电动汽车正成为绿色出行的主力军，而其“心脏”——动力电池的状态如何精准把控，仍是行业难题。一项基于KA Informer的创新方法，正在让电池的“健康体检”变得更准、更快、更智能。

研究背景

随着电动汽车的快速发展，动力电池的安全性与使用寿命备受关注。电池的荷电状态（SOC）和健康状态（SOH）是反映其性能的核心指标。然而，由于传感器数据常存在异常、噪声与缺失，且电池行为受温度、充放电过程等多因素影响，传统估算方法往往存在精度低、实时性差、计算效率不高等问题，直接影响用户的续航体验与电池安全管理。

论文所解决的问题及意义

本文针对电池状态估算中数据质量差、模型捕捉长时序依赖能力不足、估算效率低三大痛点，提出了一种KA Informer模型，实现SOC与SOH的高精度同步估计。该方法不仅提升了状态估算的准确性，也增强了系统的实时响应能力，对缓解用户“里程焦虑”、优化电池管理、提升电动汽车安全性与可靠性具有重要意义。

论文方法及创新点

整体框架：方法分为两大核心模块——数据清洗模块KASDA与状态预测模块FMWA Informer。

图1 整体框架

1、数据清洗模块KASDAE

针对传感器数据中的异常值、缺失值和噪声，传统方法如3σ准则与回归插值效果有限。本研究基于Kolmogorov-Arnold理论，将堆叠降噪自编码器（SDAE）中的固定权重替换为可自主学习的B-spline激活函数，并采用网格扩展技术细粒化样条曲线，显著提升数据修复能力。

图2 数据清洗修复效果

2、状态预测模块FMWA Informer

传统Informer模型中的稀疏注意力机制（MPPSA）在长序列预测中难以兼顾局部与全局信息。本研究提出傅里叶混合窗口注意力机制（FMWA），通过窗口划分捕捉局部特征，结合傅里叶变换增强全局信息交互，显著提升模型对电池时序数据的特征提取能力。

图3 FMWA Informer 模型结构

3、SOC与SOH同步估计

基于两者之间的容量相关性，模型利用充电与放电阶段的SOC变化曲线，同步输出SOH估计值，并通过线性加权得到整个循环的SOH，实现全过程状态跟踪。

结论

在马里兰大学、牛津大学、北京理工大学等多个公开电池数据集上，KA Informer模型在-40℃至50℃宽温范围内均表现出色：

- SOC估算：平均绝对误差（MAE）仅0.24%，方均根误差（RMSE）仅0.37%；

- SOH估算：MAE为0.5%，RMSE为0.62%；

相比之下，传统模型如Transformer、LSTM、GRU等误差显著更高。KA Informer在保证精度的同时，模型参数量更少，推理速度更快，具备良好的泛化能力与工程适用性。

图4 各模型 SOC 估计 MAE 和 RMSE 平均值对比

*KA Informer在多项数据集中表现最优

团队介绍

湖南工业大学交通与电气工程学院“电传动控制与智能装备”湖南省重点实验室依托湖南省轨道交通装备制造产业集群和株洲电力机车、航空动力等国家战略产业而建立。实验室现有专职研究人员教授2名、副教授1名和高级工程师1名。

团队服务株洲国家高新区及湖南省轨道交通与新能源汽车产业，坚持开展电传动控制与智能检测、电池状态估算与健康监测、时延系统鲁棒控制以及电动汽车动力系统优化方面的研究工作。近年来，团队先后承担国家重点研发计划课题及子课题2项、国家自然科学基金3项、省自然科学基金5项、省教育厅重点项目等多项纵向课题，取得了一批高水平成果。

肖伸平，博士，教授，硕士研究生导师，研究方向为鲁棒控制、智能控制以及控制理论在工业过程和装备领域的应用。

肖会芹，博士，教授，硕士研究生导师，主要研究方向为鲁棒控制、网络控制、电力系统稳定性分析。

彭自然，博士，副教授，硕士研究生导师，主要研究方向为电气人工智能，智能移动终端，智能交通系统。

许永华，博士，硕士研究生导师，主要从事智能系统、风险控制、大数据分析方面的课题研究工作。

本工作成果发表在2025年第19期《电工技术学报》，论文标题为“基于KA Informer的电动汽车动力电池荷电状态和健康状态估算”。本课题得到国家重点研发计划基金项目、湖南省教育厅重点科研项目和湖南省自然科学基金项目资助。