粒子滤波器通过维护多个可能的状态估计来跟踪电池 SOC，然后将这些估计通过退化模型进行传播，以预测 RUL。 每个粒子代表 SOC、电压相关状态、温度影响和老化参数的一种可能组合。当电流、电压和温度测量值到达时，该框架会向前预测每个粒子，根据其与测量值的一致程度进行加权，对粒子群进行重采样，并将保留下来的粒子投射到达到放电结束或寿命结束条件为止。
核心要点： 粒子滤波的优势在于，它不会将非线性且正在老化的电池强行表示为单一高斯估计。它能够为 SOC 和退化生成概率分布，使 RUL 可以作为带有不确定性的预测结果报告，而不是一个缺乏依据的单一数值。
为什么粒子滤波适用于非线性电池测试
固定线性模型无法充分表示电池行为
电池容量损失、自放电、内阻增长、温度敏感性和倍率效应会随运行历史、SOC 和使用年限而变化。脉冲负载或高度变化的负载会使这些影响更加明显。
当电池运行在校准条件之外时，简化的线性估计器可能会变得不准确。粒子滤波器则使用非线性状态转移模型，可以表示变化中的参数和不规则的运行曲线。
状态包含的不只是 SOC
电池状态向量可能包括：
[ x_k = \begin{bmatrix} SOC_k & V_{1,k} & V_{2,k} & R_k & Q_k & \theta_k \end{bmatrix}^{T} ]
这里，(SOC_k) 表示荷电状态，(V_1) 和 (V_2) 可以表示动态电压状态，(R_k) 可以表示内阻，(Q_k) 表示可用容量，(\theta_k) 表示其他退化或模型参数。
具体状态取决于所选用的电池模型。重要原则是，SOC 和老化相关参数可以一起估计，而不是将电池健康状态视为固定输入。
滤波器如何跟踪 SOC
1. 初始化可能的电池状态群体
在测试开始时，滤波器会创建粒子：
[ {x_0^i, w_0^i}_{i=1}^{N} ]
每个粒子 (x_0^i) 都是一个合理的初始状态，(w_0^i) 是其概率权重。这些粒子可以反映初始 SOC、容量、电阻、温度影响和其他模型参数方面的不确定性。
例如，如果初始 SOC 不确定，粒子会覆盖一个范围，而不是为电池指定一个精确值。
2. 通过电池模型传播每个粒子
电池进行循环时，使用状态演化模型推进每个粒子：
[ x_k^i = f_{k-1}(x_{k-1}^i,u_k,\theta_k^i)+w_k^i ]
输入 (u_k) 通常包括测量电流，也可能包括温度、负载条件或其他运行变量。过程噪声项用于考虑模型误差和未测量影响。
该步骤用于预测每种可能的电池状态在下一个采样间隔内应如何演化。
3. 预测可测量输出
滤波器将每个预测状态转换为预期测量值：
[ \hat{z}_k^i = h_k(x_k^i,u_k)+v_k^i ]
对于 SOC 估计，测量输出 (z_k) 可能是端电压、电流、温度或这些信号的组合。观测模型将 SOC 和电阻等内部状态与测试系统测得的电压联系起来。
4. 使用测量值更新粒子权重
实际测量值到达后，根据每个粒子的预测值与实际测量值的接近程度对其进行评分：
[ w_k^i \propto w_{k-1}^i,p(z_k\mid x_k^i) ]
能够较好预测测量电压和其他信号的粒子将获得更高权重。与测量值不一致的粒子将获得更低权重。
该测量更新过程可以修正基于模型传播时累积的误差。从实际应用角度看，滤波器将库仑计量和模型预测与测量电压及其他传感器所包含的信息结合起来。
5. 根据加权粒子分布计算 SOC
估计的 SOC 可以通过加权平均值获得：
[ \widehat{SOC}k = \sum{i=1}^{N} w_k^i,SOC_k^i ]
粒子的分散程度还提供了关于置信度的额外信息。较窄的分布表示测量值和模型对 SOC 的约束相对充分；较宽的分布则表示不确定性更大。
