基於自適應多模型卡爾曼濾波器的 OCV-SOC 曲線誤差下 LiFePO4 電池 SOC 估計

Core Concepts

針對 LiFePO4 電池開路電壓-荷電狀態曲線（OCV-SOC）易受老化和溫度影響產生誤差，進而影響荷電狀態（SOC）估計精度的问题，本文提出了一種基於自適應多模型卡爾曼濾波器（AMMKF）的 SOC 估計方法，該方法能夠在 OCV-SOC 曲線存在誤差的情況下，仍能準確估計電池 SOC。

Abstract

本論文旨在解決 LiFePO4 電池開路電壓-荷電狀態曲線（OCV-SOC）易受老化和溫度影響產生誤差，進而影響荷電狀態（SOC）估計精度的问题。論文提出了一種基於自適應多模型卡爾曼濾波器（AMMKF）的 SOC 估計方法，該方法能夠在 OCV-SOC 曲線存在誤差的情況下，仍能準確估計電池 SOC。
研究背景

LiFePO4 電池因其高安全性、長循環壽命和低成本等優點，在電動汽車和儲能系統中得到越來越廣泛的應用。
電池 SOC 估計的準確性直接影響電池電量和剩餘能量的評估，對於防止電池過充和過放，維持電池一致性和確保安全至關重要。
基於模型的 SOC 估計方法高度依賴於 OCV-SOC 曲線的準確性，而 OCV-SOC 曲線容易受到電池老化和溫度波動的影響。
研究方法

電池模型與參數辨識：

採用一階 Thevenin 模型描述 LiFePO4 電池的靜態和動態特性。
提出基於自適應遞迴最小二乘法（ARLS）的參數辨識算法，通過引入自適應遺忘因子，使參數估計結果更接近於當前參數值。

創新序列互相關和自相關分析：

推導了卡爾曼濾波器創新序列的互相關矩陣（CCM）和自相關矩陣（ACM）與 OCV-SOC 曲線誤差之間的關係。
通過分析 CCM 和 ACM，可以有效地表徵原始 OCV-SOC 曲線與電池在不同老化狀態和工作溫度下的實際 OCV-SOC 曲線之間的偏差方向。

基於 AMMKF 的 SOC 估計方法：

開發了一種自適應多模型卡爾曼濾波器，根據創新序列 CCM 和 ACM 分析結果動態調整每個濾波器的測量模型參數。
根據每個濾波器預測電壓分佈函數的特性評估其有效性概率，並選擇最優濾波器。

實驗結果

採用 CALCE 電池數據集對所提出的 SOC 估計方法進行了驗證和分析。
結果表明，該方法在不同工況和初始 SOC 誤差下均能快速收斂，並獲得較高的估計精度。
與傳統 UKF 方法相比，該方法在低溫環境下具有更高的估計精度和更強的魯棒性。
總結
本論文提出了一種基於 AMMKF 的 LiFePO4 電池 SOC 估計方法，該方法能夠有效解決 OCV-SOC 曲線誤差對 SOC 估計精度的影響。實驗結果表明，該方法具有較高的估計精度、收斂速度和魯棒性，為 LiFePO4 電池的 SOC 估計提供了一種有效途徑。

Stats

在 50°C 的 FUDS、US06 和 DST 測試中，初始 SOC 為 80% 時，AMMKF 的 SOC 估計結果都能快速校正到 5% 誤差以內。
在 -10°C 的 US06 測試中，UKF 估計的 SOC 最大誤差為 -24.72%，均方根誤差為 13.05%。
在 -10°C 的 US06 測試中，AMMKF 的 SOC 估計結果快速收斂到 3% 誤差以內，最大誤差為 -4.68%，均方根誤差為 2.97%。
25°C OSC 與 -10°C OSC 的平均絕對誤差 (MAE) 為 16.4 mV。
AMMKF 校正後的 OSC 與 -10°C OSC 的平均誤差僅為 1.48 mV。

Key Insights Distilled From

LiFePO4 Battery SOC Estimation under OCV-SOC Curve Error Based onAdaptive Multi-Model Kalman Filter

by Daniyaer Pai... at arxiv.org 11-01-2024

https://arxiv.org/pdf/2410.23646.pdf

Deeper Inquiries

如何將該方法應用於其他類型的鋰離子電池？

將該方法應用於其他類型的鋰離子電池，需要考慮以下幾個方面：

電池模型的適應性調整:

