基于SUKF-EKF融合的锂电池状态估计方法

王期文; 盛强; 何玉财

doi:doi:10.19912/j.0254-0096.tynxb.2025-0830

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于SUKF-EKF融合的锂电池状态估计方法

更新时间：2026-01-08

- 基于SUKF-EKF融合的锂电池状态估计方法
- 基于SUKF-EKF融合的锂电池状态估计方法
- 太阳能学报 2025年46卷第12期页码：11-21
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2025-0830
  中图分类号： TM912
- 网络出版：2026-01-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
王期文, 盛强, 何玉财. 基于SUKF-EKF融合的锂电池状态估计方法[J]. 太阳能学报, 2025,46(12):11-21.

王期文, 盛强, 何玉财. 基于SUKF-EKF融合的锂电池状态估计方法[J]. 2025, 46(12): 11-21.
王期文, 盛强, 何玉财. 基于SUKF-EKF融合的锂电池状态估计方法[J]. 太阳能学报, 2025,46(12):11-21. DOI： doi:10.19912/j.0254-0096.tynxb.2025-0830.

王期文, 盛强, 何玉财. 基于SUKF-EKF融合的锂电池状态估计方法[J]. 2025, 46(12): 11-21. DOI： doi:10.19912/j.0254-0096.tynxb.2025-0830.

摘要

针对锂离子电池状态估计中扩展卡尔曼滤波（EKF）精度不足及参数变化适应性差的问题

提出一种通过EKF实现电池参数的在线辨识与更新

同时融合滑模观测器（SMO）与无迹卡尔曼滤波（UKF）的锂电池状态估计方法（SUKF）。该方法构建双层时间尺度协同估计架构

利用EKF进行电池参数在线识别并估计SOH

同时结合SMO的鲁棒特性与UKF的非线性处理能力实现SOC高精度估计。通过高速公路燃效测试工况、新型欧洲行驶周期与城区动态驾驶循环3种代表性环境进行验证

结果表明

融合算法SOC估计平均误差分别为0.13%、0.25%和0.14%

最大误差控制在0.46%以内

相比传统EKF算法精度提升超过85%;SOH估计在不同复杂度工况下平均误差为0.02%~0.16%

最大误差不超过0.53%;在5%噪声强干扰环境下

算法仍保持良好的估计精度和收敛性能。随着工况复杂度增加

融合算法性能优势更为明显

显著提高了电池状态估计的准确性和鲁棒性

为动力电池管理系统提供了有效解决方案。

Abstract

To address the insufficient accuracy and poor adaptability to parameter variations of Extended Kalman Filter （EKF） in lithium-ion battery state estimation

this paper proposes a method utilizing EKF for online battery parameter identification and updating

while integrating Sliding Mode Observer （SMO） and Unscented Kalman Filter （UKF） for lithium battery state estimation （SUKF）. The method establishes a dual-layer temporal scale collaborative estimation architecture

employing EKF for online battery parameter identification and State of Health （SOH） estimation

while combining SMO’s robustness with UKF’s nonlinear processing capabilities to achieve high-precision State of Charge （SOC） estimation. Verification through three representative testing environments—highway fuel economy test conditions

New European driving cycle

and urban dynamometer driving schedule—demonstrates that the fusion algorithm achieves average SOC estimation errors of 0.13%

0.25%

and 0.14% respectively

with maximum errors constrained within 0.46%

representing over 85% improvement in accuracy compared to traditional EKF algorithms. SOH estimation under varying complexity conditions exhibits average errors ranging from 0.022% to 0.16%

with maximum errors not exceeding 0.53%. Under 5% noise disturbance conditions

the algorithm demonstrates robust estimation accuracy and convergence performance. As operational complexity increases

the performance advantages of the fusion algorithm become more pronounced

significantly enhancing the accuracy and robustness of battery state estimation

thus providing an effective solution for power battery management systems.

关键词

Keywords

references

谭泽富, 彭涛, 代妮娜, 等. 电动汽车BMS关键技术研究进展[J]. 电源技术, 2022, 46(9): 954-957.

XIONG R, CAO J Y, YU Q Q, et al.Critical review on the battery state of charge estimation methods for electric vehicles[J]. IEEE access, 2017, 6: 1832-1843.

