中國儲能網訊：
摘 要 準確高效地評估鋰離子電池荷電狀態(tài)(SOC)是確保電動汽車和儲能設備性能和安全的關鍵。等效電路模型被認為是描述鋰離子電池內部復雜反應過程的一種有效方法。針對基于等效電路模型的SOC估計準確性與復雜性難以權衡的問題，本研究采用一階RC模型作為基礎，為了提高整個SOC區(qū)間的模型性能表現，通過電化學原理對模型進行優(yōu)化，通過在一階RC模型的OCV模塊上添加反映電池內部固相擴散過程的改進誤差項，在保證較低的計算復雜性的前提下，減小了等效電路模型與更準確的機理模型之間存在的誤差。然后基于倍率測試以及脈沖測試數據對電池進行參數辨識，以粒子群算法為基礎通過參數解耦的方式降低了參數辨識的復雜度、提升了辨識準確度；同時基于小倍率測試的開路電壓(OCV)數據采用多項式方法進行OCV-SOC曲線擬合。隨后基于模型參數辨識結果開展SOC估計研究，針對常規(guī)卡爾曼濾波準確度不足的問題，在無跡卡爾曼濾波基礎上結合加權滑動窗口的思想以提升SOC估計的精確性和魯棒性，并基于UDDS和DST動態(tài)工況測試數據進行算法驗證，最終估計效果相對于傳統(tǒng)方法呈現出優(yōu)異的精度與魯棒性，并且可以在初始SOC有較大偏差時快速收斂至準確值。
關鍵詞 鋰離子電池；融合模型；荷電狀態(tài)估計；無跡卡爾曼濾波
鋰離子電池作為電動汽車和混合動力汽車的主要動力來源，其高能量密度、長循環(huán)壽命和環(huán)保特性使其成為電動交通領域的首選能源儲存技術。準確的荷電狀態(tài)估計(state of charge，SOC)直接影響鋰離子電池的性能與安全，是電池管理系統(tǒng)(battery management system，BMS)的基礎與核心功能之一。當前，SOC估計方法主要可以被劃分為三大類別：基于電池物理屬性的方法；基于數據驅動的方法；依據電池模型進行SOC估計的方法。
基于電池物理特性的剩余電量計算方法分為開路電壓法(open circuit voltage，OCV)和安時積分法。開路電壓法容易受電池工況影響。安時積分法對SOC的初始值和電流傳感器的精度高度依賴。初始值不準確或電流誤差將導致計算偏差。數據驅動方法不涉及電池內部反應機理，然而其估計精度極其依賴電池數據的數量與質量。
基于模型的估計主要包括電化學模型和等效電路模型。在電化學模型中，SOC的物理意義是電池電極活性材料的平均濃度與最大濃度之間的比例關系。因此，若獲得電極活性材料的濃度，即可獲取電池的SOC。Santhanagopalan等采用單粒子模型和擴展卡爾曼濾波算法求取電池電極活性材料濃度，而Di Domenico等則通過運用均值電子學理論并結合了擴張式Kalman濾波技術的手段去測算出這些元素的具體濃度。盡管電化學模型的參數具有實際的物理意義，可以反映電池內部真實的電化學反應，但是因為涉及處理大量復雜數學問題的問題，所以實用性和可行度都受到了限制。
等效電路模型在電池SOC估計中得到了廣泛應用，與電化學模型相比，這歸功于其僅通過電路元件進行建模，具有參數少且獲取簡單的優(yōu)點。具體來說，基于等效電路模型的SOC估計方法包括多種類型的觀測器以及濾波器技術，如PI觀測器、滑模觀測器、H∞濾波以及卡爾曼濾波族相關算法，這些觀測器方法的不同之處在于增益的求取方式。然而，基于等效電路模型的SOC估計方法模型需要參數精度具有較高的標準。由于工況或外部環(huán)境的變化，會出現模型參數失真而導致SOC估計精度下降的問題。因此，一些研究者提出了包括基于最小二乘法的參數在線辨識技術。為解決參數變化導致的估計精度下降問題，可以將觀測器技術與在線參數辨識技術相結合，構建狀態(tài)和參數聯(lián)合估算的方法。盡管如此，目前的聯(lián)合估算技術仍在模擬階段，并沒有被廣泛運用于BMS系統(tǒng)。
