第 10 卷 第 2 期 储 能 科 学 与 技 术 Vol.10 No.

2
2021 年 3 月 Energy Storage Science and Technology Mar. 2021

􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀦄
􀤄􀤄􀤄􀦄

􀤄􀤄􀤄􀦄
储能测试与评价
􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀦄

基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池
SOC 估算方法
熊 然，王顺利，于春梅，夏黎黎
（西南科技大学信息工程学院，四川 绵阳 621010）

摘 要：特种机器人由于其复杂的工作环境，要求使用精度高、追踪能力强的荷电状态（state of charge，SOC）
估算方法对特种机器人锂离子电池进行实时状态监测及安全控制。SOC 是电池管理系统中最重要的参数之一。
由于特种机器人工作环境具有强烈的非线性特征，考虑到常用的安时积分法十分依赖初期 SOC 准确性且在估算
后期会积累误差。因此，针对特种机器人的工作特性，以三元锂离子电池为研究对象，在 Thevenin 等效电路模
型及多种工况实验的基础上，利用一种改进扩展卡尔曼滤波（improved extended Kalman filter，IEKF）算法在
10、25 以及 35 ℃下对锂离子电池进行 SOC 估算。在 MATLAB/Simulink 中搭建仿真模型并结合多种工况数据进
行性能分析。实验结果表明，利用 IEKF 算法估算三元锂离子电池的 SOC 值有较好的追踪与收敛效果，且收敛
时间在 80 s 以内。在不同温度下，IEKF 算法收敛后 HPPC 工况和 BBDST 工况的最大估算误差分别低于 2.235%
及 3.004%，小于扩展卡尔曼滤波（extended Kalman filter，EKF）算法对应最大估算误差（9.067% 和 4.654%）。
本研究验证了 IEKF 算法在估算锂离子电池 SOC 时具有较高的精度，为有效解决特种机器人锂离子电池 SOC 值
无法精准估算的问题提供了实验依据。
关键词：特种机器人；锂离子电池；Thevenin 等效电路模型；荷电状态；扩展卡尔曼滤波算法；不同温度
doi：10.19799/j.cnki.2095-4239.2020.0397
中图分类号：TM 912 文献标志码：A 文章编号：2095-4239 （2021） 02-695-10

An estimation method for lithium-ion battery SOC

of special robots based on Thevenin model and improved
extended Kalman
XIONG Ran, WANG Shunli, YU Chunmei, XIA Lili
(School of Information Engineering, Southwest University of Science and Technology, Mianyang 621010, Sichuan, China)

Abstract: Because of the complex working environment of special robots, a state of charge
(SOC) estimation method with high precision and strong tracking ability is required for real-
time state monitoring and safety control of lithium-ion batteries of special robots. SOC is one
of the most important parameters in battery management systems. The working environment
of special robots has strong nonlinear characteristics, considering that the commonly used
ampere-hour integration method depends heavily on the accuracy of the initial SOC and
accumulates errors in the later stages of estimation. Therefore, considering the working
characteristics of special robots, a ternary lithium-ion battery is taken as the research object

收稿日期：2020-12-07；修改稿日期：2020-12-25。 技术，E-mail：438394119@qq.com；通信作者：王顺利，教授，研究
基金项目：国家自然科学基金项目（61801407），四川省科技厅重点研 方向为信号检测与估计、抗干扰处理、控制策略、人工智能和智能计算
发项目 （2018GZ0390，2019YFG0427），四川省教育厅科研项目 研究，针对特殊环境机器人安全可靠供能等典型工况需求，进行全寿命
（17ZB0453），西南科技大学素质类教改（青年发展研究）专项项目 周 期 动 力 锂 电 池 组 的 状 态 测 控 理 论 探 索 及 产 业 化 应 用 ， E-mail：
（18xnsu12）。 497420789@qq.com。
第一作者：熊然（1997―），男，硕士研究生，研究方向为新能源测控
 696 储 能 科 学 与 技 术 2021 年第 10 卷

based on the Thevenin equivalent circuit model and experiments under various operating
conditions. An improved extended Kalman filter (IEKF) algorithm is used to estimate the SOC
of lithium-ion batteries at 10 ℃, 25 ℃, and 35 ℃. The simulation model is built in MATLAB/
Simulink and combined with various working condition data for performance analysis. The
experimental results show that using the IEKF algorithm to estimate the SOC value of ternary
lithium-ion batteries has a good tracking and convergence effect, and the convergence time is
within 80 s. At different temperatures, the maximum estimation errors of the HPPC and
BBDST conditions are less than 2.235% and 3.004%, respectively, after convergence, which
9.067% and 4.654% less than those of the corresponding maximum estimation errors of the
extended Kalman filter (EKF) algorithm. This study verifies that the IEKF algorithm has high
accuracy in estimating the SOC of lithium-ion batteries, and it provides an experimental basis
for effectively resolving the inaccurate estimation of the SOC values of lithium-ion batteries of
special robots.
Key words: special robots; lithium-ion batteries; Thevenin equivalent circuit model; state of
charge; improved extended Kalman filter algorithm; different temperatures