张宇, 李维嘉, 吴铁洲. 基于BP-DCKF-LSTM的锂离子电池SOC估计[J]. 电源技术, 2025, 49(1): 155-166.

黄佳茵, 白俊琦, 贤燕华. 基于DOD-LN-GPR模型的锂离子电池SOH估计方法[J]. 太阳能学报, 2025, 46(2): 60-69.

KIM E, KIM M, KIM J, et al.Data-driven methods for predicting the state of health, state of charge, and remaining useful life of Li-ion batteries: a comprehensive review[J]. International journal of precision engineering and manufacturing, 2023, 24(7): 1281-1304.

付诗意, 吕桃林, 闵凡奇, 等. 电动汽车用锂离子电池SOC估算方法综述[J]. 储能科学与技术, 2021, 10(3): 1127-1136.

王越, 李立伟. 基于扩展卡尔曼滤波器的锂电池SOC估算仿真研究[J]. 计算机与数字工程, 2020, 48(1): 206-211.

李锦满, 李儒欢, 李浩南, 等. 基于无迹卡尔曼滤波的动力电池状态估计[J]. 电池, 2024, 54(3): 340-343.

HUANGFU Y G, XU J N, ZHAO D D, et al.A novel battery state of charge estimation method based on a super-twisting sliding mode observer[J]. Energies, 2018, 11(5): 1211.

钱伟, 王浩宇, 郭向伟, 等. 联合改进滑模观测器的自适应卡尔曼滤波荷电状态估计[J]. 电工技术学报, 2025, 40(6): 1984-1994.

赵轩, 李美莹, 余强, 等. 电动汽车动力锂电池状态估计综述[J]. 中国公路学报, 2023, 36(6): 254-283.

ZHANG Y Z, XIONG R, HE H W, et al.A LSTM-RNN method for the lithuim-ion battery remaining useful life prediction[C]//2017 Prognostics and System Health Management Conference (PHM-Harbin). Harbin, China, 2017: 1-4.

PENG N, ZHANG S Z, GUO X, et al.Online parameters identification and state of charge estimation for lithium-ion batteries using improved adaptive dual unscented Kalman filter[J]. International journal of energy research, 2021, 45(1): 975-990.

吕高, 樊郭宇, 张嘉蕾, 等. 温度自适应SMO算法估计锂离子电池的SOC[J]. 电池, 2024, 54(3): 334-339.

王志福, 罗崴, 闫愿, 等. 基于多方法融合的锂离子电池SOC-SOH联合估计[J]. 北京理工大学学报, 2023, 43(6): 575-584.

李心月, 储江伟. 混合电动汽车锂离子电池状态融合估计策略[J]. 电源技术, 2023, 47(2): 204-209.

孙玉树, 李宏川, 王波, 等. 电池储能系统SOC神经网络融合估计方法[J]. 湖南大学学报(自然科学版), 2023, 50(10): 31-40.

董磊, 赖纪东, 苏建徽, 等. 基于IMAFFRLS-EKF的锂电池在线参数辨识和SOC估计方法[J]. 太阳能学报, 2024, 45(6): 66-74.

李谦, 姜帆, 韩乔妮, 等. 基于一阶ECM-IGPR的锂离子电池SOC及SOH联合估计框架[J]. 太阳能学报, 2024, 45(5): 240-250.

LIU Y Y, CAI T T, LIU J B, et al.State of charge estimation for Li-ion batteries based on an unscented H-infinity filter[J]. Journal of electrical engineering & technology, 2020, 15(6): 2529-2538.

BEHNAMGOL V, ASADI M, MOHAMED M A A, et al. Comprehensive review of lithium-ion battery state of charge estimation by sliding mode observers[J]. Energies, 2024, 17(22): 5754.

LIU W Z, HUO Z Y, LUO X W.Lithium-ion batteries SOC estimation using an ANFIS-based adaptive sliding mode observer for electric vehicle applications infrastructures[J]. International journal of critical infrastructures, 2024, 20(6): 538-556.

邓涛, 罗卫兴. 电动汽车动力电池SOH估计方法探讨[J]. 现代制造工程, 2018(5): 43-49.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进HHO-SVR算法的锂电池健康状态评估

面向光伏平抑考虑SOH与SOC的电池储能系统功率分配方法

计及健康状态差异的集中式共享储能分级调控策略

基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法

基于可解释Shapelets的锂离子电池健康状态估计