此外傳統(tǒng)的等效電路模型并未對電池內部的電化學過程充分考慮，電池在快速充放電或負載變化較大時，固相擴散的動態(tài)特性對電池的即時性能有顯著影響。模型如果忽略這些過程機制，則可能無法準確反映電池在這些條件下的實際表現。
因此本文在一階RC模型的基礎上結合電化學原理對模型進行改進，通過補償開路電壓部分將歐姆內阻在不同SOC區(qū)間的變化解耦出來，在保證較低的計算復雜性的前提下，減小了等效電路模型與更準確的機理模型之間存在的誤差，實現了模型性能優(yōu)化。然后，基于動態(tài)工況數據使用尋優(yōu)能力較強的標準粒子群算法對改進模型進行參數辨識，同時，由于引入的新的待辨識參數會增加辨識過程的計算復雜性，本研究通過解耦的方式簡化了辨識過程且提升了辨識精度。最后，在此基礎上，選取無跡卡爾曼濾波并融合了加權滑動窗口的思想實現SOC估算，其中加權滑動窗口包括了更大時間段內的誤差信息，優(yōu)化了狀態(tài)更新過程，提升了估計準確度。在UDDS以及DST兩種動態(tài)工況下的驗證結果表明，所提出的模型與SOC估計算法相對傳統(tǒng)方法實現了顯著的性能提升并表現出快速的收斂能力。
1 電池建模與參數辨識
1.1 融合電化學原理的等效電路模型
1.1.1 一階RC模型
為研究鋰電池狀態(tài)估計，通常需數學建模。模型選擇的依據主要包括準確性和復雜性兩方面，在權衡這兩者時，選擇適宜的模型顯得尤為關鍵。其中，等效電路模型將電池簡化為電路元件，擁有低復雜度和高準確度的特點。本文選取綜合考慮精度與復雜度的一階RC模型，如圖1所示。
圖1 一階RC模型
Rp和Cp代表了電池的極化內阻和極化電容通過引入RC網絡，一階RC模型能夠更準確地模擬電池極化電壓的變化過程。一階RC模型的數學特性如式(1)所示：
1.1.2 模型改進
本文在一階RC模型的基礎上，結合電化學原理進行改進，在保證復雜性的基礎上提升其準確性能。
固相擴散機制：
電化學模型對鋰離子電池的建立是基于其內部反應機制，而在傳統(tǒng)P2D模型中，電池的開路電壓被定義為
式中，up和un分別為正極電勢與負極電勢；cs,surf,p和cs,surf,n分別為正極固相顆粒表面鋰離子濃度和負極固相顆粒表面鋰離子濃度；cs,max,p和cs,max,n分別為正極固相顆粒最大鋰離子濃度和負極固相顆粒最大鋰離子濃度。
在圖1所示的一階RC模型中，Uoc對應在P2D模型中代表為
式中，cs,mean,p和cs,mean,n分別為正極固相顆粒平均鋰離子濃度和負極固相顆粒平均鋰離子濃度。
對比式(2)和式(3)可知，直接使用等效電路模型與更準確的機理模型之間存在誤差，因此在一階RC的OCV模塊加上改進誤差項可以增加模型的準確性。
在鋰離子電池P2D模型中固相擴散過程中，直接影響電池電動勢的因素是鋰離子電池固相顆粒表面濃度，而在等效電路模型中與OCV直接相關的因素是鋰離子電池固相顆粒平均濃度，因此求解兩者之間的關系是提升模型精度的關鍵所在。有關求解兩者之間關系的研究有很多，例如二階以及高階的多項式近似方法，帶權系數的一階慣性近似等；其中后者有著更好的準確度，其具體表達式為：
式中，?t為采樣周期；τ為時間常數。
研究表明，固相顆粒的表面鋰離子濃度與平均鋰離子濃度的差值Δcs,k可表示為：
式中需滿足：
為保證模型較低的計算量，使得λ1=1，即只有一個一階慣性環(huán)節(jié)，結合P2D模型固相擴散過程，?cs,k的表達式為：
式中，Rs為粒子的半徑；Ds為鋰離子固相顆粒擴散系數；jn為固相顆粒的孔壁流量。
為了簡化模型，此處假設正負極最大以及平均鋰離子濃度一致，且正負極表面與平均鋰離子濃度差值一致，則在宏觀上，荷電狀態(tài)與鋰離子濃度之間存在如下關系：
基于文獻[14]的分析，微觀層面的鋰離子表面與平均濃度差可轉換為宏觀上荷電狀態(tài)的差值，表示為：
