基于改进的自适应遗忘因子无香卡尔曼滤波器，用于电力霍克蓄电池的高精度充电状态估计

为解决传统无香卡尔曼滤波器（UKF）算法中参数振荡与动态工作条件相互作用导致的参数振荡及估计精度降低的挑战，开发了一种改进自适应遗忘因子UKF（IAFF-UKF）算法。该算法构建了一个全链路稳健框架“信号净化-决策优化-参数稳定”：多源噪声通过“中位滤波-滑动平均”的联合预处理方法分层抑制，时间变化噪声通过解耦协调的对偶遗忘因子策略有效适应，参数稳定性通过引入阻尼增量更新机制确保。与采用单一遗忘因子的现有自适应UKF算法不同，提出的双遗忘因子协调策略将测量噪声与系统噪声适应解耦，分别根据残差和卡尔曼增益统计特性独立调整，以实现对非平稳噪声的精确适应。在两种典型运行条件下进行的实验验证（动应力测试，DST;联邦城市驾驶计划（FUDS）和噪声变化场景表明，IAFF-UKF算法表现出极佳的噪声鲁棒性和估计稳定性。与传统UKF相比，新算法在全工作条件下平均可降低约18%的SOC均方根误差（RMSE），且终端电压RMSE的降低通常超过50%。随着噪声强度的增加，新算法未出现误差发散迹象，有效解决了复杂运行条件下噪声鲁棒性不足的问题，为电池管理系统提供了计算高效且高精度的解决方案。
作为电力电池管理系统（BMS）的核心状态量，电荷状态（SOC）的估计精度直接决定了续航预测的准确性、充放电安全保护水平以及新能源车辆的能量管理效率，成为新能源设备工程应用的关键技术支持[1]。 [2]。快速充电锂金属电池[3]和水性多价离子电池[4]的最新进展凸显了在快速电化学动力学下自适应SOC估计的紧迫需求。在实际机载场景中，电力电池面临复杂的动态工作条件、非定稳测量噪声和模型参数漂移等双重挑战。传统的SOC估计方法存在局限性：库仑计数法容易产生累积误差，开路电压方法依赖于长期静态条件，且机器学习方法的泛化能力受限于训练样本的场景覆盖范围。无香卡尔曼滤波器（UKF）已成为动态条件下SOC估计的领先算法框架，利用无香变换（UT）绕过线性化，该技术因其闭环控制、高估计精度和鲁棒性而被广泛采用[5]、[6]。然而，传统的UKF采用固定的过程和测量噪声协方差，在实际场景下无法适应时间变化的非平稳噪声和参数漂移，因此可能导致滤波器散度或精度下降[7]， [8]。
等效电路模型（ECM）是电池系统中准确SOC估计的基础框架。一阶RC模型难以捕捉动态偏振特性，而二阶RC模型则在精度与计算效率之间取得最佳平衡，因此成为机载场景的首选方案。双极化（DP）模型，加上专门的模型改进和联合估计策略，进一步拓展了ECM的工程应用边界 [9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]。在算法改进方面，经典的UKF解决了扩展卡尔曼滤波器（EKF）的线性化误差问题。此外，自适应UKF、强跟踪UKF、增强UKF等通过更新噪声协方差、积分多因素，并同时识别状态、参数和激发，持续提升鲁棒性和适应性[18]、[19]、[20]、[21]、[22]、[23]、[24]。
近期进展探索了混合数学方法以提升过滤性能。例如，平方根无香卡尔曼滤波（SR-UKF）利用Cholesky分解确保协方差矩阵的正确定性[25]，而粒子群优化结合无香颗粒滤波（PS-UPF）则通过智能重采样策略解决粒子简并问题[26]。受这些进展启发，本文探讨了以增强计算效率的鲁棒估计替代自适应策略。参数识别技术与滤波算法的联合优化对于提升估计准确性至关重要。由于其卓越的实时性能，递归最小二乘法（RLS）及其增强算法被广泛用于在线识别电池模型参数。变量遗忘因子和自适应遗忘因子等策略可以有效提升识别算法的参数跟踪能力和抗噪声干扰能力[27]、[28]、[29]。在应用场景适应方面，现有研究优化了典型车载运行条件和能量存储场景下算法的噪声抑制和动态响应[30]，交互多重模型（IMM）动态切换策略进一步提升了算法对多条件切换场景的适应性[31]。宽温范围算法，以及SOC和健康状态（SOH）的联合估计，分别解决了温度适应性和衰老衰减补偿的问题。SOC的协调估计与功率状态（SOP）和能量状态（SOE）相结合，结合包含故障诊断功能的多态联合估计，为电力系统集成控制提供了全面的状态支持[32]、[33]、[34]、[35]、[36]。
尽管现有研究取得了显著进展，但在涉及强噪声耦合和高动态工作条件的复杂情境中，仍有三个核心问题存在：首先，由于缺乏针对非固定噪声的动态适应机制，对多源噪声耦合的适应性不足[8]， [11];其次，参数态协同跟踪在动态操作条件下存在滞后，容易导致滤波振荡或极端误差[7]，[22];第三，在计算效率与鲁棒性之间取得平衡存在困难，因为算法在强噪声环境中性能容易急剧下降[2]， [20]。
为解决上述问题，本文提出了改进的自适应遗忘因子UKF（IAFF-UKF）算法，基于[21]、[24]中所述的自适应遗忘因子。为该算法构建了一个全链路鲁棒估计框架，涵盖“信号净化-决策优化-参数稳定”。多源噪声通过联合预处理方法分层抑制，时间变化噪声通过基于残差和卡尔曼增益的双遗忘因子协调适应有效适应，参数稳定性则通过引入阻尼增量更新机制确保。基于典型的DST和FUDS工作条件，算法的鲁棒性和准确性通过多场景正交实验得到验证，为在强噪声和高动态场景下的SOC估计提供了高效且高精度的解决方案。所提议的IAFF-UKF算法集成了三个核心模块：信号净化的联合预处理、决策优化的双遗忘因子协调适配，以及参数稳定的增量衰减更新，在强噪声和动态条件下实现高精度SOC估计。