1.6阅读电池论文：Taesic Kim等人的Model-based condition monitoring for lithium-ion batteries

Model-based condition monitoring for lithium-ion batteries
Taesic Kim a, Yebin Wang b, *, Huazhen Fang c, Zafer Sahinoglu b, Toshihiro Wada d,
Satoshi Hara d, Wei Qiao e

在考虑迟滞效应的电路模型的基础上，提出了一种基于模型的锂离子电池状态监测策略。它系统地集成了
1)电池模型参数辨识的快速上三角和对角递推最小二乘算法
2)用于SOC估计的平滑变结构滤波器
3)估计最大容量的递归总最小二乘算法
反映了健康状况(SOH)。该解决方案具有精度高、计算成本低、实现简单等优点，适合于实时嵌入式电池管理系统(bms)的部署和使用。仿真和实验验证了该策略的有效性。

1. Introduction
电池管理系统的一个关键任务是监测电池的荷电状态(SOC) 、健康状态(SOH)以及包括阻抗和容量在内的电池参数。
基于卡尔曼滤波(KF)和基于回归的在线电池参数估计方法已经形成了两大类。各种KF，包括线性KF、扩展KF (EKF)和sigma point KF (SPKF)，已被用于同时估计电池参数和状态。与基于kf的解决方案相比，最小二乘方法及其变体在不影响精度的情况下具有更强的计算竞争力，因此在电池模型识别方面具有很大的潜力。最近，为了解决recursive least squares（RLS）的数字计算机实现问题，提出了一种基于上三角对角分解(UD)的指数遗忘因子(EF)[12]的RLS估计方法。除了速度快外，该方法在保持正协方差的情况下提高了数值稳定性。
SOC的估计有各种各样的算法：最容易实现的包括电压平移和库仑计数，然而其不可靠；基于计算智能(CI)的方法，如人工神经网络(ANN)[14]、模糊逻辑[15]，通过数据驱动学习 ，对SOC与电池电压、电流、温度等实测量之间的非线性关系进行SOC估计。然而，其高计算负担，学习过程不利于实时执行；基于模型的方法将状态滤波器和观测器应用于电化学或电路模型中，作为一种提高SOC估计精度的有效手段，受到了广泛的关注。EKF已被广泛用于SOC估计，其升级版本IEKF、双EKF和SPKF以更高的计算量为代价提高了精度。因此，一个主要的替代方案是计算效率更高的基于观测器的方法，例如线性观测器[10]、滑模观测器[9,11]、非线性几何自适应观测