基于可观测性与新息可靠性调节扩展卡尔曼滤波结合可靠性缩放残差学习的磷酸铁锂电池混合荷电状态估计
《Batteries》:Hybrid SOC Estimation for LiFePO4 Batteries Using Observability- and Innovation–Reliability-Regulated EKF with Reliability-Scaled Residual Learning
【字体:
大
中
小
】
时间:2026年08月28日
来源:Batteries 4.8
摘要
磷酸铁锂(LiFePO4)电池荷电状态(SOC)的精确估计极具挑战性,因为用于校正的电压反馈在不同工作条件下无法提供恒定的SOC相关信息。传统的扩展卡尔曼滤波器(EKF)通常基于预定义的统计假设进行测量校正,而忽视了电压域可观性和新息可靠性的变化。本文提出了一种混合估计框架,称为可观性与新息可靠性调节EKF结合可靠性缩放残差学习(OIR-EKF-RSRL)。该方法保留一阶RC模型和EKF作为物理估计骨架,同时根据局部OCV-SOC灵敏度和归一化新息可靠性来调节电压校正。在物理滤波之后,进一步引入可靠性缩放残差学习模块,以补偿剩余的SOC偏差,而非直接预测SOC。学习到的残差校正经可靠性依赖的缩放系数调节后,与OIR-EKF估计值进行融合,随后将最终SOC估计值约束在物理区间[0,1]内。该框架采用CALCE A123磷酸铁锂数据集,在冻结的温度不相关训练-验证-留出协议下进行评测。在独立的留出集上,OIR-EKF-RSRL将均方根误差从传统EKF的3.331个百分点降低至2.942个百分点。结果表明,可靠性感知的测量利用与可靠性缩放残差补偿为不同电压信息质量下的磷酸铁锂SOC估计提供了一种可解释的解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号