基于物理原理的残差卡尔曼学习方法，用于磷酸铁锂电池的电量状态估计

《Journal of Energy Chemistry》：Physics-guided residual Kalman learning for state-of-charge estimation of lithium iron phosphate batteries

　　

Feng Guo|Luis D. Couto|Khiem Trad|Ru Hong|Guangdi Hu|Mohammadhosein Safari

摘要

由于锂铁磷酸盐（LFP）电池的开路电压（OCV）与电池剩余电量（SOC）之间的关系较为平缓、其性能受温度影响较大，且对初始化误差敏感，因此准确估计LFP电池的SOC仍然具有挑战性。本文提出了一种基于物理原理的残差卡尔曼学习（PRKL）框架，用于通过电化学模型进行SOC估计。该框架结合了以控制为导向的基于单粒子模型的扩展卡尔曼滤波器（EKF），该滤波器能够实现递归的物理状态更新；同时引入了门控循环单元（GRU）作为残差学习器，利用电化学状态和测量数据来修正EKF计算中的误差。该框架在公开发布的石墨/LFP电池数据集上进行了验证，该数据集涵盖了三个动态驾驶循环、-10至50°C的八种温度范围以及高达20%的初始化偏差。通过使用动态应力测试（DST）和联邦城市驾驶场景（FUDS）循环进行训练，并利用补充的联邦测试程序（US06）循环在同一电池数据集内进行交叉验证，PRKL方法的全球平均均方根误差（RMSE）仅为1.19%，相比仅使用物理模型的EKF方法降低了77%。这些结果表明，电化学状态信息可以有效指导残差学习过程，从而提高LFP电池的SOC估计精度。当前的验证结果证明了该方法在所研究数据集内的鲁棒性，并为未来的跨电池、考虑电池老化因素以及嵌入式平台的验证工作奠定了基础。