改进粒子群——无追踪粒子滤波，利用多参数变温约束的准确CAT蓄电池能量状态估计，内蒙古电站

随着2060年实现“碳中和”新目标的确立，以及锂电池应用范围的逐步扩大，准确有效估算电池能态（SOE）至关重要，SOE是锂电池管理系统的关键指标之一。本研究构建了一个温度影响的2RC等效模型。最小二乘支持向量机模型（LSSVM）和PSO-UPF被积分，介绍粒子群优化，并使用无香卡尔曼滤波器作为粒子滤波器的建议密度函数。这种方法被称为粒子群——无香颗粒滤波器（PS-UPF），用于实现精确的SOE估计。本研究在三种不同工作环境和不同温度下验证了该方法，并将其结果与标准方法进行比较，以证明其有效性和优越性。实验装置以70Ah锂储能电池作为测试对象，涵盖三种不同的工作条件。根据实验数据，在5°C条件下，PSO-UPF算法在HPPC、BBDST和DST条件下的MaxE值分别为2.96%、2.79%和3.15%，而MAE值分别为0.39%、0.69%和0.51%。RMSE值分别为0.69%、0.86%和0.66%。与UPF相比，PS-UPF的MAE和RMSE分别下降了85.8%和73.1%;与传统颗粒过滤器（PF）相比，分别下降了90.3%和80.5%。因此，PF算法中粒子劣化和粒子多样性缺乏的问题可以通过PS-UPF方法得到解决。

