基于滤波广义非线性扩张状态观测器的电池荷电状态高精度在线估计方法研究

本文提出一种融合自适应遗忘因子递推最小二乘法（AFFRLS）与广义非线性扩张状态观测器（GNESO）的电池荷电状态（SOC）在线估计算法。通过构建虚拟扩张状态实时估计总扰动（含模型不确定性及外部干扰），结合状态反馈复合控制律动态补偿扰动，并嵌入滤波机制抑制测量噪声。实验表明该算法相较扩展卡尔曼滤波（EKF）平均提升SOC估计精度30%、噪声抑制能力55%，为电池管理系统提供创新解决方案。

　　

Highlight

本研究亮点在于提出一种融合滤波机制的广义非线性扩张状态观测器（GNESO），通过实时估计电池系统总扰动并动态补偿，显著提升荷电状态（SOC）估计精度与噪声鲁棒性。

Section snippets

电池等效电路模型

闭环估计算法需依赖精确的电池模型参数。等效电路模型（ECM）在计算效率与精度间取得平衡，成为锂离子电池建模的优选方案。

AFFRLS-GNESO融合算法用于电池SOC估计

结合自适应遗忘因子递推最小二乘法（AFFRLS）与GNESO的融合算法，可同步更新模型参数并实时估计SOC，有效规避因参数漂移导致的估计误差，提升电池管理系统（BMS）性能。

仿真与实验验证

通过多工况测试验证所提方法在参数辨识与SOC估计精度上的优势。算法核心基于端电压观测误差优化，而非单纯追求参数精确值，凸显其工程实用性。

Conclusions

基于戴维南ECM的AFFRLS-GNESO融合算法展现出对参数不确定性与外部干扰的强鲁棒性。集成滤波机制的GNESO创新性地解决了扰动补偿与噪声抑制的协同优化问题，为高精度电池状态估计提供新范式。