21 世纪能源匮乏和环境污染是阻碍人类可持
续发展的两座大山，发展清洁能源是改善能源结
构、保障能源安全、推进生态文明建设的重要任
[1]
务 。近年来，随着锂离子电池内部正负极、隔膜
和电解液等材料的不断优化改进，工作性能高速发
展，使得锂电池大量运用在新能源汽车、航空、分
布式储能和特种机器人等领域[2]，锂电池是特种机
器人的关键部件[3]。为避免因过度充电和放电而导
致的安全问题，建立可持续监测锂离子电池状态的
电池管理系统(battery management system，BMS)
十分必要[4-5]。精确估算电池的 SOC 能有效防止电
池过充和过放，延长电池使用寿命[6]。精确估算锂
离子电池 SOC 在 BMS 中起着至关重要的作用。构
建等效模型可以针对电池动态特性进行分析，但由
于锂电池内部结构复杂且时常表现出强烈的非线性
特性，使得常规等效模型很难完整表征锂电池内部
特性[7]。因此，建立合适的等效模型来分析锂离子
电池内部动态工作特性，对于控制、监测锂离子电
池性能具有重要的意义。
文献报道中常见的电池模型主要有电化学模
型、人工神经网络模型及等效电路模型等[8-9]。目前
国际上常用的电池 SOC 估算方法有安时积分法、
开路电压法、神经网络法、卡尔曼滤波法及相应的
多种扩展形式的方法等，国内外对 SOC 的估算方
法也进行了不同优化和改进
程是一个复杂的非线性过程，其 SOC 估算精度在
复杂工况条件下易受到外部环境的影响，且锂电池
在使用过程中内部电化学反应复杂，常伴随有极化
效应、欧姆效应等，难以用常规算法对其数学模型
进行量化和分析[12]。基于上述锂离子电池 SOC 估
算问题，近年提出了一些新的 SOC 估算方法，如
扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和自适
应卡尔曼滤波算法等。其中，扩展卡尔曼滤波算法
的基本思想就是将非线性系统的状态方程进行线性
化，并利用泰勒公式，将非线性离散函数展开，使
公式线性化再用卡尔曼滤波算法进行处理。本文中
的 IEKF 算法是针对扩展卡尔曼滤波算法在低 SOC
阶段估算误差较大的现象提出的一种改进方法。
本文研究的目的是验证特种机器人锂离子电池
SOC 在 IEKF 算法下的估算结果是否精准。针对三
元锂离子电池的工作特性，建立 Thevenin 等效电
路模型，在多种工况条件下采用 EKF 算法和 IEKF
算法对锂离子电池 SOC 进行估算。在此基础上对
比两个算法的估算结果，以验证 IEKF 算法的改进
效果。
1 理论分析
1.1 等效电路模型
为了方便地准确估算锂离子电池的荷电状态，
[10-11]
。锂电池充放电过 选择合适的电池等效电路模型进行构建是一个重要
的过程。电池内部动态特性的表征形式及准确度会
 第2期 熊 然等：基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池 SOC 估算方法697

在很大程度上影响荷电状态的估算结果。电池是高 可得到非线性函数关系式。SOC 的定义式

∫
t
度复杂的非线性电化学储能装置，很难精确地描述 I ( t ) ηdt
t0
控制过程中发生的相互作用和反应。目前常见的电 SOC t = SOC t0 - (2)
Q0
池模型包括电化学模型、神经网络模型以及等效电
式中，Q0 为电池额定容量；η 为库仑效率系
路模型等。电化学模型的建模难度和计算复杂程度
数；I 为充放电电流，以放电方向为正方向。利用
大，系统的计算能力可能达不到理论要求，不适用
现代控制理论知识，可将等效模型离散化处理。结
于工程应用。神经网络模型需要大量的实验工况数
合式(2)，选取状态空间变量 xk=[SOCk,U1,k]T，输入
据才能进行电池荷电状态的估算，操作不当易出现
变量 Uk=[Ik]，输出变量 yk=[U0,k]。可获得离散状态空
较大误差。而等效电路模型则是利用电路反应来模
间方程式和观测方程式
拟电池内部的反应。
ì é1 0 ù SOC
ïéêSOC k + 1 ùú = ê ú éê kù
Thevenin 模型是一个结构简单的等效电路模
型，其能够较准确地表征锂离子电池内部动态特
ïë U
ïï
ïï
1，k + 1 û
ê
ë ( )
0 exp -Δt τ p ú ëU 0，k + 1 û
û
ú+

