模型不确定性校正通过修正理想化电池模型与电池实际动态行为之间的差距，从而提高电池估计的准确性。 在联邦城市驾驶工况 (FUDS) 等协议期间，高斯过程或类似的不确定性模型会从测量数据中学习系统性的电压预测误差，并对基准等效电路模型进行校正。在参考结果中，这使端电压 RMS 误差降低了高达 43%（从 0.0251 V 降至 0.0144 V），同时具备不确定性感知能力的扩展卡尔曼滤波 (EKF) 在初始 SOC 偏移后改善了 SOC 收敛性并降低了跟踪误差。
核心要点： 校正模型不确定性使观测器能够更准确地预测端电压，从而产生更具参考价值的电压残差以更新 SOC。其结果是能够更快地从初始化误差中恢复，并在快速变化的电流需求下实现更可靠的状态跟踪。
为什么动态测试会暴露模型误差
静态模型无法代表所有瞬态
等效电路模型（如 Thevenin OCV-R-RC 模型）使用开路电压、电阻和瞬态响应参数来表示电池行为。这些模型虽然有用且计算效率高，但它们是对随电流、SOC、温度、老化和运行历史而变化的电化学过程的近似。
动态协议包括类似加速的负载变化、再生事件和短时高电流脉冲。这些条件会暴露固定参数模型可能无法准确捕捉的行为。
端电压包含的信息不仅仅是 SOC
电池的测量端电压反映了多种同时发生的影响：
- 与 SOC 相关的开路电压
- 欧姆电压降
- 瞬态极化
- 扩散和阻抗行为
- 温度和老化影响
- 测量噪声和参数变化
如果模型将所有电压差异归因于 SOC，则可能会应用错误的状态校正。模型不确定性校正将可预测的模型偏差与应更新 SOC 的残差部分分离开来。
不确定性校正如何改善电压估计
基准模型产生预测
在每个时间步长，等效电路模型使用估计的 SOC、内部动态状态、电流和模型参数来预测端电压。测试系统随后将此预测电压与测量电压进行比较。
差异即为电压残差：
[ r_v = V_{\text{measured}} - V_{\text{predicted}} ]
对于一个完美代表性的模型，该残差主要反映传感器噪声。但在实践中，它还包含系统性的模型误差。
不确定性模型学习残差结构
诸如高斯过程回归之类的模型可以学习电压误差如何依赖于运行条件和模型状态。然后，它可以估计一个校正项，以解释基准等效电路模型所忽略的行为。
从概念上讲，校正后的预测为：
[ V_{\text{corrected}} = V_{\text{baseline}} + \Delta V_{\text{uncertainty}} ]
该校正不会取代物理模型。它通过表示难以用少量固定电路元件描述的剩余行为来补充模型。
测量电压变得更具参考价值
校正后，电压残差变小且系统性偏差减少。因此，观测器不太可能将未建模的电阻、极化或扩散效应误解为 SOC 误差。
在参考的 FUDS 测试条件下，该方法将电压 RMS 误差从 25.1 mV 降至 14.4 mV。这一改进表明，校正后的模型在动态运行期间能更紧密地跟踪快速的电压变化。
更好的电压预测如何改善 SOC 估计
EKF 使用残差更新 SOC
EKF 结合了两种信息来源：
- 预测： 使用电流测量值和电池模型传播 SOC。
- 校正： 使用测量电压与预测电压之间的差值来更新 SOC 和其他状态。
校正由观测器增益加权，该增益取决于模型不确定性、测量不确定性以及电压对估计状态的敏感度。
校正后的残差防止误导性 SOC 更新
如果没有不确定性校正，由不完善的动态模型引起的电压误差可能会被误认为是 SOC 误差。EKF 随后可能会将 SOC 移向错误的方向，或反复补偿相同的未建模行为。
当模型考虑到其不确定性时，电压残差能更准确地反映真实的状态失配。EKF 可以进行更小、更有针对性的 SOC 校正，而不是利用 SOC 来补偿电压模型的缺陷。
初始 SOC 偏移被更快消除
SOC 估计器通常从不完美的初始 SOC 开始，因为在测试之前可能不知道电池的真实状态。只要电压模型足够准确，闭环观测器就可以通过使用电压反馈从这种偏移中恢复。