这是与单点 SOC 估计的一个重要区别：粒子滤波器既可以显示最佳估计值，也可以显示合理 SOC 值的范围。
滤波器如何预测 RUL
RUL 需要退化状态或健康指标
SOC 描述当前的充电状态，而 RUL 则需要估计电池能力随时间的变化情况。
因此，滤波器可以包含可用容量、内阻或与 SEI 膜生长相关的参数等退化变量。这些变量会在循环过程中与 SOC 一同演化。
也可以使用由容量、电阻或其他退化信号得出的健康指数，前提是该信号已去除测量噪声，并且按照电池预期的退化行为进行一致处理。
将退化建模为随机过程
退化状态可以通用地表示为：
[ d_k = g(d_{k-1},u_k,T_k,\text{history})+\eta_k ]
该模型可以考虑电流曲线、温度、持续时间和累积循环历史等运行条件。过程噪声项允许单个电芯偏离标称退化路径。
这一点很重要，因为当前 SOC 相同的两个电芯可能具有不同的容量损失速率，因此剩余寿命也可能不同。
将每个粒子预测到未来
吸收最新测试数据后，滤波器会在预期的未来负载和环境条件下，将每个保留下来的粒子向前传播。
每个粒子都会生成一条关于容量、电阻、电压和 SOC 的可能未来轨迹。随后，将这些轨迹与预先定义的终点进行比较，例如：
- 放电结束（EOD）：电池在指定负载下达到其电压限制。
- 寿命结束（EOL）：电池达到容量、电阻、性能或安全标准。
- 运行失效：电池无法再满足应用所需的负载需求。
粒子达到终点所需的未来循环次数或时间步数，就构成该粒子的 RUL 预测。
将终点时间转换为概率分布
所有粒子级终点预测的集合会形成 RUL 分布：
[ p(RUL\mid z_{1:k}) ]
根据该分布，系统可以报告预期 RUL、中位数预测值或预测区间。预测区间通常比单一数值更有用，因为它能够揭示由噪声测量、不确定的初始条件、模型误差以及电芯间差异所造成的不确定性。
重采样如何维持有用的估计
粒子权重会自然变得不均衡
经过多次预测和测量更新后，许多粒子的权重可能接近于零，而少数粒子承载大部分概率质量。这种情况称为粒子退化。
如果不加以处理，滤波器实际上会失去表示不确定性和替代性退化路径所需的多样性。
重采样将计算集中于合理状态
当退化变得显著时，算法会删除低权重粒子，并复制高权重粒子。随后，使用过程噪声再次传播新的粒子群，使其不会坍缩为完全相同的副本。
重采样不会产生新的测量信息，而是将计算资源重新分配给与观测到的电池行为一致的状态。
应控制重采样触发条件
在每个时间步都进行重采样可能会降低粒子多样性，而始终不进行重采样则会使退化逐渐累积。实际实现通常使用有效样本量标准或类似的诊断指标来判断何时需要重采样。
合适的阈值取决于模型、粒子数量、传感器质量和计算预算。
测试工作流程
准备并同步测试数据
电池测试系统必须同步采集电流和电压。温度和运行曲线信息同样重要，因为动态负载、热条件和脉冲持续时间会显著影响 SOC 估计和退化预测。
高电流脉冲和快速变化的负载使采样质量尤为重要。同步不良可能导致滤波器将测量时间误差归因于错误的电池状态。
处理退化信号
原始容量、电阻和由电压推导出的健康指标可能包含局部噪声。因此，即使不可逆老化并未逆转，退化信号也可能暂时表现出恢复。
移动平均或 Savitzky–Golay 滤波等平滑方法可以降低局部噪声。如果选定的健康指数在物理上应当单调退化，也可以应用单调性约束，从而防止不合理的恢复伪影进入预测模型。
离线校准模型
可以使用多个电芯的历史老化数据来估计总体退化行为和电芯间差异。该离线阶段有助于确定合理的参数范围、过程噪声水平和失效时间行为。
混合效应模型或相关的总体模型可以同时表示共同的老化趋势和单个电芯的偏差。
在线更新单个电芯
在实时测试期间，粒子滤波器利用当前测量值，将总体模型调整到正在观测的特定电芯。实时电阻或容量相关测量值可以更新该电芯的退化轨迹。
