在新能源汽车蓬勃发展的背景下，锂离子电池作为储能系统的关键组成部分，将日益促进行业的战略发展，本文探讨锂离子电池充电状态（SOC）和功率状态（SOP）估计中的三个关键问题。首先，提出了一种在线修改的修正平方根-未追踪卡尔曼滤波（SR-UKF）算法，用于分析温度引起的容量波动的影响，实现高度准确且自适应的SOC跟踪。其次，一种在线多极限因子融合分析SOP估计方法旨在通过解决离线识别过程中的参数拟合问题，降低计算复杂性并提升算法可行性。第三，开发了一种基于实时数据的跟踪全参数在线识别方法，以提高参数识别的准确性，并有效描述内部和外部因素。实验结果显示该算法具有很高的精度，电压仿真误差低于0.04伏。与传统方法相比，SR-UKF算法的SOC模拟误差低于2.36%，为环境温度影响下的SOC估计提供了一种新颖的方法。此外，所提算法有效估计了 SOP，峰值功率估计误差低至 66 瓦。总结：本文提出了一种新的SOC和SOP评估策略，在不同操作条件下实现更可靠和准确的估计。

简介

汽车工业的发展改变了人们的出行方式，推动了物流和运输行业的快速发展。近年来，随着法律的支持和锂离子电池技术的快速发展，由锂离子电池组驱动的电动汽车不断改变人们的出行观念，并成为一种流行的交通方式[1]。车辆锂离子电池组是车辆能源供应和储能的主要组成部分，是新能源车的核心[2]，同时也是整个车辆能源供应系统的核心。然而，由于车辆续航和充电优势的影响，在复杂环境中满足车辆续航需求，始终需要较大的电池组[3]。然而，面对一个既集成良好又具备高能量密度的电池组系统，其能否确保电力输出和储能过程的安全至关重要[4]。因此，锂离子电池管理系统（BMS）作为新能源车辆能源管理和安全监测的主要焦点，已成为这些车辆的重要组成部分[5]。高质量的BMS能够精确监测电池电压、电流和温度等关键参数。此外，它还能执行系统安全诊断并发布危险警报[6]。此外，还应能够预测锂离子电池的充电状态（SOC）和功率状态（SOP），结合实际情况管理电池的能耗，提高电池的能耗利用效率，延长电池的使用寿命。然而，在实际应用中，由于路况、老化等因素，SOC和SOP的准确估算已成为亟需解决的问题[8]。

作为影响电池管理和控制的重要因素，SOC是防止电池过充和控制平衡的关键。整个系统准确估计SOC非常重要[9]。然而，由于电池自身特性的影响以及外部环境的干扰，SOC的准确预测非常困难[10]。估算SOC的方法有四种：传统方法、基于参数模型的方法、自适应过滤方法和数据驱动方法。
安培小时积分法是一种传统的SOC估计方法，通过积分充电或放电电流来确定电池的当前SOC转换量[11]。然而，其本质是一个开环算法，容易产生累积误差，且极大受初始SOC误差影响，且对内外环境变化的影响不敏感，因此在SOC估计能力上较弱[12]。
开路电压法是一种基于电池开路电压（OCV）进行SOC反向拟合的方法[13]。该方法可通过控制单变量方法分析不同环境下的大量实验数据，并可在多因素影响下构建开路电压法，以提升算法的适应性。然而，这种方法需要电池完全搁置后才能获得，且SOC无法实时在线计算[14]。
数据驱动方法是一种用于先前数据仿真的SOC估计方法。这种算法主要将电池视为黑箱模型，不考虑电池内部化学状态的分析，仅分析大量可测量和可观测的输入（包括电压、电流、温度等）以理解其内部状态[15]。然而，庞大的数据训练不利于BMS嵌入式芯片的高速分析和稳定输出，且难以在实际环境中分析电池内部状态，且在工程应用中难以实现SOC的可靠分析[16]。
基于模型和自适应滤波算法，复杂的化学转化过程可以通过表征电池内部状态转化为物理量进行分析，并基于时域建立状态-空间方程以描述SOC[17]。近年来，提出了一些改进的算法。例如改进的自适应Kalman和Sage-Husa自适应无香卡尔曼，通过进一步调整系统的影响因子，算法的适应性和鲁棒性得以提升[18,19]。此外，还使用了带有模拟非线性系统的粒子滤波器来估计电池系统的状态，但算法复杂度高于上述方法[20]。
锂离子电池SOC的估计通常受电池老化和外部温度等因素影响[21]。在提高锂离子电池SOC估计精度的方法中，温度的影响通常通过对相应补偿因子的实验校准[22]。然而，锂离子电池在不同放电阶段和时间的内部状态存在差异。温度变化的影响下，锂离子电池的物理性质参数和容量参数将发生不同变化，因此锂离子电池的SOC估计仍是一大挑战。总之，锂离子电池的状态分析基于模型分析，必须充分考虑电池参数对温度变化的影响，以实现整个生命周期的有效SOC预测[23]。

