基于广义参数估计观测器框架的电池开路电压估计新方法及其在锂离子和钒液流电池中的应用

研究人员针对锂离子电池(LIB)和钒氧化还原液流电池(VRFB)的开路电压(OCV)估计问题，提出了一种基于广义参数估计观测器(GPEBO)框架的新型观测器架构。该研究通过将状态估计问题转化为参数估计问题，放宽了持续激励(PE)要求，实现了在更广泛场景下的精确估计。数值仿真和实验验证表明，该方法在无噪声和噪声条件下均能有效估计OCV并重构端电压，为电池状态估计提供了新的解决方案。

　　

在能源存储领域，准确估计电池状态对于优化性能至关重要。然而，传统方法如开路电压(OCV)测量需要电池长时间静置，而库仑计数法又容易因测量误差累积而产生漂移。特别是对于锂离子电池(LIB)和钒氧化还原液流电池(VRFB)这类电化学系统，如何在未知模型参数和有限激励条件下实现精确的状态估计，一直是困扰研究人员的难题。

为解决这一挑战，研究人员开展了一项创新性研究。他们提出了一种基于广义参数估计观测器(GPEBO)框架的新型观测器架构，将状态估计问题转化为参数估计问题。这种方法的关键突破在于放宽了传统方法对持续激励(PE)的严格要求，仅需区间激励(IE)即可实现参数收敛，大大提高了估计方法在实际应用中的适应性。

研究采用了等效电路模型(ECM)来描述电池动态特性，通过线性参数化技术将模型转化为状态空间表示。主要技术方法包括：1) 建立一阶等效电路模型；2) 应用GPEBO框架进行状态和参数估计；3) 采用动态回归扩展与混合(DREM)最小二乘法进行参数估计；4) 在LIB和VRFB上进行实验验证；5) 与卡尔曼滤波(KF)等传统方法进行性能对比。

研究结果部分，首先在"等效电路模型"中，研究人员采用一阶RC模型来描述电池动态特性，通过状态空间表示将模型参数转化为可估计变量。在"线性参数化模型"部分，研究展示了如何将状态估计问题转化为线性参数估计问题，为后续估计奠定基础。"DREM最小二乘法"部分详细介绍了创新的参数估计算法，该算法通过两个级联的估计器实现参数收敛。

实验验证部分，"数值模拟"展示了该方法在不同激励条件下的优异性能。在持续激励(PE)和区间激励(IE)条件下，该方法均能准确估计OCV和模型参数，即使在噪声干扰下也保持稳健。"实验验证"部分通过在LIB和VRFB上的实际测试，证实了该方法的实用性。特别值得注意的是，在VRFB上可以直接测量OCV，为方法验证提供了独特优势。

研究结论指出，该方法成功实现了在有限激励条件下的OCV精确估计，相比传统卡尔曼滤波具有明显优势。创新性的DREM架构有效解决了参数估计中的激励不足问题，而重置机制的引入则进一步提高了对参数变化的跟踪能力。这项研究为电池管理系统提供了一种更可靠的状态估计方法，特别是在实际应用中经常遇到的激励不足场景下表现出色。论文发表在《Journal of Energy Storage》，为电化学储能系统的状态估计开辟了新途径。