0 引言
随着寒区可再生能源电站的大规模投运，锂离子电池储能系统正面临严峻的低温运行挑战[1-2]。研究表明，低于0℃时，锂离子电池电解液黏度增加、离子迁移受阻、电极极化加剧，导致容量衰减与放电效率下降[3]；在-20℃以下更可能发生锂沉积，造成不可逆容量损失，严重影响循环寿命与系统安全[4]。为保障系统性能，电池热管理系统成为关键，系统性的加热是激活电池性能、保障放电效率与安全性的首要步骤。本文所关注的“低温”环境，正是指电池面临显著性能衰减与安全风险的这一典型温区（-20～0℃）。在此范围内，传统的静态加热策略因无法精准匹配储能系统放电时内部状态（如SOC）的动态变化，其能效提升有限。因此，本文研究工作聚焦于储能系统放电状态下加热目标温度的动态优化，旨在解决其温度调控能力对系统能量输出与经济性的直接影响[5-7]。
当前低温热管理普遍采用静态温度控制策略，存在两大问题：①加热目标温度设定依赖经验，缺乏荷电状态（State of Charge, SOC）与温度状态（State of Temperature, SOT）动态耦合关系的定量分析，导致能耗与需求不匹配；②恒定加热设定忽视SOC变化下电池最佳温度的时变性[8]，难以适应电池运行需求，成为寒区储能效率提升的瓶颈。
在研究发展方面，电池状态估计与热管理优化仍相对割裂：
（1）在状态估计中，主流方法如扩展卡尔曼滤波（Extended Kalman Filter, EKF）与自适应卡尔曼滤波（Adaptive Kalman Filter, AKF）虽可实现SOC-SOT联合估计[9]，但多聚焦估计精度，忽视不同SOC下最佳运行温度的动态预测。郭宝贵等[10]采用分数阶模型与自适应遗忘因子最小二乘法提升参数识别鲁棒性，并结合EKF估计SOC；Yu Chao等[11]构建了电热模型与自适应估计算法耦合框架，显著提升5～35℃下的估计性能。但传统EKF和AKF存在线性化误差[12-13]，且未建立SOC变化与最佳温度阈值间的动态映射关系，使得估计结果难以服务于实际热管理优化。
（2）在热管理优化方面，多采用静态经验规则设定温度。在工程实践中，为保证安全与性能，电池往往被加热或维持在某一固定的目标温度或温区（15～25℃或20℃定值），这种设定简单易行，但忽略了电池在不同SOC、不同放电倍率和环境温度下对效率和寿命的差异化需求[14-15]，缺乏对 SOC-温度-效率关系的动态识别能力。Wu Yue等[16]基于动态规划提出规则控制策略优化电池冷却效果，提高经济性并降低退化；Chen Jiahui等[17]结合神经网络与遗传算法实现多目标优化，提升热管理系统散热性能；Huang Dan等[18]通过热模型研究电池热行为，改进热管理系统设计。然而，这些方法多聚焦于散热或冷却环节，对低温加热目标温度的选择仍缺乏系统性的优化。近期研究开始关注加热过程中的温度设定问题，例如，Luo Minyun等[19]和Han Shaojian等[20]的工作均以“将电池加热至固定目标温度后进行放电”作为实验基准，而Tao Zhenyi等[21]则提出通过系统化方法寻找最优预热截止温度，凸显了传统工程方法依赖固定温度设定的局限性。综上所述，当前储能系统热管理研究正逐渐从“被动温控”向“状态感知型动态温控”转变，但现有研究尚未建立SOC-温度-效率的动态响应关系，也缺乏在全工况下对加热目标温度的动态优化方法，这在一定程度上限制了储能系统全周期能效最优控制的实现。因此，探索基于SOC-SOT联合估计的动态温度优化方法具有重要的理论价值和工程必要性。
综上所述，本文针对低温储能系统中状态估计与温度优化协同不足的问题，提出一种数据与机理融合的闭环优化方法，主要贡献包括：
（1）提出基于电热耦合模型的双自适应无迹卡尔曼滤波（Dual Adaptive Unscented Kalman Filter,DAUKF）方法，实现SOC-SOT联合估计，利用自适应协方差更新与双状态修正机制，显著提升估计精度与动态追踪能力，克服传统双扩展卡尔曼滤波在强非线性系统中的误差积累问题。
（2）构建长短期记忆（Long Short Term Memory,LSTM）驱动的效率-温度映射模型，动态预测SOC变化过程中的最佳运行温度，打破静态设定的局限。
（3）基于LSTM预测结果构建动态温度优化框架，优化低温加热目标温度，提升放电效率，实现从“经验驱动”向“估计-预测-优化”协同驱动的转变。
1 储能系统电热耦合建模与参数辨识
1.1 单体电池电热耦合机理建模
在锂离子电池运行过程中，电气特性与热行为高度耦合[22]：温度变化影响其等效电路参数，而充放电过程中的热量又反过来改变热模型状态。因此，构建精确的电热耦合模型对于实现电池状态估计与热管理优化具有重要意义。电热耦合模型的基本结构框架如图1所示。
图1 电热耦合模型基本结构框架
Fig.1 Framework diagram of the electro-thermal coupling model