文中使用的模型是一階 Thevenin 等效電路模型，適用於 LiFePO4 電池。對於其他類型的鋰離子電池，如三元鋰電池，可能需要採用更複雜的模型，例如二階或更高階的 RC 電路模型，以更準確地描述其動態特性。
模型參數辨識方法也需要根據新的模型進行調整，以確保參數估計的準確性。

OCV-SOC 曲線的特性差異:

不同類型的鋰離子電池具有不同的 OCV-SOC 曲線特性，例如曲線斜率、平台區長度等。
AMMKF 方法的核心是根據 OCV-SOC 曲線誤差進行模型參數的自適應調整，因此需要針對不同類型的電池重新分析其 OCV-SOC 曲線誤差特性，並相應地調整 AMMKF 的參數設置和調整策略。

溫度和老化效應的影響:

溫度和老化對不同類型鋰離子電池的影響程度不同，這會影響 OCV-SOC 曲線的變化程度。
在應用 AMMKF 方法時，需要考慮這些因素對 OCV-SOC 曲線誤差的影響，並進行相應的補償。

總之，將該方法應用於其他類型的鋰離子電池需要對模型、參數和算法進行適應性調整，以適應不同類型電池的特性差異。

如果電池存在其他故障，例如容量衰減或內阻增加，該方法的性能會受到怎樣的影響？

如果電池存在容量衰減或內阻增加等故障，會對該方法的性能產生以下影響：

容量衰減:

電池容量衰減會導致 Coulomb 計數法計算的 SOC 產生累積誤差，進而影響 AMMKF 的估計精度。
為減輕容量衰減的影響，可以考慮結合其他 SOC 估計方法，例如基於電化學阻抗譜 (EIS) 的容量估計方法，對電池容量進行實時修正，提高 Coulomb 計數法的準確性。

內阻增加:

電池內阻增加會影響電池的動態特性，與文中使用的 Thevenin 模型產生偏差，進而影響模型參數辨識和 SOC 估計的準確性。
為解決內阻增加的問題，可以考慮以下措施：

採用更複雜的電池模型，例如考慮內阻隨溫度和老化變化的模型，以更準確地描述電池的動態特性。
結合在線內阻估計方法，例如基於遞推最小二乘法或卡爾曼濾波的內阻估計方法，對模型參數進行實時修正，提高模型的精度。

總體而言，電池故障會降低 AMMKF 方法的 SOC 估計精度。為提高方法的魯棒性，需要結合其他方法對電池故障進行診斷和補償，以減輕其對 SOC 估計的影響。

能否結合機器學習方法，進一步提高 OCV-SOC 曲線的預測精度，從而提升 SOC 估計的準確性？

可以結合機器學習方法進一步提高 OCV-SOC 曲線的預測精度，從而提升 SOC 估計的準確性。以下是一些可行的思路：

基於數據驅動的 OCV-SOC 曲線建模:

收集大量的電池數據，包括不同溫度、老化程度和充放電倍率下的電壓、電流和 SOC 數據。
利用機器學習算法，例如支持向量機 (SVM)、人工神經網絡 (ANN) 或深度學習模型 (例如循環神經網絡 RNN)，建立 OCV-SOC 曲線的數據驅動模型。
該模型可以學習電池 OCV-SOC 曲線的複雜非線性關係，並對溫度和老化效應進行建模，從而提高預測精度。

結合物理模型和機器學習的混合建模:

結合電池的物理模型 (例如 Thevenin 模型) 和機器學習模型的優勢，建立混合模型。
物理模型可以提供電池內部機理的先驗知識，而機器學習模型可以學習數據中的複雜模式。
例如，可以使用物理模型預測 OCV-SOC 曲線的整體趨勢，然後使用機器學習模型修正模型誤差，提高預測精度。

基於遷移學習的 OCV-SOC 曲線預測:

利用遷移學習方法，將從其他電池或類似應用場景中學習到的知識遷移到目標電池的 OCV-SOC 曲線預測中。
這種方法可以減少對目標電池數據量的需求，並提高模型的泛化能力。

通過結合機器學習方法，可以更準確地預測 OCV-SOC 曲線，進而提高 AMMKF 方法的 SOC 估計精度。然而，需要注意的是，機器學習模型的性能依賴於訓練數據的質量和數量。因此，在實際應用中，需要收集足夠的電池數據，並對模型進行充分的訓練和驗證，以確保其準確性和可靠性。