基于改进气液动态模型和双无迹卡尔曼滤波的电池荷电状态/功率状态联合估计方法研究

本文提出了一种基于改进气液动态模型（GLD）和双无迹卡尔曼滤波（DUKF）的锂离子电池荷电状态（SOC）与功率状态（SOP）联合估计方法。该研究通过细化电池极化反应机制增强了GLD模型精度，并采用DUKF算法同步实现在线参数辨识与SOC估计，最终构建多约束（SOC/开路电压OCV/电流）SOP预测模型。实验表明，该方法在三种工况下SOC估计最大误差<3%，且能有效防止电池过充/过放，为电池管理系统（BMS）的精准状态监控提供了创新解决方案。

　　

研究亮点

本研究通过细化气液动态模型（GLD）中的极化反应机制（特别是引入气体水合溶解度），显著提升了锂离子电池模型的电压滞后模拟精度。针对模型参数时变性和传感器误差等问题，创新性地采用双无迹卡尔曼滤波（DUKF）算法，同步实现在线参数辨识与SOC估计，最终构建了多约束（SOC/开路电压OCV/电流）的SOP预测框架，为电池安全管理提供关键技术支撑。

改进GLD模型的建立

本文采用的电池模型为GLD模型，其原理将锂离子在电池内部的扩散过程类比为气液系统中的粒子运动，通过流体力学理论简化复杂的电池反应为气液储能系统。在一个特定密闭容器中，气体溶解度的优化表征了电池极化现象，从而更精准地反映电池动态特性。

基于改进GLD模型的SOC/SOP联合估计算法

尽管改进后的GLD模型精度提升，但仍存在以下挑战：

（1）模型参数实际为时变参数，固定参数可能导致误差；

（2）电流/电压传感器固有误差难以完全消除；

（3）电流突变时模型简化会引入误差。

为解决上述问题，本研究提出将DUKF算法与改进GLD模型结合，通过双滤波器分别处理参数辨识与状态估计，并基于SOC结果开展多约束SOP预测，实现SOC/SOP的协同估计。

结果与讨论

本节对第3章算法进行实验验证：4.1节评估了DUKF在动态应力测试（DST）、联邦城市驾驶循环（FUDS）和新欧洲驾驶循环（NEDC）下的估计精度；4.2节分析了算法对初始值误差的鲁棒性；4.3节通过DST循环验证了SOP估计结果的有效性。

结论

本文提出基于改进GLD模型的SOC估计方法，结合DUKF算法同步完成在线参数辨识与SOC估计，并基于SOC结果提出多约束SOP预测方法。主要结论如下：

（1）通过明确GLD模型的极化现象，改进模型具备更高电压模拟精度；

（2）DUKF算法在多种工况下SOC估计误差均低于3%，展现强鲁棒性；

（3）多约束SOP估计方法可有效预防电池过充/过放，提升电池使用安全性。