《JOURNAL OF POWER SOURCES》:Fractional-order-model-based state-of-charge fusion estimation for multi-chemistry lithium-ion batteries
编辑推荐:
本刊推荐:本文针对多化学体系锂离子电池提出一种融合分数阶模型(FOM)与增强型XGBoost的SOC协同估计框架。创新性引入稳定性增强滑动窗递归粒子群优化(SA-SWR-PSO)算法实现FOM参数准在线辨识,通过自适应阈值最优融合(AOF)机制动态调整模型驱动与数据驱动估计权重。实验表明该方法在NCM电池WLTC/NEDC循环和LFP电池UDDS/US06循环中分别实现0.043%和0.172%的RMSE,显著提升跨化学体系适应性。
Highlight
本研究亮点在于提出自适应阈值最优融合(AOF)机制,通过滑动窗口内峰值端电压创新量触发融合,并基于近期估计误差方差动态分配融合权重。该机制选择性融合基于模型的AFOEKF估计与数据驱动的XGBoost估计,显著提升NCM电池动态工况精度,有效解决LFP电池电压平台区估计难题。
AFOEKF-based SOC estimation
在融合架构中,自适应分数阶扩展卡尔曼滤波(AFOEKF)作为SOC基准估计器。在时间点k,开路电压(OCV)相对于先验状态估计值进行局部线性化,采用八阶多项式拟合实验测得的OCV-SOC关系。该拟合函数用于计算局部导数,支持下述线性化过程:
OCV(SOC(k)) ≈ OCV(SOC?(k)) + ?OCV/?SOC|_(SOC=SOC?(k)) · (SOC(k)-SOC?(k))
Results and discussion
为保障对比评估一致性,所有AFOEKF算法均采用相同初始参数:初始协方差矩阵设为W(0)=diag(1×10-10),R(0)=10-5,滑动窗口长度J=50。参数Ns在AFOEXVF和AFOEXVA中均设为131。算法特定参数为AFOEXVF的Lf=0.0187和AFOEXVA的?=96%。不同方法在多种动态驱动循环下的SOC估计性能如图所示(图表略)。
Conclusion
本文提出一种多化学体系SOC估计方法,整合模型驱动与数据驱动优势,实现NCM和LFP锂离子电池在多变动态工况下的高精度SOC估计。具体通过双R-CPE分支分数阶模型(FOM)结合稳定性增强滑动窗递归粒子群优化(SA-SWR-PSO)进行准在线参数辨识,提升适应性鲁棒性;同时采用变分模态分解(VMD)增强的XGBoost模型提升数据驱动估计稳定性。自适应融合机制通过端电压创新量触发融合,依据误差方差动态分配权重,形成闭环优化框架。实验验证该方法在NCM和LFP电池各类工况下均实现低于0.208%的RMSE,尤其在LFP电压平台区表现突出,展现强泛化性与工程适用性。