式中，SOCsurf為以鋰離子表面濃度定義的荷電狀態(tài)；SOC為宏觀上的荷電狀態(tài)；?SOC為兩者差值，即微觀層面鋰離子表面與平均濃度差在宏觀上的表現。結合單顆粒模型以及式(7)、式(9)，可以得出?SOC的計算公式：
式中，τsd和ksd分別為固相擴散的時間常數和影響因子系數。
1.1.3 基于電化學原理的一階RC模型
基于式(1)與1.1.2節(jié)中的分析可知，改進后的一階RC模型端電壓表達式為：
其中式(1)中的Uoc替換為UP2D，實現了模型對電池內部固相擴散機制這一電化學原理的補充。
SOCsurf與UP2D的關系與一階RC模型中一致，將Up離散化可得：
具體的模型結構如圖2所示，其中UP2D與w關系和Uoc與SOC的關系保持一致。
圖2 基于電化學原理的一階RC模型
在結合了電化學原理的一階RC模型中，由于結合了固相擴散原理，通過補償開路電壓部分將歐姆內阻在不同SOC區(qū)間的變化解耦出來，進而可以使用一組參數反映整個SOC區(qū)間的特性變化，以實現對電池內部固相擴散過程更為完善的建模，提升模型準確性。
1.2 電池模型參數辨識
對于1.1節(jié)中提出的改進一階RC模型，需要辨識的參數有R0、Rp、τp、固相擴散系數ksd以及固相擴散時間常數τsd共五個，粒子群算法相較于遺傳算法等方法可在更短的時間內找到參數最優(yōu)解。
1.2.1 粒子群算法原理與流程
粒子群算法(PSO)是一種基于群體智能的搜索技術。算法流程主要包含初始化、評估個體適應度、更新個體位置、更新全局位置、更新速度以及位置等操作，流程如圖3所示，具體過程如下。
圖3 粒子群算法流程
（1）初始設定：眾多粒子經由隨機產生，其中每一個粒子均象征一個可能的問題解答。
（2）評估適應度：對每個粒子，計算其對應解的適應度值，即目標函數的值。
（3）更新個體最優(yōu)位置：對于每個粒子，將其當前位置作為個體最優(yōu)位置，如果新位置的適應度更好，則更新個體最優(yōu)位置。
（4）更新全局最優(yōu)位置：遍歷所有粒子以確定擁有最高適應值者，并將此一點定位為群體的最優(yōu)解。
（5）更新速度和位置：根據個體和全局最優(yōu)位置，更新每個粒子的速度和位置。速度更新公式包含了三個重要參數：慣性權重、個體加速度項和社會加速度項。
（6）循環(huán)執(zhí)行：不斷進行第(2)～(5)步的操作，直到出現終止信號(例如完成設定的最高迭代輪數或當目標函數穩(wěn)定到特定的精確度水平)才結束。
1.2.2 基于解耦的參數辨識方法
直接使用上述粒子群算法對全部參數進行辨識時，會導致辨識時間較長，且容易陷入局部最優(yōu)值。本節(jié)基于一種解耦的參數辨識(decoupling parameter identification，DPI)方法，優(yōu)化了模型的參數辨識過程，且使得辨識結果更符合電池的真實特性?；陔娀瘜W原理的一階RC模型需要辨識的模型參數有歐姆內阻R0、極化電阻Rp、極化環(huán)節(jié)時間常數τp、固相擴散系數ksd以及固相擴散時間常數τsd五個，通過解耦的方式可獲取其中R0、Rp以及ksd三個參數，剩余的τp和τsd則通過粒子群算法進行辨識，減少了算法計算量，提高了參數辨識效率。
歐姆內阻：基于電池脈沖測試的數據，進行歐姆內阻R0的提取。如圖4所示，具體計算公式為：
圖4 歐姆內阻計算方法
在傳統(tǒng)的ECM中，隨著SOC的降低，電池的歐姆內阻會增加。此種估算歐姆內阻的方法事實上融合了歐姆內阻和固態(tài)擴散兩方面因素。當處于較低的SOC范圍內，即便是最輕微的固態(tài)擴散效應也能引起明顯的電位偏移。在低SOC范圍內的區(qū)域，OCV對SOC的響應速度增強，由于表層電位差的小幅變動能明顯地影響到電池的終端電壓。