主要参考资料报告称，引入模型不确定性使 EKF 能够更快地克服初始 SOC 偏移，并实现显著更低的 SOC 跟踪误差。实际的好处是在测试期间提高了收敛性，而不是依赖于准确的初始条件。
这对电池测试和研发意味着什么
动态表征变得更具代表性
测试系统用于评估电池在真实电流曲线下的行为，而不仅仅是稳态工作点。具有不确定性感知能力的模型在保留等效电路模型效率的同时，提高了其表示动态电压行为的能力。
库仑计数误差在闭环中得到校正
库仑计数在短时间间隔内有效，但会累积来自电流传感器偏差、不确定容量和未建模充放电行为的误差。开路电压法可以提供有用的 SOC 信息，但通常需要较长的弛豫时间，这在动态测试期间是不切实际的。
基于模型的观测器连续使用电压反馈。这允许系统在电池处于动态负载下时校正累积的积分误差。
高质量数据仍然至关重要
不确定性校正无法补偿糟糕的测量或不足的测试覆盖范围。需要准确、同步的电压、电流和温度数据来识别基准模型并学习有意义的不确定性行为。
跨多个电池和运行条件的表征也有助于区分可约减的模型误差与真正的电池间差异。
理解权衡
校正质量取决于训练数据
高斯过程或其他学习到的校正只有在其校准数据所代表的运行条件下才可靠。如果电池在不熟悉的温度、老化程度、电流范围或 SOC 区域进行测试，校正准确性可能会下降。
因此，不确定性模型应在将要使用的动态曲线和环境条件下进行验证。
更小的电压误差不能保证完美的 SOC
SOC 的可观测性取决于电池的电压-SOC 关系。在电压随 SOC 变化不大的区域，即使是准确的电压预测也可能提供有限的 SOC 信息。
更先进的模型增加了复杂性
具有不确定性感知能力的模型需要额外的计算、校准数据和验证。高斯过程方法在计算上可能比基本的 EKF 更苛刻，特别是在训练数据集变大时。
分数阶模型和非线性观测器可以更准确地表示扩散和阻抗行为，但它们引入了额外的参数和实现复杂性。
必须将模型不确定性与测量噪声区分开来
将所有残差视为模型不确定性可能会导致观测器过度校正传感器噪声。相反，分配给模型的不确定性太少可能会使滤波器过于自信，对真实的状态误差反应迟钝。
不确定性结构必须分别考虑测量、算法、环境、参数和模型的不确定性。
为您的目标做出正确的选择
将不确定性校正作为完整估计工作流程的一部分，而不是作为孤立的算法功能。
- 如果您的主要重点是端电压准确性： 使用动态电压和电流数据校准基准等效电路模型，然后在 FUDS 等曲线期间使用不确定性模型来校正系统性残差。
- 如果您的主要重点是 SOC 收敛性： 将校正后的电压模型与 EKF 或类似的闭环观测器结合使用，以便电压残差在初始 SOC 偏移后提供可靠的反馈。
- 如果您的主要重点是广泛的运行条件覆盖： 收集跨温度、SOC、电流、老化和多个电池的同步数据，以便不确定性模型在单个测试曲线之外仍然有效。
- 如果您的主要重点是最大的动态保真度： 当扩散和阻抗行为产生简单整数阶等效电路无法表示的误差时，评估分数阶或非线性模型。
- 如果您的主要重点是可部署的实时计算： 平衡校正准确性与模型大小、观测器复杂性、处理要求以及代表性校准数据的可用性。
模型不确定性校正通过使电压反馈更紧密地反映电池的真实行为，从而改善电池状态估计，从而在动态测试期间实现更准确、更快速的 SOC 跟踪。
总结表：
| 方面 | 无校正 | 有校正 |
|---|---|---|
| 电压 RMS 误差 | 0.0251 V | 0.0144 V |
| SOC 收敛性 | 较慢，偏移较大 | 较快，偏移最小 |
| 电压残差 | 有偏差，包含模型误差 | 减少，更具参考价值 |
关键改进：
- 电压预测：校正后的模型能更紧密地跟踪快速的电压变化。
- SOC 估计：EKF 使用准确的残差进行更好的状态更新。
- 动态测试：在 FUDS 和类似曲线下更可靠。
使用 KINTEK 先进的实验室设备提高您的电池测试准确性。我们的综合解决方案支持研发和材料研究的精确表征。立即联系我们以优化您的动态测试协议并实现卓越的 SOC 估计。联系我们。