《Journal of Process Control》：Review on state of charge estimation of lithium-ion batteries based on improved Kalman filtering methods in large-scale power stations
编辑推荐：
王顺利|秦宇豪|卡洛斯·费尔南德斯|程良伟|马马杜·达布卢·法尔|埃特塞·达布卢·博博比•本文综述了大规模锂离子电站中电池状态估计算法的挑战。•比较了不同的电池建模与ECM参数识别方法。•评估了基于卡尔曼滤波和人工智能的电池状态估计算法。•二阶RC与UKF组合方法在精度、复杂度与
王顺利|秦宇豪|卡洛斯·费尔南德斯|程良伟|马马杜·达布卢·法尔|埃特塞·达布卢·博博比
- •
本文综述了大规模锂离子电站中电池状态估计算法的挑战。
- •
比较了不同的电池建模与ECM参数识别方法。
- •
评估了基于卡尔曼滤波和人工智能的电池状态估计算法。
- •
二阶RC与UKF组合方法在精度、复杂度与可扩展性之间取得了平衡。
- •
未来需要发展适应性更强、分布式且适用于电站级的电池状态估计算法。
引言
近年来，日益严重的能源危机与环境问题推动了新能源技术的发展以及传统能源结构的变革。随着可再生能源发电量的快速增长，大规模电池储能系统已成为现代电力系统的重要支撑技术。在大型电站中，锂离子电池储能系统通常由多个电池箱、电池架、模块以及数千个串联并联的电池单元组成[1]。这类系统可用于平滑可再生能源输出、削峰填谷、频率调节、电网稳定以及提升供电可靠性[2]。在各类用于储能和供电的电池中，锂离子电池因其优异的性能而被广泛采用。
与单个电池单元或小型电池组相比，大规模储能站运行环境更为复杂[3]。不同电池单元、模块及电池簇之间存在差异，这可能导致电压、容量、温度及老化速率等方面的不一致。此外，电站级电池系统还受到大功率充放电、热不平衡、通信延迟、传感器噪声以及复杂的电网运行要求等因素的影响[4]、[5]、[6]。因此，准确的电池状态估计对于确保大规模储能电站的安全高效运行至关重要。
电池管理系统在锂离子电池的运行维护中起着关键作用。在大型储能站中，电池管理系统通常采用分层结构，包括电池单元级、模块级、簇级以及电站级管理。其中，电池状态量是反映电池剩余可用容量及运行状态的重要参数，它为能量管理、安全保护以及电池寿命评估提供了依据[6]、[8]、[7]。然而，电池状态量无法直接测量，必须通过电压、电流、温度及内阻等参数间接估算。由于电池模型的非线性、不同的运行条件、电池单元之间的差异、温度波动以及测量噪声等因素，实现准确的电池状态量估计仍然面临诸多挑战。因此，提高电池状态量估计的精度对于延长电池寿命、提升能源利用效率以及确保储能站的安全稳定运行具有重要意义。
在过去十年中，人们开发出了多种电池状态量估计算法，包括基于卡尔曼滤波的算法以及其他自适应滤波方法。典型的算法有粒子滤波器、H无穷滤波器、递归最小二乘法、粒子群优化算法、比例积分观测器以及非线性观测器等[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]。基于卡尔曼滤波的算法因能在较宽的电池状态量范围内应用，并且能够有效降低测量误差和传感器噪声的影响，而被广泛用于电池状态量估计[19]、[20]、[21]、[22]、[23]。不过，目前大多数研究仍集中在单个电池单元、电动汽车或小型电池组上，而针对电站级锂离子电池储能系统的综述与对比研究相对较少。考虑到大规模储能电站的规模庞大、结构层级分明以及运行环境复杂，仍有必要进一步研究电池状态量估计算法。