工作电流I是电-热耦合系统的核心驱动量，它既作为电模型的输入变量，决定电压输出与极化损耗，又通过产热功率公式与热模型相连，直接影响热量计算与温度变化。图中的热量传递路径体现了由电行为产生的热效应在电池内部的传导关系，连接核心温度、表面温度及外界环境温度等状态量。电模型输出、状态量传递路径和热量传递过程共同作用，描述了由SOC估计与SOT估计形成的电-热状态反馈路径，其中SOC反映电化学能量状态，SOT反映热状态特征，两者通过相关性函数与参数查表相互作用，从而调节模型参数。整体框架揭示了“电行为决定产热、热状态修正电参数”的闭环耦合机理，实现电模型与热模型在多物理量间的动态关联与互馈。
为了在兼顾建模精度与计算效率的前提下刻画电池的电动态行为，本文选取二阶RC等效电路作为电模型基础。令
输入电流 uk =[Ik]。其中， I k为第k个采样时刻电池的工作电流。则二阶RC等效电路的离散时间状态空间模型可表示为
其中
端电压可表示为 U out = U ocv + I kR0 + U RC1 + URC2。因此，锂离子电池的动、静特性可通过式（1）表示，时间常数 τ 1=R1 C 1和
。其中，R 0为欧姆内阻， 1C 、 1R分别为极化电容和电阻， C2 、 2R分别为电池浓差极化的电容和电阻， Uocv 、 Uout分别为开路电压与端电压；U RC1 、U RC2为两个RC环路电压；C n为电池额定容量； Δt为采样周期。
其中，待辨识参数有
为描述电池热行为，本文在假设热量主要在电池核心产生、轴向温度分布均匀的基础上，采用集总参数热模型[23]，为实现数值求解与状态估计，引用上标t用以表征电池热特性相关分量，并且令
建立电池热模型的离散状态空间表达式为
其中
式中， kQ为k时刻电池的生热速率； Tc,k 、 Ts,k和Ta mb,k分别为k时刻电池核心温度、表面温度和环境温度； cC和 sC分别为电池的核心热容与壳体热容；cR和 sR分别用来辨识电池内部热阻和电池壳体热阻。其中，待辨识的参数有
1.2 储能系统电热耦合模型构建
本文研究对象为11个电池模组串联，每个模组中含有16个单体电芯，沿纵向排列形成紧凑结构，其排列方式如图2所示，电芯参数见表1。
表1 电芯参数
Tab.1 Cell parameters
参 数 数 值 (类型)电池类型 磷酸铁锂电池标称容量/(mA·h) 2 900标称电压/V 3.6最大放电电流/A 13.1尺寸/(mm×mm) 18.1×64.7
图2 储能系统示意图
Fig.2 Schematic diagram of the energy storage system
对储能系统而言，其电热行为可以被视为多个单体电热耦合模型的集合，其中电模型为多个二阶RC模型串联成组。储能系统的SOCsys取决于其中SOC最小的单体电池，具体为
式中，SOC i ( t )为第i块电池的SOC状态。
本模型的核心在于揭示单体电芯在外部热管理策略下的动态响应规律，其有效性基于两个关键前提：
（1）本研究基于单体电芯模型展开，假设在电池组层面具备良好的均衡、热管理机制与估计方法，从而电芯间的不均衡性被控制在较小的范围内。在此前提下，单体电芯模型可代表性地作为电池组的近似[24-27]，以支持所提方法的原理性验证。
（2）尽管储能系统结构紧凑，电芯在模组内呈密集排布，但已有研究表明，在合理设计的液冷结构与均匀散热条件下，模组内部的温度梯度可被有效抑制，文献[28]针对并联流道液冷模组的热特性进行研究，结果显示在放电倍率为1C、冷却液温度为20℃、流量为30 L/min的条件下，各电芯间温差仅约0.4～0.6℃，表明电芯间的热耦合效应相对于其自身产热及外部散热过程较弱。基于这一假设，本文采用集总参数法描述电芯的热行为，该方法适用于系统内部温度梯度较小的场景。由此，模型中未显式引入复杂的横向热传导项，将单体电芯温度作为系统整体热状态的等效变量，具体计算由式（5）给出。该处理方式在满足上述条件时具有合理性与适用性，能够有效反映系统在均匀散热环境下的热动态特性[29-30]。
尽管系统SOC可通过上述方式从单体SOC聚合获得，但要实现对电芯在复杂热环境下的联合状态估计，还需进一步构建电热动态耦合模型[31]。为此，建立状态空间表达式为
式中，η 为电池库伦效率。
该模型可作为后续状态估计的建模基础，在不同温度工况下实现SOC与温度的协同估计，为低温下加热目标温度优化提供支撑。
1.3 电热参数辨识
电模型参数通过混合功率脉冲特性实验获得，并利用最小二乘法对不同温度和SOC下的 0R 、 1R 、2R 、 1C与 C2进行拟合，形成参数查表库。图3为上述储能系统所采用的单体电芯电模型参数辨识结果。
图3 电模型参数辨识结果
Fig.3 Identification results of polarization parameters
