使用自适应广义最大互信息强跟踪立方卡尔曼滤波器对袋式锂钴氧化物电池的充电状态进行估计

《Scientific Reports》：State-of-charge estimation for a pouch-type lithium cobalt oxide battery using an adaptive generalized maximum correntropy strong-tracking cubature kalman filter

　　

摘要

精确的电池电量估计算算是锂离子电池管理系统安全高效运行的关键。然而，测量异常值、时变噪声统计特性、模型失配以及运行条件的突然变化会降低传统卡尔曼滤波器基估计器的准确性和稳定性。为了解决这些问题，本研究提出了一种适用于软包型锂钴氧化物电池的自适应广义最大相关熵强跟踪立方体卡尔曼滤波器（AGMCC-STCKF）。该方法的主要创新在于采用了基于残差统计特性的自适应核宽度策略：在每个采样时刻，核宽度通过滑动创新残差窗口的标准差与瞬时创新幅度的加权组合进行更新，并通过有界投影防止核宽度退化。广义最大相关熵准则用于抑制异常测量值；强跟踪衰减因子和Sage–Husa估计器分别提高了对模型失配和时变噪声统计特性的响应能力。研究建立了一个二阶RC等效电路模型，并利用遗忘因子递归最小二乘法对其参数进行了估计。实验验证在25°C以及UDDS和DST运行条件下进行。在30组高斯噪声模拟数据中，所提出方法的平均绝对误差（MAE）、均方根误差（RMSE）和最大绝对误差（MaxAE）分别为0.4040%、0.4571%和0.8653%，相比传统卡尔曼滤波器（CKF）分别减少了19.15%、28.51%和72.50%。在弱、中、强非高斯干扰情况下，所提出方法也在所有比较的基于卡尔曼滤波器的估计器中表现出最低的平均误差。使用CALCE CS2_35数据集进行的外部验证结果显示，其RMSE为0.7183%。平均单步运行时间为0.871毫秒，远低于1秒的采样间隔。这些结果证明了该方法在所研究的电池类型、温度和运行条件下的估计准确性和鲁棒性的提升。