目的 为能够精确估计锂电池的荷电状态(SOC),避免容积卡尔曼滤波计算过程中矩阵易负定的问题，提高算法的鲁棒性和精度。方法 提出了一种基于Sage-Husa的加权自适应鲁棒容积卡尔曼滤波(WMI-SARCKF)算法，并结合遗忘因子递推最小二乘法(AFFRLS)形成联合算法，实现了模型参数和SOC的交替更新。AFFRLS在线算法能够自适应调节遗忘因子大小，解决了离线参数辨识因难以适应复杂工况而导致辨识精度下降的问题。在传统的容积卡尔曼滤波基础上，使用对角化变化取代Cholesky分解，采用噪声自适应算法来降低观测噪声对SOC估计精度的影响，通过粒子滤波的权重的思想赋予每个新息不同的权重，提高算法收敛速度。为保证输出的残差序列正交，在时间方程和量测方程中引入渐消因子，增强了容积卡尔曼滤波对电池突变状态的跟踪能力。结果 将改进的容积卡尔曼算法(Improved-CKF)与离线CKF和AFFRLS-CKF算法分别在DST和FUDS工况下进行对比，改进后算法的SOC估计平均绝对误差(MAE)和均方根误差(RMSE)均明显降低。结论 仿真结果表明，改进后的算法具有更高的滤波器稳定性和SOC估计精度，在实际中具有较高的应用价值。

安徽省高校自然科学基金资助项目(KJ2019A0106)；

1 电池模型
2 改进的AFFRLS
2.1 HPPC放电实验
2.2 参数辨识
3 SOC估计
3.1 CKF
3.2 改进的CKF
3.3 AFFRLS-Improved CKF联合估计
4 结果与分析
4.1 测试结果
5 总结

[1]凌六一,张婷,张虎,等.基于Sage-Husa的WMI-SARCKF的锂电池SOC估计[J].安徽理工大学学报(自然科学版),2024,44(04):20-28.