从图3中可以看出， 0R 、 1R与温度曲线呈负相关变化， 2R随温度的增大而减小，随着SOC的增大整体上呈现先减小后增大的趋势，而 1C 、 C2参数相对于SOC几乎没有规律性， 1C与温度呈现负相关变化， C2与温度呈现正相关变化。
面向蓄电池热模型这一非线性系统的参数准确辨识问题，本文采用遗传算法进行优化。算法参数经系统设计与预实验验证：通过设置种群规模为50与最大迭代次数为100，在搜索效率与计算成本间取得平衡；采用0.8的交叉概率配合高斯变异算子，以协同平衡全局探索与局部搜索能力；并引入5%的精英保留策略确保收敛鲁棒性。此参数组合旨在高效、鲁棒地获取高精度热模型参数。
选取壳体表面温度 sT作为输出。根据式（5）建立电池热模型的传递函数为
辨识结果见表2。
表2 热物性参数
Tab.2 Thermal physical properties parameters
参 数 数 值Rc/(K/W) 14.13 Rs/(K/W) 8.66 Cc/(J/K) 19.68 Cs/(J/K) 3.26
2 基于双自适应无迹卡尔曼滤波（DAUKF）的SOC-SOT 联合估计
2.1 DAUKF 算法自适应噪声估计与双状态修正
DAUKF算法是一种基于无迹卡尔曼滤波的非线性系统状态估计算法。与传统的双扩展卡尔曼滤波（Dual Extended Kalman Filter, ADEKF）算法通过一阶泰勒展开进行线性化不同，DAUKF采用无迹变换直接对状态变量进行变换，能够更准确地捕捉非线性系统中的状态变化，避免了因线性化近似带来的误差，并且DAUKF进一步引入自适应噪声估计机制，在滤波过程中动态调整过程噪声协方差矩阵和测量噪声协方差矩阵，从而在多变的工作条件下提升估计的精度和系统的鲁棒性。DAUKF算法步骤见表3。
表3 DAUKF 算法步骤
Tab.3 DAUKF algorithm steps
算法步骤(1) 生成采样点i=0( )i λ λimages/BZ_308_1503_659_1519_690.png0images/BZ_308_1503_688_1519_719.pngS x P k = + + =images/BZ_308_1503_718_1519_749.pngimages/BZ_308_1503_747_1519_778.png- + = +ˆ ( ) 1,2, ,( ) 1, ,2 k kimages/BZ_308_1503_772_1519_803.pngimages/BZ_308_1503_777_1519_808.pngn i n n i n n P k……式中， Sik 为第i 个Sigma 点； xˆk 为第k 时刻的状态后验估计值； kP 为第k 时刻的状态协方差矩阵；n 为状态变量维度；λ为缩放比例因子。(2) 将Sigma 点代入状态转移函数( ) ( )1| ,i S S u式中， ( )k k f k+ =i( )k i S 为第i 个预测Sigma 点； ku 为第k 时刻的系统输入向量； f( ⋅) 为系统状态转移函数。(3) 预测状态均值k +k 1|n ˆ x i=∑W S k k i k k i=+2 (m) ( )1| 1|0+式中，xˆk1 + |k为状态预测均值向量； (m)iW 为均值权重。(4) 计算预测协方差2n T(c) ( ) ( )1| 1| 1|i P i W+=∑( )( )-ˆ ˆ S x S x Q式中，Pk1| +k为预测协方差矩阵； (c)iW 为协方差权重；Q 为过程噪声协方差矩阵。(5) 将预测Sigma 点代入观测函数++k k i k k k k k k k k i=+1| 1|0- ++i Y h i k+( ) ( )1 1|= S( )k k +n ˆ y W Y i k+2 (m) ( )1 1 0=∑i k i=+式中， ( )i kY + 为Sigma 采样点的观测预测值；yˆk +1 为系统观测的预测均值。(6) 计算观测协方差与状态-观测互协方差1 2n P=ˆ∑i(c) ( ) ( )i W Y y Y y yy k i k k k+T( )( )+-ˆ- +R, 1 1 1 1+k+1+i=0 2n P T=( )( )(c) ( ) ( ), 1 1| 1∑W i -ˆ S x i+++Y y+1| 1 0 k k k i=-ˆ xy k i k k k +式中，Pyy , k1+为观测协方差矩阵；Pxy , k1+为状态-观测互协方差矩阵；R 为观测噪声协方差矩阵。(7) 计算残差= -式中，ek +1 为残差； yk m+eas 1 为第k+1 时刻的实际观测值；yˆk+1 为第k+1 时刻的观测预测均值。(8) 计算卡尔曼增益e y y k k k+ + +meas 1 1 ˆ 1-1 K P P式中，Kk+1为卡尔曼增益矩阵。