目的 为了解决锂电池在不同放电阶段和噪声干扰下荷电状态（SOC）估算结果发散问题，方法 通过分析锂电池机理特性，查找影响估算结果的因素和原因。选取适当的数学模型并得到开路电压特性-荷电状态（OCV-SOC）试验曲线后，针对传统算法估算误差波动较大的问题，提出变遗忘因子递推最小二乘（VFF-RLS）与自适应平方根无迹卡尔曼滤波（ASRUKF）算法联合估算SOC。结果 以动态应力测试（DST）为例，遗忘因子最小二乘（FFRLS）算法的开路电压初期误差最大值为0.02 V，稳定后端电压误差为0.004～0.010 V，误差收敛时间约45 s;UKF算法的SOC估算初期最大误差为0.03，在400 s左右逐渐收敛到理论值附近，稳定后的波动误差为0.83%;VFF-RLS算法在相同的条件下，开路电压实验初期误差最大值为0.04 V，稳定后端电压误差为0.003～0.007 V，误差收敛时间约10 s;ASRUKF的SOC估算初期最大误差为0.1，随着算法迭代，200 s内收敛到理论值附近，稳定后最大波动误差0.413%。结论 为了保证算法适用的普遍性，在不同初值下观察算法的收敛性，结果表明，在复杂的试验工况下，与传统算法比较，改进算法的参数辨识速度明显加快，精度提高，在估算SOC阶段，波动范围明显变小；在实际值误差较大的情况下，依然能够迅速收敛，证明本文方法的改进切实可行，可用于实际电池研究。

国家自然科学基金资助项目（U1804143）；河南省科技攻关项目（202102210295）；河南理工大学青年骨干教师资助项目（2019XQG-17）；河南省高校基本科研业务费专项项目（NSFRF210424）；河南省科技创新团队基金资助项目（CXTD2017085）；

0 引言
1 理论分析
1.1 电池二阶RC等效电路建模
1.2 模型参数在线辨识
1.3 ASRUKF算法
(1）初始化状态函数，
(2）构建Sigma点，
(3）更新时间，预测系统状态量和协方差矩阵，
(4）对Sigma重采样，
(5）计算增益矩阵K，并更新估计量和方差，
2 结果与分析
2.1 OCV-SOC实验
2.2 DST工况实验
2.3 仿真及结果分析
3 结语

[1]张涛,陈东明,侯鹏鹏,等.基于变遗忘因子的改进卡尔曼滤波锂电池荷电状态估算研究[J].河南理工大学学报(自然科学版),2024,43(04):126-132.