作为为电力管理系统提供参数参考的重要指标之一，SOP是确保电池能量输出和能耗管理的关键，可靠的SOP估计对整个系统性能评估极为重要[24]。目前，锂离子电池的SOP估计方法主要可分为三类：非线性插值法、基于参数模型的方法和数据驱动方法。
非线性插值法是一种离线SOP估计方法，通过测量电池电压在不同SOC下达到极限电压时电池的内阻，分析当前SOC的功率输出能力[25]。通过添加极限，可以适配多个参数（温度或老化等），以实现电池SOP的全因子估计。该方法便于分析测量数据，适用于各种电池的功率预测[26]。然而，该方法的采样时间较长，误差累积较大。
数据驱动方法是一种基于先前数据分析的SOP估计方法，主要包括BP神经网络、支持向量机和自适应神经模糊推断系统模型。基于数据驱动的非参数模型估计方法，不考虑电池内部反应，能够在任何环境下进行电池的SOP估计，且估算准确率很高。然而，在相关实验场景中需要大量数据输入，训练样本对结果有着巨大影响。此外，数据驱动方法硬件需求较高，早期训练时间较长[27]。
基于模型的SOP方法主要包括等效电路模型[28]和基于复合模型[29]。基于模型的SOP方法的关键在于是否能够准确表征电池的内部特性，即对电池电压和电阻等内部关系进行耦合分析，分析影响过程、温度定律及其他因素，从而建立可靠的分析模型，并具体量化观察因素的影响[30]。基于等效电路模型，基于非线性插值，通过对系统整体内部影响参数的全局分析，有效分析电池的SOP状态[31]。该方法能够实现在线实现估计，且模型准确率很高[32]。基于此，基于复合模型的方法考虑电池其他因素（SOC或温度等）的影响，并基于参数变换方程构建全寿命所有因素影响的定量方程，以有效分析电池的SOP。该方法不仅能提供实时可靠的参数分析，还能满足实际工作需求，并为系统提供安全可靠的参数索引。
考虑到锂离子电池在复杂工作条件下的实际使用，SOP估计极为复杂[33]。目前，SOP的分析有不同的定量标准，实验条件下的模拟分析远未描述所有用户的行为。即使以数据驱动方法为核心，大数据分析也存在数据匹配不足和数据源过少等问题，导致SOP的估计误差[34]。因此，锂离子电池的实时估算和精确跟踪SOP仍是一个难题。

锂离子电池状态参数是电池工作特性的具体性能，尽管不同状态参数有不同的指标，但存在内部收敛关系。对锂离子电池SOC和SOP的准确联合估算可以从不同方向评估电池，极大提升锂离子电池的能量管理效益并提升其安全性能[35,36]。此外，准确的SOC估计还能为电池高功率放电提供参考，减少单一限制造成的估计误差。因此，锂离子电池SOC与SOP的联合状态评估已成为新的研究方向[37,38]。锂离子电池状态的估计通常依赖其他电池参数来判断限制和反馈。一般而言，锂离子电池SOC和SOP的联合分析方法主要分为基于模型的方法和数据驱动的方法[39,40]。
基于模型的分析方法是指重建锂离子电池模型以表征电池内部状态，基于此，进行多因素分析以实现可靠的电池状态预测和估计[41]。
数据驱动方法指的是一种策略，通过以大类数据分析和内向因子分析为核心来刻画电池状态[42,43]。该方法通常依赖大量研究，需要分析和训练批量电池的电压、电流、温度、SOC和SOP等数据，以获得收敛关系的表示，从而实现SOC和SOP的联合估计[44]。
与基于模型的方法相比，数据驱动方法理论上可以实现更好的估计和输出。然而，在这一阶段，不同电池的收敛关系差异很大，这需要大量时间投入数据采集和训练，且工程应用成本相对较高[45]。基于模型分析的方法主要依赖等效电路模型，可以根据各种修正算法和观察者实时修改联合估计结果[46]。此外，该方法还可以考虑温度等参考因素的影响[47]，使其高度可扩展且适用性强[48]。然而，模型参数的误差以及不同阶段和过程中模型参数的获取也会消耗大量能量。因此，优化不同阶段电池参数变化的表征，有助于基于模型的分析方法的发展。

尽管基于该模型的分析方法已被广泛应用于锂离子电池状态估计，并被先驱者广泛开发和扩展，但仍存在一些不可忽视的问题，主要体现在模型参数识别、SOC估计精度和SOP估计精度等问题上。基于最小二乘法，本文通过纠正复杂环境中输入的误差，提升了参数识别的精度和稳健性。此外，基于此，未跟踪卡尔曼算法得到了改进，以提高算法误差影响下的状态参数准确性，并实现SOC和SOP的可靠估计。通过分析锂离子电池在不同温度影响下的特性，开展了锂离子电池在温度影响下的建模，建立了可靠锂离子电池的等效电路模型，并通过结合温度特性影响下的参数变化特性实现了SOC自适应在线估计。鉴于单因素限制下SOP估计精度不足，分析了SOC影响下电池状态特性的变化，建立了多因素有限SOP估计模型，以实现锂离子电池的SOP准确评估。