(9) 更新状态=k xy k yy k+1 , 1 , 1+ +images/BZ_308_1358_3011_1373_3042.pngimages/BZ_308_1358_3022_1373_3054.pngimages/BZ_308_1358_3046_1373_3077.pngˆ ˆ x x K P P K P K=e+ + + + ++ + + + + +images/BZ_308_1358_3081_1373_3112.png =images/BZ_308_1358_3075_1373_3106.png+-k k k k k k k k k k k yy k k 1| 1 1| 1 1 T 1| 1 1| 1 , 1 1 P 为更新后的状态后验协方差矩阵。式中， 1| 1 ˆk +k +x 为更新后的状态后验估计向量； k +1 | k1+
表4 不同SOC 区间的最佳放电温度
Tab.4 Optimal discharge temperature for different SOC intervals
SOC 区间(%)最佳效率(%) 最佳温度/℃ 温度区间/℃ 平均效率(%)10～20 0.64 31.50 31.3～33.2 0.62 20～30 0.70 31.22 30.8～31.6 0.68 30～40 0.75 29.94 29.7～30.2 0.74 40～50 0.83 29.34 29.2～29.5 0.80 50～60 0.87 28.72 28.6～28.9 0.84 60～70 0.89 27.48 27.2～27.6 0.87 70～80 0.92 26.63 26.5～26.8 0.91 80～90 0.94 25.65 25.3～26.0 0.93 90～100 0.93 24.51 24.2～25.2 0.91
2.2 SOC-SOT 联合估计
为实现SOC与SOT的联合估计，本文基于第1节所建立的电热耦合模型（见式（1）与式（5）），将状态方程转为适用于DAUKF的形式后，电模型用于SOC的估计，热模型用于SOT的估计，具体表达如下。
电模型方程为
式中，
为电池SOC状态过程噪声。
考虑温度在SOC估计中主要影响内阻，有
式中， R0 ( Tk )为当前温度下的内阻； R0,ref为参考温度 Tref下的内阻；α 为温度系数。
电模型电压观测、残差与修正为
式中，
为更新后的状态；
为电模型下的卡尔曼增益；
为第k个采样时刻的电压观测残差；U meas,k为电压测量值。
热模型方程
式中， 
和 
分别为核心温度与表面温度预测中的过程噪声项。
热模型温度观测、残差与修正为
式中， 
为更新后的温度状态；
为电模型下的Kalman增益；
为第k步的温度观测残差； Tmeas,k为温度测量值。
在估计储能系统SOC时，通过非线性模型进行状态预测，借助观测残差 ke与Kalman增益 Kk完成状态修正，最终实现SOC与SOT的联合估计，再根据式（5）的电池串联特性表征出储能系统的SOC。
3 低温加热目标温度动态优化方法
3.1 动态温度优化框架
图4 展示了本文提出的动态温度优化总体框架。该框架包括三大模块：模型建立、估计阶段和动态预测。在模型建立模块，构建电模型与热模型，完成电热耦合建模，并通过实验数据完成参数辨识，形成高精度仿真模型与查表库；在状态估计模块，在所建模型的基础上，结合DAUKF算法，对储能系统SOC与SOT进行实时联合估计；在动态预测与优化模块，根据状态估计结果，以放电效率最大化为目标，利用LSTM模型实现对不同SOC区间内最优温度的预测，并生成加热目标温度序列。
图4 动态温度优化总体框架
Fig.4 Dynamic temperature optimization framework
3.2 LSTM 驱动的效率-温度动态映射模型
为了实现SOC区间下的最佳放电温度预测，本文提出了一种基于 LSTM的放电效率动态预测方法。该方法融合实验数据与深度学习模型，能够刻画温度变化对储能系统放电效率的非线性影响关系，并进一步挖掘各SOC区间内最优温度预测值，为低温储能系统的热管理提供定量支撑。LSTM预测最佳放电温度区间流程如图5所示。方法流程包括数据预处理、SOC序列构建、温度-效率序列提取、LSTM网络训练及预测结果分析等步骤。
图5 LSTM预测最佳放电温度区间流程
Fig.5 Flowchart of LSTM prediction for optimal discharge temperature interval
在方法构建方面，首先需定义放电效率 η( t) ，其计算方式为输出功率 P ( t )与理论最大输出功率U ocv( t ) I (t )的比值，即
式中， U (t ) 为实际输出电压； Uocv( t) 为开路电压；I ( t) 为储能系统的工作电流。为捕捉效率随温度和SOC变化的动态规律，本文构建了如下的多维输入特征序列
该序列输入至LSTM网络后，输出为下一时刻的效率预测值，即