图形摘要

锂电池因其卓越的综合性能、高储能密度、高充放电效率以及快速响应速度，被广泛用作储能、航空航天等领域的电源[1]。由于碳中和概念的提出以及新能源产业的快速发展，这一需求在多个行业中不断增长[2]。锂离子电池储能作为新兴储能技术之一，展现出巨大潜力，有助于可再生能源的整合和系统运行灵活性的提升[3]。政府已实施多项政策举措，进一步推广清洁能源的益处，以实现2060年实现“碳中和”目标[4]。开发新能源可以满足当前资源保护和生态环境保护的需求[5]。作为电动汽车和储能系统的主要储能组件，电池代表了实现碳中和的重要一步[6]。因此，锂电池因其高能量密度、高功率密度和安全性，被认为是下一代储能设备的理想选择[7]。高品质锂电池的生产过程极其复杂且充满挑战，因为从原材料到最终产品，整个锂离子电池产业链都必须经过严格的控制和多项工艺的质量检测[8]。由于可再生能源发电的间歇性，电网面临一系列严重问题，包括电压波动、频率变化、可靠性下降以及电力质量下降[9]。在这种情况下，锂离子电池储能站被认为是非常好的解决方案，因为它们具有快速响应、高功率密度、低自放电率和相对较长的循环寿命[10]。
在电池管理系统中，SOE是评估电池运行状态的重要指标[11]。计算方式为电池在特定工作状态下剩余能量与其总可用能量的比值[12]。然而，其非线性特性对获得精确的SOE构成了重大挑战[13]。与SOC相比，SOE能更全面、更准确地反映电池的实时能量状态[14]。来自多个国家的研究人员对电池性能提升、电池充放电策略以及电池状况估计进行了广泛研究，旨在降低成本并保障电池安全[15]。常见的SOE估计方法，包括直流电压法和开路电压法，不适合在线估计[16]。因此，建立等效电路模型对于准确表征锂离子电池的电化学系统至关重要，从而实现SOE的估算[17]。由于锂离子电池构成复杂的电化学系统，其建模需要考虑复杂的电化学过程，且各种状态参数无法直接获得[18]。因此，建立一个能够描述每个化学过程与相应物理变量关系的电池模型至关重要[19]。迄今为止，锂离子电池模型可分为电化学模型、等效电路模型、利用数据的人工智能模型和混合模型[20]。为了创建电池等效模型，电化学模型的主要研究材料集中在分析电池内部发生的电化学反应，并对一系列过程进行数值描述[21]。在多种影响因素中，锂离子电池内的电化学反应最受温度影响[22]。因此，在锂离子电池的等效建模中，必须考虑温度对其性能的影响[23]。研究人员使用大型实验数据集训练数据驱动模型，构建电池可观测特性与预测状态之间的功能映射链接[24]。Jin等人研究了非线性自回归神经网络作为预测模型。该建模技术能够结合多种基本非线性函数，以近似更复杂的非线性特征[25]。此外，根据数据的来源和性质，专家在选择特征工程和模型设计方面的重点也会有所不同[26]。它们的差异源于数据中固有的物理和经济逻辑完全不同，包括碳价、大豆价格和期货交易量[27]。因此，对数据源的要求更加严格。Lin等人使用了一个13小时的锂钛酸盐电池模型，更准确地预测了电池和电压性能[28]。基于此，王等人开发了一个可比的拼接电路模型。然而，当充电阶段低于20%时，汽车锂离子电池组变得不稳定[29]。因此，Takiya-Aninakwaa等人建立了锂离子电池的电热模型，以提升电池稳定性[30]。为测试电池性能并评估上述模型的作用，Jia 等人提出了基于改进等效电路模型的锂离子电池组健康诊断方法[31]。
时间累积会导致SOE估计的不准确性持续加大。多年来，功率集成方法很少被用于评估锂电池SOE的研究成果[32]。大多数研究仍倾向于依赖更传统的方法，如安培小时计数法或基于模型的估计方法[33]。在状态空间模型方法中，电池的等效模型通过等价建模建立，然后使用滤波算法或滤波器来预测电池状态[34]。基于传统滤波算法，谢等人将遗忘因子递归最小二乘法与非跟踪卡尔曼滤波算法结合[35]。随后，Pang等人选择PF算法估算SOE，并使用EKF算法在线更新总可用能量[36]。Jin等人创新地运用高斯过程回归进行价格指数预测[37]。基于此，他们进一步利用贝叶斯优化和交叉验证实现了不同核和基函数的高斯过程回归，以实现更准确的预测，为电池健康状态的研究提供了有针对性的技术路径[38]。该方法的最终目标是提升与电池性能指标相关的预测精度。通过这样做，他们不仅提高了这些估计的准确性，还为未来评估和监测锂离子电池健康状况的研究提供了有针对性的技术路径[39]。与其他人不同，Wang等人直接从确定的开路电压（OCV）推导出SOE，估算最大可用能量，并将预测的最大可用能量传输到自适应扩展卡尔曼滤波器[40]。与传统方法不同，林等人提出了一种估计方法，考虑电池内阻并有效积分等效电路模型[41]。
上述文献中的不同机器学习模型更为实用，并为本研究中的算法提供了新思路。综上所述，我们发现使用数据驱动和模型建立的混合估计SOE的案例更多，但误差相对较大[42]。实际应用中的估计误差常很大，这使得满足电网储能系统等领域的高精度要求变得困难[43]。本研究改进了传统的2RC等效模型，提供了考虑温度因子的新等效模型。学习因素和动态惯性权重被添加到粒子群优化方法中，创建了DWPSO算法[44]。学习因子增强粒子从个体经验和集体信息中学习的能力，而动态惯性权重则动态平衡算法在迭代中的全局探索与局部利用能力，显著提升收敛速度和优化精度[45]。开发了一种非跟踪粒子过滤算法，以高精度估算锂电池的SOE[46]。它能够在复杂运行条件下高精度估算关键SOE参数，为电池管理系统的高效运行提供可靠的技术支持[47]。通过调整粒子群优化的UPF算法，最终形成了PS-UPF算法，实现了SOE估计的误差补偿，同时兼顾了计算复杂度与计算准确性之间的平衡。因此，SOE的准确估算得以实现。