基于改进卡尔曼滤波方法的锂离子SSB蓄电池荷电状态估计在大规模电站中的研究综述

2026-07-15 10:01:36

准确的荷电状态（SOC）估算对于确保锂离子电池储能系统在大型电力站中的安全和高效运行至关重要。与单电池或小型电池包应用相比，站级储能系统面临更复杂的挑战，包括电池间的不一致性、温度梯度、老化差异、通信延迟、异步测量以及有限的电池管理系统计算资源。本文从电池建模、等效电路模型参数识别、基于卡尔曼滤波的算法以及智能估算方法的角度，总结了在线SOC估算方法。同时比较了电化学模型和等效电路模型的特性。不同的参数识别策略在模型准确性和实时应用性方面进行了讨论。此外，还回顾了具有非线性估计能力、计算复杂性和可扩展性的代表性卡尔曼滤波器家族算法。分析表明，等效电路模型在大规模应用中更适用于在线估算SOC，因为它们的计算负担较低且参数识别更容易。特别是，结合 UKF 的二阶 RC 模型在估计精度和实现复杂性之间提供了有前途的平衡。最后，本文强调，未来的 SOC 估算研究应超越实验室规模的验证，更多地关注可扩展、稳健。以及适用于站级电池储能系统的工业级部署方法。
近年来，日益严重的能源危机和环境污染推动了新能源技术的发展和传统能源结构的转型。随着可再生能源发电的快速增长，大规模电池储能系统已成为现代电力系统的重要支撑技术。在大型发电站中，锂离子电池储能系统通常由多个容器、电池架、模块和成千上万个串联和并联的电池单元组成[1]。这些系统可用于可再生能源的平滑、削峰、调频、电网稳定和提高供电可靠性[2]。在用于储能和功率应用的各种电池中，锂离子电池因其卓越的性能被广泛采用。
与单个电池或小型电池组相比，大规模储能站在更复杂的条件下运行 [3]。电池、模块和电池簇之间的差异可能导致电压、容量、温度和老化率的不一致性。此外，站级电池系统还受到高功率充电和放电、热不匹配、通信延迟、传感器噪声和复杂电网运行要求的影响 [4]、[5]、[6]。因此，准确的电池状态估计对于大规模储能电站的安全和高效运行特别重要。
电池管理系统（BMS）在锂离子电池的运行和维护中起着关键作用。在大规模储能站中，BMS通常采用由电池级、模块级、簇级和站级管理组成的分层结构。在其各种功能中，SOC是一个重要的参数，反映了电池的剩余可用容量和运行状态，并为能量管理、安全保护和寿命评估提供了基础 [6], [8], [7]。然而，SOC无法直接测量，必须从电压、电流、温度和内阻等参数间接估计。由于电池模型的非线性、运行条件的变化、电池一致性差异、温度波动和测量噪声的影响，准确的荷电状态（SOC）估计仍然是一个挑战。因此，提高SOC估计的准确性对于延长电池寿命、提高能源利用率以及确保储能站的安全和稳定运行具有重要意义。
在过去的十年中，已经开发出几种电池荷电状态（SOC）估算算法，包括基于卡尔曼滤波器（KF）的算法和其他自适应滤波方法。典型的例子包括粒子滤波器（PFs）、H-infinity滤波器、递归最小二乘法（RLS）、粒子群优化（PSO）、比例-积分观测器和非线性观测器 [9], [10], [11], [12], [13], [14], [15], [16], [17], [18]。基于卡尔曼滤波器的算法因其适用于广泛的SOC范围并且能够自适应地减少测量和传感器噪声的影响而被广泛用于SOC估算 [19], [20], [21], [22], [23]。然而，大多数现有的研究仍然集中在单个电池、电动汽车或小型电池组上，而关于站级锂离子电池储能系统的综述和比较研究仍然相对有限。考虑到大规模储能电站的规模、层次结构和复杂的运行条件，有必要进一步研究SOC估算方法。
此外，基于人工智能（AI）的方法最近被引入到SOC估计中，以更好地捕捉电池的非线性和复杂的运行条件。这些智能算法具有强大的非线性拟合和特征提取能力，使其适用于复杂的运行条件和大量的BMS数据。一些研究将智能算法与基于KF的算法结合起来。在这些方法中，AI模型用于参数识别、误差补偿或初步的SOC预测，而EKF、UKF或其他KF变体用于递归校正和噪声抑制[24]、[25]、[26]、[27]。这种AI-KF融合方法可以提高SOC估计的准确性和鲁棒性。然而，由于与数据质量、计算复杂性和泛化相关的这些问题，它们在大规模储能站中的应用仍需要进一步研究。
当前论文旨在回顾在基于模型的电池荷电状态（SOC）估算技术中使用的卡尔曼滤波（KF）家族算法。讨论了每种KF家族算法的适用特性及挑战，并进行了表格比较。本文还介绍了最新文献中各种改进的KF家族算法的特点，并比较了它们在SOC估算中的准确性。同时，本文关注这些方法在大规模锂离子电池储能站中的适用性，以为未来关于储能站在电池管理系统中准确估算SOC的研究提供参考。
本文的主要内容如下组织。第二部分回顾了常用的锂离子电池建模方法，包括电化学模型和等效电路模型，并比较了它们的特点、优势、局限性和在线SOC估计的适用性。第三部分讨论了等效电路模型的参数识别方法，重点介绍了离线和在线识别策略及其对模型精度和SOC估计可靠性的影。第四部分介绍了锂离子电池的SOC估计方法，包括传统估计方法、基于卡尔曼滤波的算法、智能算法和混合方法。在这一部分中，比较了不同算法和电池模型的SOC估计性能。并进一步分析了大规模能量存储应用的关键挑战，例如可扩展性、可观测性、电池不一致性、通信延迟和计算限制。最后，第V节总结了本文的主要发现，并讨论了未来在大规模锂离子电池电站中进行准确、稳健和可扩展的荷电状态（SOC）估计的研究方向。