式中， ht与 ct分别为前一时刻的隐藏状态与记忆状态； f LSTM( ⋅ )为LSTM网络的非线性映射函数。
效率预测任务的损失函数定义为
式中，
为模型预测的放电效率值；η ( ti)为实际测得的放电效率真值；N为训练/验证样本的总数。
在效率预测基础上，进一步提取每个SOC区间内对应的最优温度 T *，目标是使效率最大化。
式中， T = {T 1 , T2 , … , TK}为预设温度采样点集合，K为预设温度采样点的总数；
为LSTM预测的放电效率值。
将提取的最优加热目标温度 *(SOC)T作为监督目标，基于先前构建的时序特征 x(t ) 输入序列，训练第二阶段LSTM网络用于温度预测，即
式中，
为下一时刻的最优加热目标温度预测值； x1:t为LSTM网络的输入序列，表示从第 1个时刻到第t个时刻的所有时序特征向量；θ LSTM表示LSTM网络的参数集合。预测网络输出为下一时刻最优加热温度，训练目标为最小化预测温度与参考温度之间的误差，损失函数为
最终，该预测模型可根据实时SOC、温度与效率状态，动态输出最优加热目标温度，实现加热控制的自适应与高效能调节。
4 仿真实验分析
本节对所提出的SOC-SOT联合估计方法与低温加热目标温度动态优化策略进行仿真验证。虽然前文所述储能系统由11个模组串联组成，每个模组包含16节电芯，结构较为复杂，但在控制层面，系统运行状态通常由性能最弱的电芯决定，因此本文选择以系统中SOC最小的单体电芯作为代表对象进行分析，相关放电效率与温度响应均以该电芯的运行数据为基础进行统计。为有效验证所提温控策略应对复杂动态负载的能力，本研究在仿真中引入了具有高动态特性的城市驾驶工况循环（Urban Dynamometer Driving Schedule, UDDS）与US06补充联邦测试程序下的动态放电数据作为输入工况。尽管这些工况数据源自电动汽车，但其剧烈的功率波动、频繁的充放电切换等特征，能够有效地表征储能系统在执行电网调频、平抑可再生能源输出波动等任务时所面临的动态应力。因此，将其作为输入工况，旨在考核方法在严苛条件下的鲁棒性，其结论对评估电池在动态应用中的性能具有普适性参考价值。
4.1 DAUKF 估计性能对比分析
4.1.1 US06工况仿真验证
将储能系统置于US06工况下进行仿真，结果如图6所示。SOT估计结果如图7所示，可以看出，在传统的DEKF算法下，由于误差的累积，SOC的估计误差可达3%，而在DAUKF算法下，SOC的估计误差保持在1%以内，具有较高的精准性；并且DAUKF算法可有效解决传统DEKF算法在SOT估计初期误差较大的问题，减小SOT估计的平均误差。
图6 US06工况下SOC估计曲线
Fig.6 SOC estimation curves under US06 driving cycle
图7 US06工况下SOT估计曲线
Fig.7 SOT estimation curves under US06 driving cycle
4.1.2 UDDS工况仿真验证
将储能系统置于UDDS工况下进行仿真，结果如图8所示。
图8 UDDS工况下SOC估计曲线
Fig.8 SOC estimation curvess under UDDS driving cycle
图9 UDDS工况下SOT估计曲线
Fig.9 SOT estimation curves under UDDS driving cycle
UDDS工况下负载变化较小，属于较稳定工况，对估计算法的动态响应要求较低。在这种场景中，DAUKF依然展现出良好的精度，说明其不仅适用于剧烈变动场景，在平缓工况中也能保持稳定性。
4.1.3 仿真结果分析
两种工况下SOC和SOT估计误差分析如图10和图11所示，DAUKF在SOC估计方面较DEKF显著提升精度。在US06工况下，平均误差由1.47%降至0.35%，最大误差由3.47%降至1.09%；在UDDS工况下，平均误差由1.64%降至0.39%，最大误差由3.13%降至1.12%。SOT估计方面，DAUKF将US06和UDDS工况下的最大误差分别降低0.41℃和0.48℃，使误差控制在±0.2℃以内，显著地提高了温度估计的稳定性和精度。
图10 两种工况下SOC估计误差结果
Fig.10 SOC estimation error results under two driving cycles
图11 两种工况下SOT估计误差结果
Fig.11 SOT estimation error results under two driving cycles
综合来看，DAUKF相较于DEKF在SOC和SOT在估计精度上有所提升，其动态自适应能力使得SOC和SOT估计误差大幅减少。此外，DAUKF的滤波过程更加稳定，能够有效地避免状态发散问题，从而保证SOC-SOT联合估计的可靠性。实验结果表明，采用DAUKF进行SOC-SOT估计能够更准确地预测储能系统状态。
