基于多元拉普拉斯鲁棒滤波的锂离子电池荷电状态估计方法研究

本文针对复杂工况下传感器故障导致测量数据异常的问题，提出一种基于多元拉普拉斯（ML）分布和变分贝叶斯（VB）方法的荷电状态（SOC）估计方案。该方案通过变分贝叶斯计算协方差，利用电流残差更新噪声后验分布参数，以其期望值作为当前时刻噪声协方差，有效提升了在重尾噪声（Heavy-tailed noise）干扰下的估计鲁棒性。实验表明，该方法在不同温度、工况及初始SOC错误情况下，均能实现快速收敛、误差小、波动范围小，且平均计算时间仅约0.2 ms，满足实际BMS应用需求。

　　

Highlight

• •
  (1) 基于二阶电池模型，利用遗忘因子递归最小二乘法（FFRLS）算法进行参数辨识。
• •
  (2) 通过鲁棒多元拉普拉斯滤波器精确估计SOC，并与其他滤波器进行比较。
• •
  (3) 实验噪声包括：强重尾噪声、轻度重尾噪声、无重尾噪声。
• •
  (4) 实验条件包括不同温度和工况。
• •
  (5) 研究了不同方法在初始SOC不正确情况下的收敛速度和估计精度。
• •
  (6) 实验数据包括公开数据集和我们自己的实验数据。

Section snippets

Methodology

本节主要介绍本文采用的电池模型、参数辨识方法以及SOC-OCV映射关系曲线，这些步骤是SOC估计的前提。

Optimization estimation of SOC based on multivariate Laplace distribution filter

高斯白噪声序列是一种在任何两个时刻都不相关的平稳随机过程，而现实世界中的噪声通常不符合这一特性。由于电池和传感系统在复杂的车辆运行环境中易受电磁干扰，噪声更适合用重尾分布来描述[46]。

Experiment noise & scenarios & error index

本节验证所提方法在不同噪声下的SOC估计效果，噪声模型如下：

{

w_k ～ {

N(0,Q), with probability 0.9

N(0,U₁Q), with probability 0.1

v_k ～ {

N(0,R), with probability 0.9

N(0,U₂R), with probability 0.1

此处，U₁ = 10, U₂ = 10 和 U₁ = 20, U₂ = 20 分别代表异常值噪声的协方差是高斯噪声的10倍或20倍，即重尾程度是轻度还是严重。此外，假设观测数据随机包含10%的异常值。

Conclusion

为了解决在恶劣工况下SOC估计性能不佳的问题，本文基于多元拉普拉斯（ML）分布在远离均值的尾部概率密度更厚的事实，提出了一种多元拉普拉斯鲁棒滤波器SOC估计方案。这意味着在处理异常值时，该分布比高斯分布更具鲁棒性。实验中，模型参数取自DST工况。