一种用于移动能源存储路由和车对网（Vehicle-to-Grid, V2G）的时空聚类方法

《eTransportation》：A spatiotemporal clustering method for mobile energy storage routing and vehicle-to-grid

针对锂铁磷酸电池（LFP）电压平台区域OCV滞后效应导致的SOC估计难题，提出了一种融合数据驱动OCV滞后模型与二阶等效电路模型的混合电池模型，并设计了一种基于OCV斜率变化的自适应协方差更新卡尔曼滤波器。通过LSTM网络建模路径依赖的OCV滞后特性，结合改进灰色狼优化算法进行多步参数辨识，有效解决了传统模型在电压平台区域的观测不可及性问题。实验表明，该方法在95%以上样本中实现MAE<0.56%，较现有方法提升46.2%-45.7%的RMSE，具备优异的动态适应性和高精度估计能力。

　　在新能源领域，特别是电动汽车和储能系统中，锂铁磷酸盐电池（LFP电池）因其成本低、安全性高和循环寿命长而受到广泛关注。然而，LFP电池在充电和放电过程中表现出显著的开路电压（OCV）迟滞效应，这对电池的荷电状态（SOC）估计提出了挑战。传统的SOC估计方法往往无法有效处理这种迟滞效应，尤其是在电压平台区域，细微的电压偏差可能对应较大的SOC不确定性。因此，开发一种能够准确捕捉迟滞效应的模型和估计方法显得尤为重要。

本文提出了一种基于深度长短期记忆（LSTM）网络的数据驱动迟滞模型，并将其与二阶等效电路模型（ECM）相结合，构建了一个混合电池模型。该模型能够准确捕捉不同充放电路径和温度条件下的复杂电压迟滞特性。为了提高SOC估计的准确性，本文还设计了一种自适应SOC估计器，该估计器根据充放电过程中的电压斜率变化动态调整其协方差矩阵，从而优化卡尔曼增益匹配，有效减少误差累积，提升估计精度。

在模型构建方面，首先利用历史SOC序列和温度数据训练数据驱动的OCV迟滞模型，然后通过多步参数识别方法优化模型参数。该方法采用改进的灰狼优化算法（I-GWO），以确保模型在不同工况下的高精度和计算效率。实验结果表明，该方法在多种使用场景下均能实现超过95%的样本具有小于0.56%的平均绝对误差（MAE），并且在均方根误差（RMSE）方面比两种先进的方法分别提高了46.2%和45.7%。这些结果验证了该方法在快速收敛性和鲁棒性方面的优势。

SOC估计方法基于自适应扩展卡尔曼滤波器（AEKF），该滤波器根据OCV斜率变化动态调整协方差矩阵。OCV斜率被分为三个区域：陡峭、中等和缓坡，每个区域分别采用不同的协方差组合，以优化卡尔曼增益匹配。在陡峭斜率区域，模型更倾向于利用高观测性的数据进行快速校准；在中等斜率区域，通过平衡模型和测量数据的贡献实现持续校正；而在缓坡区域，模型更多依赖测量数据以保持稳定估计。这种自适应机制显著提升了SOC估计的准确性和鲁棒性，特别是在电压平台区域。

在实验验证部分，本文在多种温度（0°C至55°C）和充放电协议下测试了所提出方法的性能。结果显示，该方法在不同温度和充放电条件下均能保持较高的估计精度，且在不同初始SOC偏差和充放电速率下表现稳定。此外，本文还通过与现有方法的对比，证明了所提出方法在各种使用场景下的优越性。

最后，本文讨论了该方法的可扩展性。尽管本文在小容量电池上进行了验证，但其核心机制——基于OCV斜率变化的自适应估计方法和数据驱动的OCV模型——并不依赖于电池容量，因此可以推广至大容量电池。通过在线参数识别和多物理模型的结合，可以进一步提升该方法在复杂工况下的适用性。本文提出的SOC估计方法不仅在理论上有创新，而且在实际应用中表现出良好的性能，为LFP电池的精确SOC估计提供了新的思路。