噪声协方差自适应X-无迹卡尔曼滤波算法用于锂离子动力电池荷电状态估计及变温条件自适应

《Energy Nexus》：An improved Noise Covariance Adaptable X–Unscented Kalman Filtering algorithm for accurate state of charge estimation in lithium-ion batteries adaptive to varying temperature conditions

　　

为在电动汽车与可再生能源系统中有效利用和管理锂离子电池，准确的荷电状态（State of Charge，SoC）估计至关重要。研究人员提出一种改进的噪声协方差自适应X-无迹卡尔曼滤波（Noise Covariance Adaptable X-Unscented Kalman Filter，NCAX-UKF）算法，以提升变温条件下SoC估计精度。不同于采用固定sigma点缩放因子或分离式噪声协方差自适应的常规UKF（Unscented Kalman Filter）与自适应UKF方法，所提NCAX-UKF引入一种新颖的在线自适应X因子，该因子同时调节sigma点分布并动态修正卡尔曼增益。此X因子并非标准UKF中预设的缩放参数，而是实时可调系数，用于在噪声扰动下平衡模型预测与测量校正。算法通过基于新息的滑动窗口机制自适应更新过程噪声协方差矩阵Q与测量噪声协方差矩阵R，有效缓解时变电池参数与测量不确定性导致的性能退化。仿真与实验结果表明，NCAX-UKF将平均SoC估计误差降至2%以下，收敛速度提升21.58%，且在动态负载与温度变化下较EKF（Extended Kalman Filter）、标准UKF及常规自适应UKF表现出更强鲁棒性。计算最密集的任务为状态协方差预测、测量协方差预测与互协方差计算，各占总计算复杂度的17.69%。

研究背景方面，锂离子电池在电动汽车与储能系统中的高效运行依赖于准确的荷电状态（SoC）估计。传统基于电池实验的方法难以捕捉电池非线性与复杂动力学特性。现有扩展卡尔曼滤波（EKF）与无迹卡尔曼滤波（UKF）及其自适应变体在固定sigma点缩放或分离更新噪声协方差时，面临时变参数、测量不确定性与温度漂移带来的估计偏差与收敛变慢问题。为此，研究人员在《Energy Nexus》发表研究，提出噪声协方差自适应X-无迹卡尔曼滤波（NCAX-UKF）算法，旨在同时调制sigma点分布与卡尔曼增益，并在线更新Q与R矩阵，从而在变温与动态负载下抑制递归发散、提升估计精度与鲁棒性。该研究的意义在于为车载与储能电池管理系统提供可实时部署的高精度SoC估计方案。

关键技术方法上，研究人员采用一阶RC等效电路模型描述电池极化电压U_p与端电压U_t关系，其中开路电压U_OCV表示为SoC的单值函数；以加性高斯白噪声刻画模型与测量扰动；设计在线自适应X因子替代UKF固定缩放参数，用以联合调节sigma点生成与增益修正；引入基于新息（innovation）的滑动窗口统计法在线估计并更新过程噪声协方差Q与测量噪声协方差R；在动态负载工况与多温度（变温）条件下通过仿真与实验平台完成验证，对比EKF、标准UKF及常规自适应UKF。

研究结果部分，引言指出SoC误估会使电池偏离最优工作域并引发容量衰减，故需高精度估计，NCAX-UKF凭借自适应重调与虚拟边界抑制递归不良估计。状态空间建模给出连续方程U_p = -1/(C_pR_p)·U_p + (1/C_p)·I_L与U_t = U_OCV(SoC) - U_p - I_LR_o，离散化后形成SoC递推基础，OCV-SoC一一对应特性降低寿命耦合影响。算法设计中，X因子作为实时系数平衡预测与校正，滑动窗口新息协方差匹配驱动Q、R更新，状态协方差预测、测量协方差预测与互协方差计算构成主要计算负担（各占17.69%）。仿真与实验结果显示，平均SoC误差低于2%，收敛速度提高21.58%，在温度变化与动态电流下均优于EKF、UKF及自适应UKF。

讨论与结论部分，研究人员指出NCAX-UKF通过X因子与噪声协方差双自适应机制，解决了固定缩放UKF在时变参数下增益僵化问题；在线Q-R更新抵消了电池内阻、容量随温度漂移引入的模型失配，使估计边界更紧致且递归更稳定。结论为：所提NCAX-UKF在变温锂离子电池SoC估计中平均误差低于2%，收敛加快21.58%，鲁棒性优于EKF、标准UKF与常规自适应UKF，核心计算集中于协方差预测与互协方差步骤，具备工程嵌入价值。