邱健蓄电池基于动态容量自适应切换的混合估计器用于LiFePO4电池的稳健荷电状态估计4电池

磷酸铁锂(LiFePO4)电池荷电状态(SOC)的精确估算₄) 由于不确定初始条件和老化导致的容量衰减所产生的累积误差，现有方法通常孤立处理这些问题，使得电池状态估计仍面临挑战。为弥补这一缺口，本研究提出一种新型切换-顺序混合框架（II–Ah），其创新性体现在：（1）阈值触发切换逻辑无缝衔接基于无迹卡尔曼滤波（UKF）的观测器（用于快速初始优化）与低复杂度安时积分法，确保高精度与计算效率；（2）由基于内阻的健康状态估计器驱动的实时容量更新机制，无需离线干预即可持续补偿容量衰减；及（3）两种机制的统一协调。通过在MATLAB中使用离线实测数据进行100次循环验证，所提出的II–Ah估计器对2Ah电池实现了1.10%的平均绝对误差和1.70%的均方根误差。借助高精度COMSOL–MATLAB联合模拟平台，进一步在2Ah和16Ah电池上验证了其鲁棒性与可扩展性，动态工况下估计误差始终低于2%。本研究提出了一种计算高效且自适应的解决方案，有效缓解了实际电池管理系统面临初始不准确性与容量衰减的双重挑战。

引言

磷酸铁锂（LiFePO₄锂离子电池因其高能量密度、长循环寿命和固有安全性，已成为现代储能系统的基石，特别是在便携式电子设备和电动汽车(EV)领域[[1], [2], [3]]。这类电池的性能和寿命很大程度上取决于电池管理系统(BMS)，该系统通过监测荷电状态(SOC)等关键运行参数——SOC作为剩余能量的核心指标，需从电压、电流和温度等可测变量间接估算[[4], [5], [6]]。尽管已取得显著进展，但由于两个持续性问题，实现高精度的SOC估计仍具挑战性：由不确定初始SOC值引起的累积误差，以及与电池老化相关的容量衰减[[7], [8], [9]]。这些限制影响了现有估计方法的可靠性，尤其在动态运行工况下更为明显。
现有SOC估算方法主要可分为三类。直接测量法（包括安时积分法与开路电压法[[10], [11], [12]]）实施简便但存在固有缺陷：安时积分易受误差累积影响，而开路电压法需长时间静置，这在实时应用中往往难以实现[[13], [14], [15], [16]]。基于观测器的算法（如扩展卡尔曼滤波EKF和无迹卡尔曼滤波UKF）通过动态融合传感器数据与电池模型提升估算精度[17,18]。但其性能高度依赖模型准确性，且易出现线性化误差（EKF）或参数漂移（UKF）问题，可能导致随时间推移出现发散现象[[19], [20], [21]]。数据驱动方法（包括神经网络）在捕捉非线性动力学方面展现出强大潜力[[22], [23], [24], [25]]，但这类方法通常需要大量计算资源和数据集，限制了其在实时电池管理系统（BMS）中的适用性。其中，Ah积分法因其计算复杂度低且操作简便仍被广泛采用，但其依赖固定初始值和静态容量参数的特性，易导致电池全生命周期内出现容量估算漂移问题[26]。
近期研究尝试通过混合框架整合这些方法的优势，例如将观测器与Ah积分相结合[27]，或引入基于复合校正因子的容量重校准策略[28]。尽管这些工作取得了重要进展，但往往分别处理初始SOC误差与容量衰减问题，而非协同解决[29]。例如，部分混合方案[30,31]仅修正初始值却未实现容量实时更新，而另一些方案[32]依赖离线重校准，限制了其实用性。此外，许多方法缺乏鲁棒的估计模式切换逻辑，导致工况变化时性能欠佳。当前研究趋势还体现在：加强机器学习在参数辨识中的应用[33]，以及开发对噪声和模型不确定性具有鲁棒性的自适应切换机制[34,35]。然而，将精确的初始SOC标定与基于电阻的实时容量更新整合至统一切换框架中的研究仍显不足，这一现象在磷酸铁锂(LiFePO₄)电池体系中尤为明显。₄因此，在开发一个动态且同步协调初始值优化与容量适配的集成框架方面——尤其是针对表现出独特电化学行为的LiFePO4电池——仍存在显著的研究空白。 %%₄ batteries, which exhibit distinctive electrochemical behavior.
为克服这一局限性，本研究提出了一种新型切换-序贯框架用于鲁棒性SOC估计。其核心贡献包含三方面：(1) 一种基于阈值扳机的切换逻辑，能够从用于初始SOC优化的UKF观测器无缝切换至计算高效的安时积分法，同时确保快速收敛与长期效率；(2) 通过基于内阻的健康状态(SOH)公式驱动的实时容量自适应机制，动态更新最大可用容量以补偿老化效应，无需离线干预；(3) 将这些组件整合为协同统一的运行流程，可同步抑制两类主要误差源。