總內阻與固相擴散系數：當放電倍率增加時，電池可放電量會減少，Doyle等說明這一現象由兩個原因導致，一方面是電阻的分壓，另一方面是固相擴散導致的電極電勢偏移。通過消除對固體擴散及總體電阻兩個因素的影響，能得出固體擴散速率及其總體電阻。根據Han等的研究可知，由恒定電流充電曲線或者釋放曲線測量的電荷增加曲線的峰值移動是由于電池整體電阻的變化導致的。而使用IC曲線可以展示電池在某一特定點下的儲存電量情況，并且當電池內部處于穩(wěn)定狀態(tài)時，固體擴散并不會對其造成影響。因此，可以通過比較電池在不同負載條件下釋放的IC曲線的峰值偏差來確定其總體電阻。
式中，RTol為總內阻，由歐姆內阻和極化內阻構成；Upeak,i為在Ii作用下IC曲線峰值電壓；Upeak,0為不同倍率電流下峰值電壓直線截距。
得到總內阻后，加上端電壓可以獲得補償電壓：
進而可以獲得補償后的電池容量Qi：
式中，t(Ulow)為上述補償電壓達到下限電壓的時刻；Uup為上限電壓，t(Uup)為使用標準充電電流充滿電池的時刻。
最后固相擴散系數可通過式(17)獲得：
式中，Qnom為標稱容量；Q0為不同倍率電流下電池可放容量直線斜率。
2 電池荷電狀態(tài)估算
2.1 無跡卡爾曼濾波
對于任意一個非線性系統(tǒng)，可用式(18)進行描述：
無跡卡爾曼濾波是在擴展卡爾曼濾波的基礎上提出的一種改進方法，主要是通過無跡變換的方式實現。無跡變換是用來描述非線性變換后的高斯變量的概率分布的一種方法。
以式(18)為非線性系統(tǒng)的通用代表，具體過程如下：
（1）將系統(tǒng)狀態(tài)向量x0和狀態(tài)估計協(xié)方差矩陣P0初始化；
（2）使用上一時刻的系統(tǒng)狀態(tài)向量和狀態(tài)估計協(xié)方差矩陣來選擇樣本點，計算權重；
（3）根據選擇的樣本點代入狀態(tài)空間方程計算均值和協(xié)方差矩陣；
（4）根據選擇的采樣點，通過非線性的觀測方程，計算觀測更新；
（5）濾波更新。
選擇樣本點的過程如式(19)和式(20)所示：
式中，n為狀態(tài)向量的維數；α為樣本粒子的分散程度，取值范圍為[0.001,1]；κ通常為0；β為描述狀態(tài)變量分布的量，高斯分布的情況下其值為2；Wim和Wic分別為求解第i個樣本點均值和方程的權重。
2.2 基于加權滑動窗口的算法改進
卡爾曼濾波族算法的特點是基于當前觀測值與估計值的誤差更新狀態(tài)，當某一時刻出現觀測值偏差較大的情況時，估計結果也會受到一定的影響。為了減小這一情況所造成的誤差，可以將該算法的誤差考慮范圍進行拓展，利用前一段時間內的誤差來進行下一時刻的估計。
采用滑動窗口技術的關鍵理念在于：在每個卡爾曼過濾步驟中，需要把用以更新狀態(tài)的觀察誤差擴展至包括了更大時間段內所有誤差信息的多個誤差矢量，以此增加錯誤信號的信息含量并提升對狀態(tài)估計的準確性。這些誤差矢量可以這樣描述：
盡管如此，因為電池自身的強烈非線性特性，觀察到的誤差情況往往表現為無序的狀態(tài)。所以，如果只是單純地擴大新的信息矩陣，可能會引發(fā)過度的修正問題。因此，本文使用誤差加權的方式進行改進。這種策略的核心觀念在于依據選擇的錯誤范圍內的各個觀察點誤差的大小排列來做權重的評估和計算。當某個觀察點的誤差過大的時候，被視為模型移動幅度也相應增大，所以在這個狀態(tài)更新過程中賦予其更大的權重；否則賦予較低的權重。同時，還需要考慮到這些誤差的時間分布特征，即距離現在最近的那些觀察點的誤差應該有更高的參考意義，因此給予更高的權重。具體而言，每個權重矩陣的計算準則如下：
2.3 基于解耦參數及加權滑動窗口的荷電狀態(tài)估算
