基于在线参数辨识和QPSO-AUKF的锂离子电池荷电状态估计方法

《Batteries》：State of Charge Estimation Method for Lithium-Ion Batteries Based on Online Parameter Identification and QPSO-AUKF Hai Guo, Zhaohui Li, Haoze Xue and Jing Luo

　　

准确估计荷电状态（SOC）对于锂离子电池的安全高效运行至关重要。传统的自适应无迹卡尔曼滤波（AUKF）方法由于过程和测量噪声协方差矩阵的经验性选取，通常精度有限。为克服这一局限，研究人员提出了一种基于二阶RC等效电路模型的QPSO-AUKF算法，该算法将量子行为粒子群优化（QPSO）与在线参数辨识相结合。在该方法中，QPSO算法优化噪声协方差矩阵，随后将其用于AUKF框架中进行SOC估计。在马里兰和威斯康星数据集上进行的MATLAB R2020a仿真表明，与传统AUKF相比，QPSO-AUKF将均方根误差（RMSE）降低了60%以上，表明SOC估计精度显著提升。

论文解读文章

**研究背景与问题**
在全球“双碳”目标与新能源汽车产业发展的推动下，锂离子电池因其高能量密度、低环境影响和长循环寿命成为电动汽车的理想动力源。电池管理系统（BMS）中，荷电状态（SOC）是反映电池可用能量的核心指标，直接影响续航预测、功率分配、热管理及安全保护策略。然而，SOC估计面临两大挑战：一是电池参数（内阻、极化电容等）随温度、老化及工况动态变化，二是传统自适应无迹卡尔曼滤波（AUKF）依赖经验预设的过程噪声协方差矩阵Q和测量噪声协方差矩阵R，导致估计精度有限，在高非线性或快变工况下易发散。现有数据驱动方法（如神经网络）依赖大量高质量训练数据且缺乏可解释性，电化学模型计算复杂难实时应用，而等效电路模型（ECM）因结构简单、计算高效被广泛采用。因此，亟需联合在线参数辨识与噪声自适应优化，提升SOC估计的准确性和鲁棒性。

**研究内容与结论**
研究人员提出一种融合遗忘因子递归最小二乘（FFRLS）在线参数辨识与量子行为粒子群优化（QPSO）优化的AUKF联合估计框架（QPSO-AUKF）。基于二阶RC等效电路模型，FFRLS实时更新模型参数（R₀、R₁、R₂、C₁、C₂）；外层QPSO全局离线优化Q和R初始值，内层AUKF进行状态估计并在线微调噪声协方差。在CALCE电池数据集（INR 18650-20R，Samsung SDI，额定容量2000 mAh）和独立Wisconsin数据集（Panasonic 18650PF，额定容量2.9 Ah）上，于0℃、25℃、45℃下模拟HPPC、DST、FUDS等工况。结果表明，与UKF、AUKF及PSO-AUKF相比，QPSO-AUKF的均方根误差（RMSE）和平均绝对误差（MAE）均最低，且RMSE较传统AUKF降低60%以上，显著提升估计精度和稳定性。该研究发表在《Batteries》。

**关键技术与方法**（不超过250字）
- **FFRLS在线参数辨识**：引入遗忘因子λ=0.98，基于递推最小二乘实时识别二阶RC模型参数（R₀、R₁、R₂、C₁、C₂），跟踪电池时变特性。
- **QPSO噪声优化**：以终端电压残差RMSE为适应度函数，全局搜索最优Q和R初始值（搜索范围[10^-12, 10^-1]），粒子数30，迭代50次。
- **AUKF状态估计**：基于无迹变换（UT）生成Sigma点，结合QPSO优化的噪声初始值进行递归滤波，并通过创新序列自适应更新Q_k和R_k。
- **数据来源**：CALCE电池研究组（INR 18650-20R，Samsung SDI）与Wisconsin数据集（Panasonic 18650PF）。

**研究结果**
**参数辨识结果（4.2节）**：通过不同温度（0℃、25℃、45℃）及脉冲、DST、FUDS工况下的电压跟随对比，FFRLS在线辨识的二阶RC模型模拟端电压与实测值高度吻合。DST工况因动态激励剧烈导致电压偏差略大，但仍保持良好精度，验证了在线辨识策略在宽温度范围内的鲁棒性。
**SOC估计结果多工况对比（4.3节）**：在HPPC、DST、FUDS工况及三种温度下，QPSO-AUKF的SOC估计曲线始终最接近参考值（安时积分法）。DST工况中，QPSO-AUKF波动最小、跟踪稳定；FUDS长期运行下，其稳态误差极低且无发散趋势。定量指标（表1–3）显示，QPSO-AUKF的MAE和RMSE均优于UKF、AUKF和PSO-AUKF，体现全局搜索避免局部最优的优势。
**独立数据集验证（4.4节）**：在Wisconsin数据集（25℃）的HWFET、LA92、UDDS工况下，QPSO-AUKF同样保持最低MAE和RMSE（表4），进一步证明其跨电池类型与工况的泛化能力与可靠性。

**讨论与结论**
讨论部分指出：QPSO-AUKF通过量子行为机制增强了全局搜索能力，克服了PSO易陷入局部最优的缺陷；FFRLS在线辨识使模型实时匹配动态特性；AUKF内在自适应更新进一步提升实时跟踪能力。结论部分（5. Conclusions and Outlook）翻译如下：在电池管理系统中，精确的锂离子电池SOC估计对系统安全和能量优化至关重要。本研究采用FFRLS在线辨识模型参数，并基于二阶RC等效电路模型描述电池动态行为，提升模型在不同工况下的表达精度。为解决AUKF中噪声协方差矩阵依赖经验设置及迭代数值不稳定问题，提出QPSO与AUKF融合的估计算法。在HPPC、DST、FUDS等工况下与传统UKF、AUKF、PSO-AUKF对比验证，仿真结果表明引入QPSO全局优化噪声协方差矩阵显著提高了SOC估计精度和算法鲁棒性。未来工作将纳入电池老化和温度等因素以增强全生命周期适应性，并探索高级优化策略进一步提升估计精度与计算效率，推动该类方法在嵌入式BMS中的实时应用。