《Energy and AI》:An Adaptive Estimation Approach based on Fisher Information to Overcome the Flat Voltage Plateau Challenges of SOC Estimation in LFP Batteries
编辑推荐:
磷酸铁锂(LFP)电池因其平坦的荷电状态-开路电压(SOC-OCV)特性、显著的滞回效应以及非理想运行条件(如电流传感器偏置、电压量化、温度变化和激励不足)而面临准确且鲁棒的荷电状态(SOC)估计挑战。本文提出一种自适应SOC估计框架,通过信息感知融合策略应对
磷酸铁锂(LFP)电池因其平坦的荷电状态-开路电压(SOC-OCV)特性、显著的滞回效应以及非理想运行条件(如电流传感器偏置、电压量化、温度变化和激励不足)而面临准确且鲁棒的荷电状态(SOC)估计挑战。本文提出一种自适应SOC估计框架,通过信息感知融合策略应对这些挑战。该方法利用Fisher信息自适应融合库仑计数与基于电压的SOC估计,使估计器能够根据激励条件和SOC-OCV可观测性自动调整对各信息源的依赖程度。为显式捕捉滞回效应,引入三维OCV-滞回-SOC(OCV-H-SOC)映射,以在扩展的平坦电压平台内实现可靠的SOC反演。所提方法在一款LFP电芯上,利用四种实际驾驶循环在多种具有挑战性的场景下进行了实验验证,包括较大的初始SOC误差、长时间运行于SOC-OCV平坦区、电流偏置、电压量化噪声、低温运行(10°C)以及电流激励不足。与包括无迹卡尔曼滤波器(UKF)、长短期记忆网络(LSTM)和基于Transformer的估计器在内的最新基准方法相比,所提方法在所有测试条件下均实现了更优的精度和鲁棒性。特别地,所提方法将SOC估计误差相对于UKF降低了约80%,同时保持了实时计算效率。
基于Fisher信息自适应估计方法克服磷酸铁锂电池SOC估计平坦电压平台挑战的论文解读
一、研究背景与问题
磷酸铁锂(LFP)电池因其高安全性、长循环寿命和成本效益,在电动汽车和储能系统中得到广泛应用。荷电状态(SOC)的准确估计对于防止过充和过放、优化能量管理、提升用户信心至关重要。然而,LFP电池的SOC估计面临独特挑战:其SOC与开路电压(OCV)关系曲线存在宽阔的平坦区域,电压信号对SOC的映射能力弱,导致可观测性不足。此外,LFP电池的滞回效应显著,充放电过程中同一SOC对应的OCV存在明显差异,且滞回引起的电压变化幅度可能超过SOC变化本身。在实际应用中,电流传感器偏置、电压量化误差、温度变化以及电流激励不足等非理想条件进一步加剧了估计难度。现有方法中,库仑计数作为开环方法无法校正初始误差且存在累积漂移;基于模型的方法(如扩展卡尔曼滤波器和无迹卡尔曼滤波器)对模型参数敏感,且通常将测量噪声和过程噪声协方差设为常数,导致融合策略次优;数据驱动方法(如LSTM和Transformer)虽能拟合非线性关系,但依赖大量高质量训练数据,鲁棒性和可解释性不足。特别是,现有方法缺乏一种机制来显式利用动态电流激励所提供的信息增益,以自适应地融合多个SOC估计源。对于LFP电池,长时间运行于OCV-SOC平坦区域以及电流测量偏置会严重削弱电压校正能力,导致传统融合方法产生有偏或收敛缓慢的SOC估计。因此,亟需一种能够根据激励条件和SOC-OCV可观测性自适应调整融合策略的SOC估计框架。
二、研究内容与结论