与完全依赖历史平均值或单个电芯的噪声测量相比，这种两阶段方法通常更加稳健。
了解其中的权衡
粒子数量会影响精度和计算量
更多粒子可以更准确地表示复杂的概率分布，尤其是在状态维度较高或后验分布呈多峰时。但代价是更高的内存占用和计算时间。
粒子过少可能导致估计不稳定，或遗漏合理的退化路径。因此，应通过验证来选择粒子数量，而不是假设某个数量能够保证精度。
模型质量仍然十分重要
粒子滤波器无法弥补根本上不合适的电池模型。如果状态转移模型或测量模型遗漏了重要的温度、滞回、脉冲或老化影响，滤波器可能会为物理上不正确的状态分配较高概率。
应将该算法理解为一种非线性贝叶斯估计器，而不是电池表征的替代品。
RUL 取决于未来运行条件
RUL 预测取决于对未来负载、温度和运行策略的假设。在持续高电流需求下，电芯可能比在较轻负载曲线下更早达到终点。
因此，测试系统或生产系统应明确说明预测场景。否则，一个看似精确的 RUL 数值可能会产生误导。
固定阈值可能并不合适
单一的电阻或容量阈值并不总能准确表示失效，尤其是在应用具有可变性能要求，或硬失效没有明确定义的情况下。
在适当情况下，可以通过概率模型或基于风险率的模型，将退化测量值与失效时间联系起来。这样，预测结果可以反映观测到的失效行为，而不只是依赖一个任意设定的截止值。
长期预测中的不确定性可能会快速增加
滤波器从最新测量值向未来投射得越远，过程不确定性和未来条件的不确定性对结果的影响就越大。因此，长期 RUL 预测应随着新的循环数据到来而不断更新。
可信的系统应报告不断变化的不确定性，而不是在失效发生前始终显示不变的预测结果。
根据目标做出正确选择
当估计和预测工作流程围绕测试目标进行设计时，粒子滤波最为有效。
- 如果你的主要关注点是 SOC 精度：使用非线性电气模型，同步采集电流和电压测量值，纳入相关温度影响，并同时报告估计的 SOC 及其不确定性。
- 如果你的主要关注点是 RUL 预测：将容量或电阻等退化变量纳入粒子状态，明确规定 EOD 或 EOL 标准，并在指定的未来运行曲线下传播粒子。
- 如果你的主要关注点是稳健的电芯间预测：离线校准总体行为，表示制造差异，并使用每个电芯自身的测量值在线更新其退化路径。
- 如果你的主要关注点是实时部署：控制粒子数量和重采样频率，预处理噪声健康指标，并根据测试系统的采样要求验证计算延迟。
设计良好的粒子滤波框架可以将非线性电池测量值转换为当前 SOC 和未来电池寿命的动态概率分布，为工程师提供决策依据，而不是制造虚假的精确感。
总结表：
| 方面 | 描述 |
|---|---|
| 核心原理 | 使用粒子群表示可能的电池状态，从而实现非线性和非高斯估计。 |
| SOC 跟踪 | 通过电池模型传播粒子，根据测量值更新权重，并将 SOC 计算为加权平均值。 |
| RUL 预测 | 在假定条件下将粒子投射到未来，定义寿命结束标准，并生成 RUL 的概率分布。 |
| 主要优势 | 在提供估计值的同时给出不确定性范围，从而改善噪声或数据不完整条件下的决策。 |
| 重采样 | 通过重采样防止粒子退化，将计算资源集中于合理状态。 |
| 权衡因素 | 需要谨慎选择粒子数量、模型精度和未来运行场景，以平衡精度与计算量。 |
准备好使用先进的预测诊断技术提升电池测试水平了吗？
在 KINTEK，我们为电池研发和先进材料研究提供全面的实验室设备。我们的产品组合覆盖完整的电芯制造流程，从浆料混合、涂布和精密压制，到电芯组装和测试系统。为了实现准确的 SOC 和 RUL 估计，我们的精密测试设备和稳健的数据采集系统可以与粒子滤波等框架无缝集成。无论您从事电池研发还是材料科学研究，我们的解决方案都能帮助您获得可靠且具有洞察力的结果。
立即联系我们，了解 KINTE 如何支持您的电池测试需求并提升您的研究水平。