基于自适应扩展卡尔曼滤波（AEKF）的二阶RC模型电池SOC估计

1. 问题背景与挑战

SOC反映了电池剩余电量，但其直接测量不可行，需通过端电压、电流等参数间接估计。传统方法（如安时积分法）易受噪声和初始误差影响，而卡尔曼滤波类算法通过状态空间建模显著提升了精度。然而，二阶RC模型的参数随温度、老化等因素变化，且传统EKF需手动调整噪声协方差矩阵（Q和R），限制了其适用性

2. 方法原理

2.1 二阶RC等效电路模型

模型由开路电压（OCV）、欧姆内阻（R₀）及两个RC网络（R₁C₁、R₂C₂）组成，动态方程如下：

 

其中，V1​,V2​为极化电压，R1,R2,C1,C2需通过HPPC实验或优化算法（如粒子群算法）辨识

 

2.2 AEKF算法框架

AEKF在EKF基础上引入噪声协方差自适应修正，步骤如下：

1. 预测阶段：
   
2. 更新阶段：
   
3. 噪声自适应：
4. 动态调整Q和R矩阵，抑制模型误差累积

 

3. 实现步骤与关键代码

3.1 参数初始化

3.2 参数插值与动态更新

通过插值函数实时获取不同温度下的模型参数：

3.3 AEKF核心循环

4. 实验结果与优化建议

4.1 精度对比

• 初始误差鲁棒性：即使初始SOC误差达30%，AEKF可在200秒内收敛至真实值 

4.2 关键优化点

1. SOC-OCV曲线精度：使用高分辨率充放电实验标定OCV，避免插值误差 
    
2. 参数在线辨识：结合带遗忘因子的递推最小二乘法（FFRLS），实时更新R0、R1等参数 
    
3. 温度补偿：通过多温度参数表或热模型补偿温度漂移 

5. 总结与展望

AEKF结合二阶RC模型在SOC估计中展现了高精度与强适应性，尤其适用于电动汽车和储能系统。未来研究方向包括：

1. 多状态联合估计：SOC与SOH（健康状态）、SOP（功率状态）协同优化 
2. 深度学习融合：利用RBF神经网络等非线性模型增强对复杂工况的适应性 
3. 边缘计算部署：基于低功耗SoC芯片实现实时嵌入式BMS