突破电压平台限制：基于温度感知迟滞模型的LFP电池斜率自适应荷电状态估计

《eTransportation》：Breaking the voltage plateau barrier: Slope-adaptive state-of-charge estimation for LFP batteries with temperature-aware hysteresis modeling

“本文提出一种结合数据驱动OCV循环效应模型和二阶等效电路模型的自适应SOC估算方法，用于解决LFP电池电压平台上的循环效应问题。通过LSTM网络建模历史SOC和温度对OCV的影响，并动态调整卡尔曼滤波器的协方差矩阵以匹配OCV斜率变化，实验表明该方法在95%以上的样本中RMSE低于0.56%，优于现有方法46.2%-45.7%。”

　　在当今的能源存储市场中，锂离子电池扮演着越来越重要的角色，特别是在实现碳中和和电动交通方面。其中，磷酸铁锂（LFP）电池因其成本效益高、安全性强和耐用性好，受到了广泛的关注和应用。然而，LFP电池的一个显著特性是其电压平台较为平坦，这使得电池状态估计变得复杂。尤其是在电池的充电和放电过程中，由于电极材料的热力学熵效应、机械应力以及微结构畸变，电池的开路电压（OCV）会出现滞回效应，这种效应对电池的SOC（状态为电荷）估计提出了更高的要求。

为了克服这些挑战，本文提出了一种基于数据驱动的滞回模型和自适应SOC估计器。该模型结合了历史SOC数据和温度数据，利用深度长短期记忆网络（LSTM）进行训练，从而能够准确捕捉不同充放电路径和温度条件下的复杂电压滞回效应。这种模型被整合进一个第二阶等效电路模型（ECM），以实现高精度的电池建模和计算效率。通过采用一种多步骤的参数识别方法，并结合元启发式算法进行优化，使得模型能够更有效地适应不同工作条件下的OCV特性。

本文的研究重点在于解决在电压平台区域内的SOC估计问题。由于OCV滞回效应的存在，传统的SOC估计方法往往难以准确估计这一区域内的SOC值。为了改善这种情况，本文提出了一种自适应滤波方法，该方法能够根据OCV斜率的变化调整其协方差矩阵，从而提升卡尔曼增益匹配，减少累积误差并提高估计精度。实验结果显示，超过95%的测试样本实现了平均绝对误差低于0.56%的SOC估计结果，显著优于现有的两种先进方法，其均方根误差（RMSE）分别减少了46.2%和45.7%。

LFP电池的OCV滞回效应在不同的充放电路径和温度条件下表现各异。因此，准确建模这些效应对于提高SOC估计的可靠性至关重要。本文提出的模型能够处理这种复杂的OCV滞回特性，并且能够适应不同的充放电模式。通过引入一个自适应的SOC估计器，该估计器可以基于OCV斜率的变化动态调整其协方差矩阵，从而在不同SOC区间内实现更精确的估计。

此外，本文还探讨了如何通过自适应滤波方法来提高SOC估计的鲁棒性。在SOC变化较为显著的区域，如充电阶段，模型更倾向于利用充电过程中的OCV斜率信息进行快速校准。而在SOC变化平缓的区域，模型则更依赖于测量数据，以确保估计的稳定性。这种自适应机制不仅提高了估计的准确性，还增强了模型在不同操作条件下的适应能力。

实验结果表明，本文提出的SOC估计方法在多种使用场景下表现优异。包括不同温度条件（0°C到55°C）、部分充放电循环以及不同电流速率的测试，均显示出该方法的优越性。此外，通过与现有方法的对比，验证了该方法在SOC估计中的高效性和稳定性。

最后，本文还讨论了该方法在大容量电池中的可扩展性。由于LFP电池的滞回效应在不同容量的电池中表现出相似的特性，因此该方法不仅适用于小容量电池，也适用于大容量电池。在大容量电池组中，可以将该方法应用于单个电池，并通过数据融合的方式获取整个电池组的SOC。这为未来的电池管理系统设计提供了重要的理论基础和技术支持。