LSTM：采用前向、反向两路 LSTM 并行处理时序数据，同时利用历史与未来时序信息，进一步提升特征提取与估算精度。
- （3）嵌入式部署技术基于 Yocto 项目定制适配 ARM 架构的嵌入式 Linux 系统；使用 TensorFlow Lite 对深度学习模型进行压缩、算子优化，适配嵌入式设备低算力、低功耗的特性；通过 SSH 协议完成模型烧录，依靠 CAN 总线实现嵌入式板卡与车载 BMS 的数据实时传输。
- （4）硬件在环仿真（HILS）基于实测电池参数搭建虚拟电池模型，模拟不同 SOH 等级、不同行驶工况下的电压、电流响应，快速批量生成老化数据，缩短实验周期。
【 结果与讨论】
- 图 1：展示电池老化数据采集的整套实验平台，包含电池循环仪、恒温舱、数据采集终端等设备；该平台可精准控制实验环境、同步采集电气参数，保障老化实验数据的真实性与可靠性。
- 图 2：呈现电池满充满放波形与 UDDS 城市工况下的电压、电流曲线；直观体现电动汽车行驶过程中电流、电压无规则波动的特点，明确本次研究针对的复杂工况场景。
- 图 3：记录两节锂离子电池经过 70 组循环回路后的容量衰减结果，两节电池 SOH 分别降至 82.57%、81.74%；证明组合工况可有效模拟电池自然老化过程，实物实验方案合理有效。
- 图 4：展示 HILS 仿真生成的 UDDS、WLTP 工况电流波形，以及 SOH 为 100%、90%、80% 三个等级对应的电压曲线；说明 HILS 系统可精准复现不同老化状态的电池电气特性，能够有效补充实验数据集。
- 图 6：展示电池老化过程中欧姆内阻变化趋势及工况标注结果；随着循环次数增加，欧姆内阻持续单调上升，而工况标注结果仅与行驶模式相关、不随老化改变，验证了欧姆内阻是表征电池老化的稳定特征。
- 图 13：对比双向 LSTM、LSTM、GRU 三种模型的实时 SOH 估算曲线；三种模型估算值均略低于参考 SOH，其中 GRU 受采样、通信噪声影响最明显，双向 LSTM 曲线波动最小。
- 表 3：量化统计三种模型的估算误差指标（最大误差、平均误差、最小误差、均方根误差 RMSE）；是评估三类模型综合性能的核心依据，直观体现模型精度差异。
【结论】
- 研究结合 UDDS、WLTP 等主流电动汽车工况，通过实物实验与 HILS 仿真完成锂离子电池从全新到寿命终止（SOH 100%~80%）的全生命周期数据采集，验证了欧姆内阻作为电池 SOH 核心表征指标的有效性。
- 电流倍率、负载状态、SOC 三重数据标注体系，能够有效隔离外界工况干扰，构建出适配动态行驶场景的高质量时序数据集，为模型高精度估算奠定基础。
- 双向 LSTM、LSTM、GRU 均可实现复杂工况下的 SOH 实时估算，其中双向 LSTM综合估算精度最优，是该应用场景下的首选模型。
- 基于 Yocto 项目的嵌入式 Linux 架构与 TensorFlow Lite 模型轻量化技术，成功实现深度学习算法在车载嵌入式设备的工程化部署，整套 SOH 估算方案具备直接应用于量产电动汽车电池管理系统的潜力。
文献信息
原文标题: Real time embedded Linux-based SOH estimation using ohmic resistance by labeling criteria and time series estimation in EV driving conditions
发表日期: 2026 年 3 月（在线发布）
期刊: Energy Conversion and Management
DOI 链接: https://doi.org/10.1016/j.enconman.2026.121383
作者单位：韩国忠南大学电气工程系储能与转换实验室
