基于超级电容器混合储能系统的电动汽车性能优化与不确定偏置补偿SOC估计方法

本文针对超级电容器（SC）在等效电路模型（ECM）下因模型误差、电流电压测量偏差导致的荷电状态（SOC）估计不准问题，提出了一种融合偏置补偿的卡尔曼滤波（KF）算法。通过三分支RC模型构建状态空间方程，引入一维偏置项观测，并分解为无偏KF与不确定偏置估计器（UBE），最终通过补偿提升SOC估计精度。实验验证该方法在多种工况和温度下均能有效抑制不确定偏置干扰，为电动汽车混合储能系统（ESS）的可靠管理提供新思路。

　　

亮点解析

超级电容器建模

受非线性特性和电荷再分布影响，超级电容器（SC）在充放电终止时会表现出瞬时电压骤降/回升现象。为精准描述其输入输出特性，研究采用三分支RC模型（含8个参数）构建状态空间方程，该模型能有效表征SC的动态响应，但参数数量较多可能引发局部最优问题。

偏置补偿方法

传统联合估计算法在参数较少时表现良好，但面对复杂模型易增加计算负担。本研究创新性地将电压残差与KF内部逻辑结合，通过状态方程扩展引入一维偏置项观测，并将算法解耦为：

1. 1.

   无偏KF：负责基础状态估计

2. 2.

   不确定偏置估计器（UBE）：动态追踪系统偏置

   两者结果叠加获得最优估计，既避免复杂参数辨识，又显著降低计算复杂度。

实验设置

测试平台包含SC样本、温控箱、可编程直流电源（IT6005C-80V-150A）及主机。通过设定不同工作模式（恒流充放电、动态工况等），采集实时数据验证方法有效性。特别设计无采样误差（SC No.1）、电压偏置（SC No.2）、电流偏置（SC No.3）和混合偏置（SC No.4）四组对照实验。

验证与讨论

实验表明：

• •

  无偏KF在无采样误差时SOC估计误差<1%

• •

  存在2%电压偏置时误差骤增至8%，经UBE补偿后回落至2%以内

• •

  方法在-20°C~60°C范围内均保持稳定性，且计算耗时仅为传统EKF的65%

结论

本方法通过偏置观测与补偿机制，有效解决了ECM类方法在传感器误差和模型失配下的SOC估计漂移问题，为电动汽车ESS的实时管理提供了高鲁棒性解决方案。后续可探索偏置项与老化状态的耦合关系以进一步提升长期使用精度。