ï é -Δt Q N ù
性，并且满足了一般工程应用的需求。Thevenin ï ê ú
í ê éw 1，k ù (3)
úú I k + êëw úû
模型使用串联电阻和一个 RC 回路来模拟电池内部
ï
ï
ïï
ê é
(
êR p 1 - exp -T τ p ú
ë ë
ù
ûû ) 2，k

特性。与 Rint 模型相比，Thevenin 模型增加了一 ïï T

ï é 0 ù éSOC k ùú + v
ïU 0，k = U oc，k - R 0，k I k + 1 ê ú ê k
个 RC 回路以表征电池内部的极化反应。该模型中 î ë-1 û ë U 1，k û
的内阻和 RC 回路可以用来表征电池的动态特性。 式中，∆t 为采样时间间隔；τp=RpCp；w 为状态
如图 1 所示，Thevenin 模型是常用的等效电路模型 误差，v 为测量误差，它们的协方差矩阵分别是 Q
之一。 和 R。
1.2 参数辨识
选择三元锂电池进行试验,电池的标称容量为
72 A·h，实测容量为 70 A·h。由于 Thevenin 模型
中需要辨识的参数会随温度变化，为测试特种机器
人在不同温度环境下的电池荷电状态，本文试验在
10、25 以及 35 ℃的条件下进行。本次试验的辨识
方法选择基于最小二乘法的离线辨识方法。在以上

图 1 Thevenin 等效电路模型
条件下，对电池进行混合动力充放电实验(hybrid
Fig. 1 Thevenin equivalent circuit model pulse power characterization，HPPC)，通过分析
锂离子电池在不同工作阶段中的工作特性曲线来辨
图中，Uoc 为开路电压；R0 为电池内阻；Rp 为
识 Thevenin 模型各参数。如图 2 所示为 HPPC 实验
极化电阻；Cp 为极化电容；UL 为电池端电压。R0 可
的一次循环充放电过程。
以反映充放电过程中电池电压的瞬时变化。Rp 和 Cp
由图可知，在放电开始的 U1～U2 阶段，欧姆内
可以反映充放电后电池电压的逐渐变化以及电池内
阻引起电池端电压发生骤降。在放电结束的 U3～U4
部 的 极 化 效 应 。 根 据 Kirchhoff 定 律 ， 可 以 从
Thevenin 模型获得等效电路表达式
ìU L = U oc - U 0 - U p
ï
íI ( t ) = C dU p + U p (1)
ï p
dt Rp
î
式中，Uoc、R0、Rp、Cp 以及 UL 与图 1 中所对
应的变量物理含义一致。Up 代表 Rp、Cp 两端的电
压，I 代表 Thevenin 等效电路中的实时电流。其 图 2 锂离子电池的一次 HPPC 循环
中，开路电压 Uoc 可由状态变量 SOC 来进行表征， Fig. 2 One HPPC cycle of lithium-ion battery
 698 储 能 科 学 与 技 术 2021 年第 10 卷

阶段，电池搁置，负载电流和欧姆电压消失引起电 为观测向量；wk 和 vk 分别为状态误差和观测误差，

池端电压发生骤升，因此可知电池欧姆内阻如式 也就是相互独立的高斯白噪声。在处理锂离子电池
(4)所示。 的非线性问题时，采用一阶泰勒级数展开法可以扩

R0 =
| ΔU | + | ΔU | = U
1 2 1 - U2 + U4 - U3
(4)
展其在非线性系统中的应用，即对非线性函数 f 和
2I 2I h 进行一阶泰勒级数展开，其结果被认为是在 k 时
由图 2 可知，U2～U3 阶段为 RC 回路中极化电 间点的最佳估计值。展开结果如式(8)所示。
容充电，电压缓慢下降，此时为 RC 回路的零状态 ì |
ïf X ，k ≈ f X̂ ，k + ∂f X k，k || ( )
响应。端电压达到 U3 之后电池停止放电，欧姆内阻 ï k( ) k (
∂X k |
) X k - X̂ k ( )
ï | X = X̂
不再影响等效电路，电池电压发生突变。U2～U3 阶 ï k k
í (8)
段电池端电压如式(5)所示。 ï ∂h X k，k | |
( )
( )
ïh X ，k ≈ h X̂ ，k +
ï ∂X k
( |
| ) X k - X̂ k ( )
U L = U oc - IR 0 - IR p [ 1 - exp ( -t τ ) ]
k k
(5) ï | X = X̂
î k k