4.2 动态优化方法仿真分析
为实现储能系统在不同SOC段下的最优放电性能控制，本文以放电效率最大化为目标函数展开优化分析。接下来，提取每个SOC段中效率最大点所对应的温度作为最优放电温度，也是本优化问题的解。此外，为提高结果的实用性，还提取了效率大于该段平均效率的温度范围，并定义为最佳放电温度区间。为避免电池过放，将SOC的上下阈值设置为1和0.1。
图12 展示了各SOC段内的优化结果、实验数据与拟合曲线的对比情况。分析结果表明，随着SOC的增加，效率的峰值温度逐渐降低，最高效率逐渐增加。每个子图代表一个特定的SOC范围，从0.1～0.2到0.9～1.0。从图中可以观察到，随着SOC的增加，达到最高效率的最佳温度逐渐降低，例如，在SOC 0.1～0.2时，最高效率出现在大约32℃，而在SOC 0.9～1.0时，最佳温度降至约24℃。
图12 优化结果与拟合曲线
Fig.12 Optimization results and fitted curves
为预测电池放电效率，本研究基于储能系统测试数据构建预测模型。模型的输入特征包括电流、电压、功率和温度，经全局归一化后，采用长度为50的滑动窗口构建序列数据，并按8∶2随机划分为训练集与验证集。所构建的LSTM网络包含三个隐藏层，神经元数目依次为128、64和32，并以序列最后一个时间步的输出经全连接层映射为效率预测值。网络训练采用Adam优化器，在批次大小为64的条件下进行迭代优化。训练过程如图13所示，训练损失呈现稳定下降趋势并趋于收敛。最终，模型在验证集上的方均根误差（Root Mean Square Error,RMSE）为0.018 747，进一步验证了所提方法在预测精度与稳定性方面的优势。训练收敛情况如图13所示。
图13 LSTM训练收敛曲线
Fig.13 LSTM training convergence curve
为进一步验证所提LSTM温度优化模型在提升系统放电性能方面的实际效果，本文在各SOC区间内对效率-温度拟合曲线进行了定量分析。具体地，选取每一SOC区间内拟合曲线的最大效率点，作为该区间对应的最优温度参考值，并将该点效率与该温度区间内整体效率的均值进行对比，从而量化最优温度控制策略带来的性能提升。
结果表明，相较于不同SOC段的平均放电效率，采用分段温控策略可以使放电效率相较于温度区间内整体平均效率提高2%～3%，验证了该方法在低温优化运行策略中的价值。
5 结论
本文围绕低温环境下储能系统加热目标温度设定依赖经验，且电池全放电周期加热目标温度固定，提出了一种基于SOC-SOT联合估计的储能系统加热目标温度动态优化方法。结论如下：
1）提出基于电热耦合模型的DAUKF算法，实现SOC与SOT的联合估计，相较于传统的DEKF算法，DAUKF通过自适应噪声协方差调整与双状态修正机制，在US06、UDDS等动态工况下，SOC估计的平均误差降至0.4%以内，SOT估计误差稳定在±0.2℃以内，显著提升非线性时变系统的状态追踪能力。
2）本研究创新性地构建了基于LSTM网络的效率-温度映射模型，实现了对静态经验温控策略的突破，能够精准预测不同SOC区间下的最优运行温度。实验结果表明，随着SOC从0.1逐步提升至1，最优放电温度呈现出由31.5℃逐渐下降至24.5℃的趋势，且在SOC为0.8～0.9的区间内，高效运行对应温度稳定在(25.7±0.3)℃，为动态温控策略提供了明确的定量指导。
3）基于SOC-SOT估计与LSTM预测结果，构建了构建“估计-预测-优化”协同框架，动态生成了加热目标温度序列。该动态优化策略通过匹配电池实际状态与温度需求，实现全周期放电效率最大化，可为系统加热目标温度的确定提供理论依据，从而为寒冷地区储能系统能效提升提供新思路。
然而，本研究亦存在一定局限性。所提出的最优放电温度是基于仿真模型得出，尚未通过实物实验进行最终验证。因此，未来的研究工作将分为两个核心方向：其一，在模型层面将单体电芯扩展至考虑单体间不均衡性的电池组结构，以增强模型对实际系统的表征能力。在此基础上，通过精密的实物实验对仿真优化所得的最优温度进行验证与校准，从而进一步提高研究结论的可靠性；其二，将本研究构建的方法论框架，从储能系统放电状态的加热场景拓展至充电过程，重点探究充电工况下的产热特性与温控需求，最终致力于构建一个覆盖充放电全周期的协同智能温度管理系统，为实现电池系统在全工况下的高效、安全运行提供全面的理论依据与技术支撑。
[1]Mei Pan, Zhang Yuan, Zhang Wei. Low-temperature lithium-ion batteries: challenges and progress of surface/interface modifications for advanced performance[J]. Nanoscale, 2023, 15(3): 987-997.