针对上述问题,研究人员提出了一种信息感知的自适应SOC估计框架,包含四个模块:参数估计模块(PEM)、OCV-H-SOC反演模块(OIM)、条件评估模块(CEM)和SOC融合模块(SFM)。该框架通过Fisher信息量化参数估计的置信度,自适应融合库仑计数与基于OCV的SOC估计。实验在LithiumWerks APR18650M1-B LFP电芯(3.3V,1.2Ah)上进行,采用四种真实驾驶循环(OCTBC、加州统一循环、US06和NYCC),涵盖了SOC-OCV平坦区长时间运行、大初始SOC误差、电流偏置、电压量化噪声、低温(10°C)和电流激励不足等挑战性场景。结果表明,所提方法在所有测试条件下均优于UKF、LSTM和Transformer等基准方法。在理想条件下,RMSE从UKF的3.92%降至0.49%;在平坦区长时间运行时,从6.69%降至2.54%;在存在显著电流偏置时,从15.44%降至2.99%;在低温条件下,UKF严重退化(RMSE=28.11%),而所提方法仍保持RMSE=3.28%。所提方法相对于UKF将SOC估计误差降低了约80%,同时保持实时计算效率。该研究发表于《Energy and AI》期刊。
三、主要技术方法
研究人员采用以下关键技术:1)线性参数化模型:将电池二阶RC等效电路模型转换为线性形式,使得OCV估计与电流偏置解耦,电流偏置被电阻参数吸收;2)二维滤波器:对测量信号进行滤波和离散化,提取电压和电流的导数,用于参数辨识;3)批量最小二乘法:采用100秒移动窗口进行在线OCV估计;4)递归滞回模型:引入滞回因子H,动态更新以捕捉LFP电池的滞回特性;5)Fisher信息矩阵:基于灵敏度矩阵计算参数估计协方差下界,进而评估SOC估计的可信度;6)卡尔曼滤波器:将库仑计数与基于OCV的SOC估计通过时变噪声协方差融合。实验数据来源于实验室测试台,参考SOC通过高精度库仑计数获得。
四、研究结果
1. 理想城市驾驶条件:在UDDS循环下,从100% SOC放电至0%再充电至100%,无测量误差,25°C。所提方法RMSE为0.49%,UKF为3.92%,最大绝对误差分别为1.018%和5.88%。条件评估模块在SOC-OCV平坦区输出高协方差,在陡峭区输出低协方差,实现自适应权重分配。
2. 长时间运行于SOC-OCV平坦区:从20% SOC充电至80%再放电至20%,四种驾驶循环,初始SOC误差80%。所提方法RMSE为2.54%,UKF为6.69%。UKF收敛缓慢(需2.74小时),因为平坦区电压误差小,卡尔曼增益低,近似于库仑计数。
3. 平坦区加电流偏置:在平坦区操作基础上施加-0.05A电流偏置。所提方法RMSE为2.99%,UKF为15.44%。电流偏置被参数c吸收,不影响OCV估计,因此所提方法鲁棒。
4. 平坦区加电压量化误差:模拟10位ADC(5V量程)的量化噪声。两种方法受影响均较小,RMSE分别为2.69%和7.13%,量化误差近似均匀分布,被滤波器有效处理。
5. 平坦区加低温操作:在10°C下运行,但参数基于25°C标定。所提方法RMSE为3.28%,UKF为28.11%,UKF最大误差达65%。所提方法依赖OCV-SOC关系,其对温度敏感性低于RC参数,且实时参数估计降低了温度失配影响。
6. 平坦区加长时间恒定电流段:在放电过程中加入15分钟-1A恒定电流,导致激励不足。所提方法在恒定电流段仍保持准确,RMSE为2.96%。条件评估模块检测到激励不足,增大协方差,使融合模块忽略不可靠的SOC估计,依赖库仑计数。
五、总结与讨论
所提方法通过Fisher信息自适应融合,在平坦SOC-OCV区、传感器偏置、温度变化等挑战下显著提升SOC估计可靠性。其应用前景包括电动垂直起降飞行器(eVTOL)、固定储能系统和二次电池利用,其中参数不确定性、滞回变化和电芯异质性对传统估计器构成挑战。未来工作将探索联合SOC-SOH估计、温度自适应OCV-H-SOC映射,并研究电压传感器偏置补偿和网络安全性。研究结论表明,该框架为现代LFP电池管理系统提供了一种鲁棒、自适应且计算高效的实时SOC估计解决方案。