Physics-informed multi-scale convolutional attention model for state of charge estimation of lithium-ion batteries

锂离子电池荷电状态的精确估计是电池管理系统的核心任务, 但现有数据驱动方法因难以解析多尺度动态特征、忽略放电数据中的局部上下文依赖及缺乏物理规律约束, 导致其在复杂工况下的鲁棒性与泛化能力不足. 为此, 本文提出一种物理信息引导的多尺度卷积注意力模型(physics-informed multi-scale convolutional attention network, PI-MSCAN). 首先, 设计时域多尺度分解融合架构, 通过自适应分解与重构放电数据的瞬态波动与长期趋势, 有效捕捉跨时域多尺度特征. 在此基础上, 构建全局通道注意力机制, 量化多源特征的贡献, 增强关键通道的表达. 其次, 针对传统自注意力机制无法有效识别放电曲线中的局部变化趋势这一不足, 提出卷积自注意力机制, 通过卷积操作提取时间序列的局部特征并将其融入注意力计算, 识别放电曲线的局部变化趋势. 进一步, 通过将电荷守恒方程嵌入损失函数, 联合优化数据驱动误差与物理残差约束, 确保模型输出遵循电池动态演化规律. 实验结果表明, 该模型能够有效提升荷电状态估计的精度与可靠性.