锂离子电池因其高能量密度、长循环寿命以及环保性而被广泛用于储能系统。随着可再生能源的快速发展，其作为关键储能介质的作用愈发重要，这也凸显了相关技术研究的重要性[[1], [2], [3], [4], [5]]。电池在复杂环境下的稳定运行不仅需要实时监测电压、电流和温度等运行参数，还需要准确估算包括电量状态和健康状态在内的关键内部状态。这两项状态是电池保护、故障诊断以及能量优化的基础。由于电量状态和健康状态无法直接测量，基于模型的估算算法因其稳健性和适应性而成为实际应用中的首选[[6], [7], [8], [9], [10], [11]]。近期的研究成果包括针对不同温度条件下电池能量状态估算的改进型压缩因子粒子群优化方法[12]、用于车辆级电池组在线电量状态估算的自适应平方根无迹卡尔曼滤波策略[13]，以及关于深度学习在电池健康状态估算中应用的综述[14]。在各种电池模型中，等效电路模型因结构简单、计算效率高且能可靠模拟电池动态行为，而被广泛用于电池管理系统研究之中。
等效电路模型的准确性取决于其结构合理性以及参数识别算法的有效性。为在模型精度与计算效率之间取得平衡，本研究采用了二阶RC等效电路模型。该模型通过两个具有不同时间常数的RC网络分别表示电池的电化学极化和浓度极化过程[[15], [16], [17]]。然而，由于电池动态特性具有多时间尺度特征，传统仅基于单一时间尺度的参数识别方法难以准确捕捉不同的动态行为，从而导致识别误差。为克服这一局限，有必要采用多时间尺度识别策略，对每种动态过程的特征参数进行分离提取，以实现精准参数识别[[18], [19], [20], [21], [22]]。
早期文献中的两种基于时间尺度的方法[23,24]采用高通/低通滤波器与递归最小二乘法结合的方式对电池参数进行识别。该方法能在各频率范围内提升精度，尤其是在低频段表现优异，且计算开销较小。但其依赖固定的截止频率，使得该方法难以适应变化的工作条件。为解决这一问题，有研究提出了结合递归最小二乘法处理快速动态过程、扩展卡尔曼滤波处理缓慢动态过程的多时间尺度自适应策略[[25], [26], [27]]。尽管该策略具有较好的参数一致性和环境适应性，但它需依靠电量状态的变化来触发缓慢参数更新，因此在变化缓慢的情况下可能会出现延迟。另一项研究则提出了双扩展卡尔曼滤波算法，将该算法将开路电压视为变化缓慢的拟合参数，从而克服了在线开路电压估算的局限性，实现了高精度估算。不过，该算法依赖于经验参数调整，且缺乏自适应机制，限制了其实际应用前景。类似地，还有研究提出了结合固定记忆递归最小二乘法和衰减扩展卡尔曼滤波的两阶段框架，用于在线估算开路电压，无需进行离线电量状态与开路电压校准。虽然该算法提升了精度和稳定性，但对其抗噪声能力的研究还不够充分。最近还有研究采用离散小波变换-多分辨率分析方法对信号进行分解，再用快速递归最小二乘法处理快速动态过程、扩展卡尔曼滤波处理缓慢动态过程。这种方法能够实现精确的分离和耦合抑制，但由于计算复杂度高且小波基函数需依赖经验选择，其整体适应性较差。基于观测器的状态估计算法是应对系统不确定性的有效工具，但目前现有方法的抗干扰能力仍存在局限。尽管已有一种对模型不匹配和噪声具有较强抵抗能力的GNESO-AFFRLS融合方法被用于电池电量状态估算，并得到了验证[31]，但该方法尚未被应用于多时间尺度参数识别领域。
本文提出了一种融合GNESO与AFFRLS的算法，用于解决二阶等效电路模型多时间尺度参数识别中极化耦合、噪声干扰以及模型不匹配等关键问题。首先，GNESO实现了二阶等效电路模型的多时间尺度动态解耦，将其分解为对应快速和缓慢动态过程的两个一阶子系统。其次，它将未建模的动态行为、外部扰动以及其他不确定性视为“总扰动”，以便实现实时估算和补偿。最后，再利用AFFRLS分别对这两个一阶子系统的参数进行识别，从而提升对时变参数的跟踪能力，并确保识别过程的稳定性。在不同噪声水平和温度条件下的实验结果表明，该算法能够实现准确的参数识别，显著提升了模型的稳健性和精度，进而提高了端电压预测的准确性。这项工作为高精度电池建模和电量状态估算提供了可靠的基础。
第二部分介绍了二阶等效电路模型以及电池参数识别的理论基础。第三部分提出了用于多时间尺度解耦的GNESO-AFFRLS融合算法。第四部分通过在不同工作条件下的数据集测试来验证所提算法。第五部分总结了主要研究结果，并指出了未来的研究方向。