基于1.2.2節(jié)中DPI方法得到的模型參數，結合無跡卡爾曼濾波方法以及加權滑動窗口的思想，對UDDS以及DST工況下的磷酸鐵鋰電池進行狀態(tài)估計，由于數據采集都是一定步長的離散數據，所以首先需要將SOC的計算公式離散化：
式中，UP2D(SOCsurf,k)代表k時刻SOC值得到的開路電壓，且此處SOC指的是改進后一階RC模型中以鋰離子電池固相顆粒表面鋰離子濃度為基準的SOC，而非宏觀上的SOC，具體表達如式(10)和式(11)所示，關于SOCsurf,k與UP2D的關系曲線和OCV-SOC關系是一致的。R0,k、Rp,k以及τk是待辨識參數，此環(huán)節(jié)在1.2.2節(jié)中實現，且整個SOC區(qū)間內參數保持不變，?t代表采樣間隔，在UDDS和DST數據中為1 s。
使用卡爾曼濾波算法進行狀態(tài)估計需要將系統(tǒng)方程轉換為式(18)的形式，且待估計狀態(tài)用xk代表，因此這里將SOC以及無法測量的極化電壓Up作為狀態(tài)量，電流作為輸入，電壓作為輸出建立系統(tǒng)狀態(tài)方程和觀測方程：
基于上述內容，使用無跡卡爾曼濾波結合加權滑動窗口的思想進行鋰離子電池的SOC估算，其中模型的各個參數由1.2.2節(jié)中基于解耦的參數辨識方法得到，具體流程如圖5所示。
圖5 基于解耦參數及加權滑動窗口的荷電狀態(tài)估算流程
3 實驗驗證及分析
3.1 測試實驗
對力神LFP磷酸鐵鋰電池進行測試以驗證算法效果，詳細的參數見表1。使用該電池進行了共計129 h的標定測試，包括0.04C倍率下持續(xù)52 h的小倍率測試來獲取電池OCV特性、持續(xù)26 h的脈沖測試以獲得電池極化特性、持續(xù)7 h的DST測試和持續(xù)8 h的UDDS測試以獲取電池的動態(tài)特性以及在0.5～2C的倍率下持續(xù)10 h的倍率測試。本文使用到的標定測試包括倍率測試、脈沖測試、動態(tài)工況測試。環(huán)境溫度設置為室溫25 ℃。
表1 力神LFP電池參數
3.2 模型參數精度驗證
為模擬電池在電動汽車運行過程的實際狀態(tài)，在UDDS和DST兩種動態(tài)工況測試下對于直接使用粒子群算法辨識參數以及解耦算法參數辨識算法進行精度對比，其中粒子群算法算法采用等間隔辨識的策略，即將整個數據區(qū)間等分成20份，每隔一段時間進行一次參數辨識以提升參數的適應性，而解耦算法始終按照1.2節(jié)的方式進行，并使用RMSE、MaE以及MAE多種衡量參數對比兩種算法的性能。
從圖6和圖7可以看出，無論是UDDS工況還是DST工況，解耦算法的模型精度都要優(yōu)于直接使用粒子群算法，尤其是在UDDS工況下，見表2，解耦算法的RMSE達到了粒子群算法的三分之一，在DST工況下也是接近一半的程度，而且在MaE上兩者的差距更為顯著，解耦算法在DST與UDDS工況下的MaE分別為8.8 mV和6.0 mV，而粒子群算法達到了48.7 mV以及34.8 mV，表明了解耦算法使用一套辨識參數即可顯著優(yōu)于常用的優(yōu)化算法，尤其是在低SOC區(qū)間內尤其明顯，且在整個SOC區(qū)間都保持比較穩(wěn)定的辨識精度。
圖6 UDDS工況下辨識精度比較
圖7 DST工況下辨識精度比較
表2 兩種參數辨識方式誤差對比
3.3 模型精度對比
在驗證了改進模型在解耦算法上相較于粒子群算法的優(yōu)勢后，本節(jié)主要對改進模型與一階RC模型進行比較，其中一階RC模型的模型參數使用精度較高的遺忘因子最小二乘來辨識，同樣采用等間隔辨識的策略，將整個數據區(qū)間等分成20份，每個時間節(jié)點進行一次參數辨識，使用RMSE、MaE以及MAE多種衡量參數對比兩種算法的性能。