[2]Belgibayeva A, Rakhmetova A, Rakhatkyzy M, et al.Lithium-ion batteries for low-temperature applications: Limiting factors and solutions[J]. Journal of Power Sources, 2023, 557: 232550.
[3]何锡添, 孙丙香, 阮海军, 等. 锂离子电池变频变幅交流低温自加热策略[J]. 电工技术学报, 2019,34(9): 1798-1805.He Xitian, Sun Bingxiang, Ruan Haijun, et al. A variable-frequency and variable-amplitude AC lowtemperature self-heating strategy for lithium-ion battery[J]. Transactions of China Electrotechnical Society, 2019, 34(9): 1798-1805.
[4]及非凡, 陈子豪, 李艳君. 基于电驱系统高频注入的电动汽车电池包快速加热控制算法[J]. 电工技术学报, 2024, 39(20): 6316-6327.Ji Feifan, Chen Zihao, Li Yanjun. Motor drive system based battery self-heating for electric vehicles using high frequency injection frame[J]. Transactions of China Electrotechnical Society, 2024, 39(20): 6316-6327.
[5]韦鹏, 舒小杨, 朱文超, 等. 基于长短期记忆网络的动力电池组温度场时空建模[J]. 电工技术学报,2025, 40(13): 4306-4315.Wei Peng, Shu Xiaoyang, Zhu Wenchao, et al. Spatiotemporal modeling of temperature field for power battery packs based on long short-term memory network[J]. Transactions of China Electrotechnical Society, 2025, 40(13): 4306-4315.
[6]王新栋, 董政, 王书华, 等. 基于改进开路电压模型和自适应平方根无迹卡尔曼滤波的锂离子电池宽温度多工况 SOC 估计[J]. 电工技术学报, 2024,39(24): 7950-7964.Wang Xindong, Dong Zheng, Wang Shuhua, et al.State-of-charge estimation for lithium-ion batteries across wide temperature range and multiple working conditions based on improved open-circuit voltage model and adaptive square root unscented Kalman filter algorithm[J]. Transactions of China Electrotechnical Society, 2024, 39(24): 7950-7964.
[7]Rahmani A, Dibaj M, Akrami M. Recent advancements in battery thermal management systems for enhanced performance of Li-ion batteries: a comprehensive review[J]. Batteries, 2024, 10(8): 265.
[8]Ma Shuai, Jiang Modi, Tao Peng, et al. Temperature effect and thermal impact in lithium-ion batteries: a review[J]. Progress in Natural Science: Materials International, 2018, 28(6): 653-666.
[9]Ji Changwei, Liu Dianqing, Liu Yangyi, et al. Effect of low temperature and high-rate cyclic aging on thermal characteristics and safety of lithium-ion batteries[J]. Process Safety and Environmental Protection, 2024, 188: 1514-1526.
[10]郭宝贵, 马潇男. 基于分数阶模型的锂离子电池SOC 估计[J]. 电池, 2024, 54(5): 634-639.Guo Baogui, Ma Xiaonan. SOC estimation of Li-ion battery based on fractional order modeling[J]. Battery Bimonthly, 2024, 54(5): 634-639.
[11]Yu Chao, Zhu Jiangong, Liu Wenxue, et al. Coestimation of state-of-charge and state-of-temperature for large-format lithium-ion batteries based on a novel electrothermal model[J]. Green Energy and Intelligent Transportation, 2024, 3(4): 100152.
[12] Ding Linwang, Wen Chenglin. High-order extended Kalman filter for state estimation of nonlinear systems[J]. Symmetry, 2024, 16(5): 617.
[13]Ding Jie, Chen Lijuan, Cao Zhengxin, et al. Convergence analysis of the modified adaptive extended Kalman filter for the parameter estimation of a brushless DC motor[J]. International Journal of Robust and Nonlinear Control, 2021, 31(16): 7606-7620.
[14]庞松岩, 肖传亮, 彭克, 等. 基于轻量级梯度提升机的锂离子电池状态联合估计[J]. 电力系统自动化,2025, 49(20): 200-207.Pang Songyan, Xiao Chuanliang, Peng Ke, et al. Joint estimation of lithium-ion battery state based on light gradient boosting machine[J]. Automation of Electric Power Systems, 2025, 49(20): 200-207.