此外，为了更好地捕捉电池的非线性特性以及复杂的运行环境，最近有研究将基于人工智能的方法引入电池状态量估计领域。这类智能算法具备强大的非线性拟合和特征提取能力，非常适合处理复杂的运行环境以及大量的电池管理系统数据。一些研究将智能算法与基于卡尔曼滤波的算法相结合，其中智能算法用于参数识别、误差补偿或初步的电池状态量预测，而EKF、UKF或其他卡尔曼滤波变体则用于后续的递归修正和噪声抑制[24]、[25]、[26]、[27]。这类人工智能与卡尔曼滤波融合的方法能够提升电池状态量估计的精度与稳定性。不过，由于数据质量、计算复杂度以及泛化能力等方面的问题，这类方法在大型储能站中的应用仍需进一步研究。
本文旨在综述目前用于基于模型电池状态量估计算法的各类卡尔曼滤波家族算法。文中分析了各类卡尔曼滤波家族算法的适用特点及面临的挑战，并进行了表格对比。同时，本文还介绍了最新文献中各种改进型的卡尔曼滤波家族算法的特点，并比较了它们在电池状态量估计方面的精度。此外，本文还着重探讨了这些方法在大型锂离子电池储能站中的适用性，为未来在电站级电池管理系统中实现更精确的电池状态量估计提供参考。
本文的主要内容安排如下：第二部分回顾了常用的锂离子电池建模方法，包括电化学模型和等效电路模型，并比较了它们的特点、优势、局限性以及在在线电池状态量估计中的应用前景。第三部分讨论了等效电路模型的参数识别方法，重点分析了离线与在线识别策略及其对模型精度和电池状态量估计可靠性的影响。第四部分介绍了锂离子电池的状态量估计算法，包括传统估计算法、基于卡尔曼滤波的算法、智能算法以及混合算法。在这一部分，比较了不同算法及电池模型在电池状态量估计方面的性能，并进一步分析了大规模储能应用中面临的诸如可扩展性、可观测性、电池单元一致性、通信延迟以及计算约束等关键挑战。最后，第五部分总结了本文的主要研究成果，并探讨了未来在大型锂离子电池电站中实现精确、稳健且具有可扩展性的电池状态量估计的研究方向。
各部分要点
锂离子电池等效电路的建模与分析
为了准确估计锂离子电池的电池状态量，必须建立合适的电池模型，以描述可测量的外部信号与内部状态变量之间的关系。电池建模是电池状态量估计的基础，其精度直接影响估计结果[28]、[29]。在大型锂离子电池储能系统中，所选模型不仅要能够反映电池的动态电压响应，还需满足
锂离子电池等效电路模型的参数识别
在建立了合适的电池模型之后，准确的参数识别则是实现可靠电池状态量估计的关键步骤。等效电路模型的参数直接决定了端电压预测和状态量估计的精度。在实际的大型储能系统中，这些参数会随着温度、电池老化程度、运行条件以及电池单元之间的差异而发生变化。因此，本节将探讨离线与在线参数识别方法，以及
锂离子电池充电状态的估计
在电池建模与参数识别基础上，通过电池状态量估计算法，根据测量的电压、电流及温度信号来推断锂离子电池的剩余可用容量。由于电池状态量无法直接测量，且会受到电池非线性行为、运行条件、测量噪声以及电池老化等因素的强烈影响，因此实现准确的电池状态量估计仍是一项具有挑战性的任务。本节将回顾传统的电池状态量估计算法，以及基于卡尔曼滤波的
结论
本文从电池建模、参数识别、卡尔曼滤波方法以及智能算法等多个角度，系统地研究了大型电站中锂离子电池的在线电池状态量估计方法。对于大规模储能应用而言，电池状态量估计不仅是一个注重精度的任务，同时也涉及计算复杂性、实时性、可扩展性以及系统稳定性等实际工程问题。因此，关键
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
所有作者均已审阅并同意最终稿的内容，且不存在需要披露的利益冲突。
致谢
本研究得到了以下机构的支持：中国国家自然科学基金（编号62173281、52377217、U23A20651）、国家关键研发计划（编号2024YFB2408400）、四川省科技计划（编号24NSFSC0024、23ZDYF0734、23NSFSC1436）、达州市校地合作项目（编号DZXQHZ006）、深部煤矿矿井响应与灾害防治国家重点实验室开放基金项目（编号SKLMRDPC23KF19）、内蒙古能源战略研究
