多时间尺度下锂电池在线参数辨识及SOC估计

邢丽坤，郭 敏，张梦龙，詹明睿，凌六一,2

(1.安徽理工大学电气与信息工程学院，安徽 淮南 232001；2.安徽理工大学人工智能学院，安徽 淮南 232001)

电池管理系统的核心在于荷电状态(State of Charge，SOC)的准确估计， 当前研究SOC估算方法主要有阻抗法、 安时积分法、 开路电压法、 支持向量机(Support Vector Machines，SVM)、 神经网络法以及卡尔曼滤波法(Kalman Filter，KF)。阻抗法与开路电压法中电池需要长时间空载静置，不适用于动力电池SOC在线估计；安时积分法受到电池工作的过程噪声和仪器观测噪声影响，误差会随着时间推移而累积；神经网络法和SVM则受样本丰度和硬件限制，在实际运用中有一定的局限性。卡尔曼滤波算法，由于计算复杂度低、建模精确以及利用最优化自回归处理特性，在波动频繁、电流变化剧烈的动力电池中估算SOC具有很大的优势。非线性的卡尔曼滤波如扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)、无迹卡尔曼滤波算法(Unscented Kalman Filter，UKF)算法或经人工智能算法改进的KF，目前在SOC估计上获得了广泛的使用，更适合锂电池SOC估计。

传统KF算法估计电池SOC时，需要建立离线电池模型，而离线模型的参数为固定值，会忽略电池参数在充放电过程中的变化，不能准确估计电池SOC。文献[7]利用单个EKF算法对SOC进行估算，但电池模型参数是通过离线辨识得到的，没有考虑电池参数会随着电池状态变化而变化。文献[8]提出双扩展卡尔曼滤波(Double Extended Kalman Filter，DEKF)算法在不同动态负载和电池健康状态(State of Health，SOH)阶段对SOC和电池参数进行估算；与简单的EKF算法相比，SOC估算精度有一定程度的提高，但DEKF算法也有缺点，这是因为非线性函数在

x