基于SVD-MIUKF+UKF算法的锂离子电池SOC-SOH联合估计研究：优化电池状态监测与健康管理

本文创新性地提出基于二阶RC等效电路模型和蜣螂优化器(DBO)参数辨识的锂离子电池状态联合估计方法。通过奇异值分解多新息无迹卡尔曼滤波(SVD-MIUKF)优化SOC预测（RMSE<0.53%），结合UKF实时更新SOH参数（RMSE<0.0029%），显著提升不同工况和老化周期下的估计精度与鲁棒性。

　　

Highlight

本研究通过构建SVD-MIUKF+UKF联合估计算法，首次将蜣螂优化器(DBO)引入锂离子电池模型参数辨识，攻克了传统无迹卡尔曼滤波(UKF)中协方差矩阵非正定和历史数据利用率低的难题。实验证明该算法在复杂工况下SOC估计均方根误差(RMSE)低于0.53%，SOH估计精度达0.0029%以下，为电池管理系统(BMS)提供了高精度的状态监测方案。

Section snippets

实验平台搭建

采用NEWARE T-4008-5V6A-S1测试系统与INR18650-35E电芯构建实验平台，通过恒温控制箱模拟不同环境条件。测试包含容量测试、开路电压(OCV)测试及动态工况测试，为算法验证提供多维度数据支撑。

基于多新息理论的UKF算法

创新性地将多新息理论引入UKF算法，通过构建创新矩阵实现历史状态数据的加权复用，有效解决传统方法中数据过饱和问题。该改进使算法能动态调整历史数据权重，显著提升长期估计的稳定性。

算法鲁棒性验证

在UDDS、FUDS等动态工况及不同初始SOC条件下，SVD-MIUKF+UKF算法均表现出优异性能。即使电池容量衰减至80%时，SOC估计RMSE仍稳定在0.92%以下，验证了算法在全生命周期应用的可靠性。

Conclusion

本研究所提联合估计方法通过实时耦合SOC-SOH参数更新机制，突破了单一状态估计的局限性。特别是SVD-MIUKF算法对非正定矩阵的处理能力，为高精度BMS开发提供了新思路，有望推动电动汽车能量管理系统的技术革新。