從圖8和圖9及表3可以看出，無論是UDDS工況還是DST工況，改進模型精度都要優(yōu)于一階RC模型，兩種工況中改進模型和一階RC模型的RMSE相差不大，而在MaE和MAE上兩者的差距保持在0.01 V，且由于改進模型的辨識參數要遠小于一階RC模型，表明了改進模型相較于一階RC模型的優(yōu)勢所在。
圖8 UDDS工況下辨識精度比較
圖9 DST工況下辨識精度比較
表3 兩種模型誤差對比
3.4 SOC估計效果
基于UDDS以及DST工況對比了常規(guī)UKF算法和基于加權滑動窗口的UKF算法的估算結果，在滑動窗口方法中窗口大小設置為3。過程誤差協(xié)方差矩陣Q=[3×10-9 0; 0 3×10-9]，觀測誤差協(xié)方差矩陣R=0.01。
首先基于UDDS工況以及DST工況對兩種方法進行了性能測試，從圖10、圖11中可以看出基于加權滑動窗口的UKF是要比常規(guī)UKF誤差大大減小，為綜合比較兩種算法的性能，使用RMSE、MaE以及MAE多種衡量參數對比，結果見表4，可以看出在加權滑動窗口的作用下，由于將濾波器考慮的誤差擴展到一段時間而非上一時刻，使得濾波誤差明顯下降，尤其是最大絕對誤差項，在DST工況下下降為原來的1/2，在UDDS工況下只有原來的1/3。
圖10 UDDS工況下電壓及SOC估算結果
圖11 DST工況下電壓及SOC估算結果
表4 兩種工況下不同濾波方法的SOC估算結果
除了驗證兩種濾波方法的估算性能外，基于加權滑動窗口的窗口大小也會對估計性能產生影響，因此繼續(xù)比較不同滑動窗口大小時SOC的估計誤差，并以UDDS和DST工況作為測試數據。分別設置窗口大小為L=1、2、3、4；當滑動窗口大小等于1時，意味著算法退化為原始的無跡卡爾曼濾波。
從圖12與圖13可以看出，當滑動窗口的大小不斷擴大，其估計準確度的提升趨勢明顯，然而同時也伴隨著計算難度的提高。所以，在實際運用這種技術的時候，需要結合具體的使用環(huán)境、精確要求等方面對移動窗口的大小做出適當的調整，以便更有效地滿足任務需求。
圖12 UDDS工況下不同滑動窗口大小對估算精度的影響
圖13 DST工況下不同滑動窗口大小對估算精度的影響
由于在算法估計SOC的過程中，需要人為給定SOC的初值，在初值不準確的情況下是否能保持準確的估算結果是衡量算法估計性能的重要指標之一，因此將SOC為100%時的初值分別設置為100%、80%、60%、40%和20%以探究SOC初值干擾。
根據圖14、圖15可知，初值偏差越大，誤差以及收斂時間也會越大，但即使在20%的初值下，算法依舊能在3 min內收斂至準確的SOC值，最大偏差在3%以內。
圖14 UDDS工況下不同SOC初值情況下估算結果
圖15 DST工況下不同SOC初值情況下估算結果
4 結 論
以一階RC模型為基礎，運用電化學原理對其進行優(yōu)化，以提高模型在整個SOC區(qū)間的性能表現。基于倍率測試以及脈沖測試數據對電池進行參數辨識，以粒子群算法為基礎通過參數解耦的方式降低了參數辨識的復雜度、提升參數辨識的準確度。針對常規(guī)卡爾曼濾波準確度不足的問題，在無跡卡爾曼濾波的基礎上進行算法融合，使用加權滑動窗口的方式提升辨識精度以及算法魯棒性，并基于動態(tài)工況測試數據進行SOC估計算法驗證。最終估計效果呈現優(yōu)異的精度，誤差低于0.5%，對比傳統(tǒng)方法存在明顯的性能提升。
目前本文的研究還存在一些局限性：①本文所提出的基于解耦的參數識別和狀態(tài)預測算法僅在磷酸鐵鋰電池上進行了實驗檢驗。未來的研究將對其他類型的電池進行更深入的驗證和優(yōu)化，②本文的所有動態(tài)工況測試都是在25 ℃環(huán)境中進行的?？紤]到電池充放電過程容易受到溫度變化的影響，這可能會使狀態(tài)估算方法產生誤差。未來的研究將深入探討溫度對電池參數識別和狀態(tài)估計的作用，以增強方案的準確性。