[15]Capasso C, Castiglione T, Perrone D, et al. Thermal management of Li-ion batteries: Experimentally validated model of active temperature control strategies with liquid cooling and multi-objective optimization[J]. Journal of Energy Storage, 2025, 128:117254.
[16]Wu Yue, Huang Zhiwu, Li Dongjun, et al. Optimal battery thermal management for electric vehicles with battery degradation minimization[J]. Applied Energy,2024, 353: 122090.
[17]Chen Jiahui, Xuan Dongji, Chen Cong, et al. Structure optimization of air-cooled battery thermal management system based on neural network[J]. Ionics, 2023,29(7): 2773-2782.
[18]Huang Dan, Huang Shuang. Optimization design and thermodynamic analysis of thermal management system for new energy vehicle power batteries[J].International Journal of Heat and Technology, 2024,42(1): 253-262.
[19]Luo Mingyun, Ling Ziye, Zhang Zhengguo, et al. A fast-response preheating system coupled with supercapacitor and electric conductive phase change materials for lithium-ion battery energy storage system at low temperatures[J]. Journal of Energy Storage, 2023, 73: 109255.
[20]Han Shaojian, Li Chengwei, Ding Jifeng, et al. An improved PSO-based DC discharge heating strategy for lithium-ion batteries at low temperatures[J].Energies, 2025, 18(9): 2261.
[21]Tao Zhenyi, Lin Cheng, Tian Yu, et al. A systematic approach for determining the optimal battery preheating cut-off temperature for electric vehicles operating in cold climates[J]. Applied Energy, 2025,383: 125308.
[22]姬鹏, 吕泽旭. 考虑温度及老化的储能用锂离子电池组荷电状态估算算法[J]. 电工技术学报, 2025,40(17): 5667-5682.Ji Peng, Lü Zexu. SOC estimation algorithm of lithium-ion battery pack for energy storage considering temperature and aging[J]. Transactions of China Electrotechnical Society, 2025, 40(17): 5667-5682.
[23]常小兵, 侯宗尚, 刘连起, 等. 基于电热耦合效应的锂电池荷电状态与温度状态联合估计[J]. 储能科学与技术, 2024, 13(4): 1142-1153.Chang Xiaobing, Hou Zongshang, Liu Lianqi, et al.Joint estimation of the state of charge and temperature of lithium batteries based on the electric thermal coupling effect[J]. Energy Storage Science and Technology, 2024, 13(4): 1142-1153.
[24]Cao Yuan, Chen Long, Wang Chunsheng. Coordinated thermal and electrical balancing for lithiumion cells[J]. Energies, 2025, 18(16): 4231.
[25]Shreasth, Ooi C A, Khan N, et al. A novel active lithium-ion cell balancing method based on charging and discharging state of power in electric vehicles[J].Scientific Reports, 2025, 15: 15764.
[26]Huang Congsheng, Cheng Zheyuan, Chow M Y. A robust and efficient state-of-charge estimation methodology for serial-connected battery packs: most significant cell methodology[J]. IEEE Access, 2021, 9:74360-74369.
[27]陈智伟, 张婷婷, 张维戈, 等. 电池组不一致性参数估算方法[J/OL]. 电源学报, 1-13 [2025-10-31].http://link.cnki.net/urlid/12.1420.TM.20250513.1838.002.Chen Zhiwei, Zhang Tingting, Zhang Weige, et al.Battery parameter estimation method based on simulation database[J/OL]. Journal of Power Supply,1-13 [2025-10-31]. http://link.cnki.net/urlid/12.1420.TM.20250513.1838.002.
[28]Jia Fu, Lee G. Simulation of battery thermal management system for large maritime electric ship’s battery pack[J]. Energies, 2024, 17(18): 4587.
[29]Rasool G, Wang Xinhua, Tao Sun, et al. Recent advancements in battery thermal management system(BTMS): a review of performance enhancement techniques with an emphasis on nano-enhanced phase change materials[J]. Heliyon, 2024, 10(17): e36950.
[30]Csomós B, Kocsis Szürke S, Fodor D. Comparison of coupled electrochemical and thermal modelling strategies of 18650 Li-ion batteries in finite element analysis: a review[J]. Materials, 2023, 16(24): 7613.
[31]王帮亭, 王莉, 郑聪, 等. 锂电池联合状态估计与故障诊断方法研究[J]. 电气技术, 2025, 26(7):1-12.Wang Bangting, Wang Li, Zheng Cong, et al.Research on joint state estimation and fault diagnosis method for lithium battery[J]. Electrical Engineering,2025, 26(7): 1-12.