U4～U5 阶段端电压逐渐上升，此时 RC 回路中

令
的极化电容向极化电阻放电，导致电压缓慢回升，
(
∂f X k，k ||)
为 RC 回路的零输入响应。U4～U5 阶段的电池端电 Ak =
∂X k |
| ( )
，B k = f X̂ k，k - A k X̂ k，C k =
压如式(6)所示。 |X = X̂ k
k

U L = U oc - IR p exp ( -t τ ) (6) ( )
∂h X k，k ||
式中，Rp 为极化电阻；R0 为电池内阻；Uoc 为 ∂X k
|
| (
，D k = h X̂ k，k - C k X̂ k ) (9)
|X = X̂ k
开路电压；τ 为时间常数且 τp=RpCp，其中 Cp 为极化
k

将 Ak、Bk、Ck 和 Dk 进行一系列线性变化之后，
电容。
非线性系统被转化为线性系统，并且转化后的线性
1.3 改进扩展卡尔曼算法
系 统 只 与 状 态 变 量 有 关 。 式 (8) 可 由 式 (10) 线 性
经典卡尔曼滤波算法在时域内进行估算，没有
表示。
进行时域和频域的相互转换，因此计算量小且实时
估算效果好，其常用于线性系统。而现实中的系统 {XZ k+1

k+1
= Ak Xk + Bk + wk
= Ck Xk + Dk + vk
(10)

多为非线性随机系统，如锂离子电池 SOC 系统。 式(10)包含了一个状态空间方程和一个观测方

于 是 扩 展 卡 尔 曼 滤 波 (extended Kalman filter， 程。其中 A 为状态转移矩阵，B 为控制矩阵，C
k k k

EKF)算法就被提出用来解决此类问题。扩展卡尔 为系统观测矩阵，D 为前馈矩阵。初始滤波状态变

k

曼滤波算法通过线性化非线性状态空间模型来估计 量及其方差的方程如式(11)所示。

{ X (0) = E [ X (0) ]
非线性系统，以此用来实现精确的状态估算。扩展
卡尔曼算法是一种结合概率论的数学方法，其基本 (11)
P ( 0 ) = Var [ X ( 0 ) ]
思想是根据最小方差对系统状态进行最优估计，其
将式(10)应用于离散化模型，对状态空间方程
原理是将信号和噪声的状态空间模型相结合。扩展
应用卡尔曼算法进行预测估算，能够获得扩展卡尔
卡尔曼算法是对经典卡尔曼算法的改进。在该算法
曼算法的递推过程如式(12)所示。
中，将状态转移函数和测量函数进行一阶泰勒展
开，忽略高阶项对系统的影响，得到近似的线性空
ìX̂ k- - 1 = f X̂ k
ï ( )
ï -
ïP̂ k - 1 = A k P̂ A Tk + Q k + 1
间方程，然后再根据经典卡尔曼滤波算法对其进行 ï
ïK
( )
-1
í k + 1 = P̂ k + 1C k + 1 C k + 1 P̂ k + 1C k + 1 + R k + 1
- T - T
运算，适用于离散非线性系统。离散非线性系统状 (12)
ï
态方程和观测方程如式(7)所示。 ï k + 1 = Xk + 1 + Kk + 1 Zk + 1 - h (Xk + 1)
ïX̂ -
[-
]

{
ï
(
X k + 1 = f X k，k + w k) ïP̂ [
î k + 1 = I - K k + 1C k + 1 P k + 1
-
]
(7)
( )
Z k = h X k，k + v k 式中，X̂ k- - 1 为 k+1 时刻根据状态空间模型及上
式中，第 1 个等式表示状态方程，第 2 个等式 一时刻 X̂ k 直接计算出来的先验状态向量值； P̂ k- - 1
表示观测方程。k 为离散时间；Xk 为状态向量；Zk 为对应的先验协方误差矩阵；Kk+1 为对应的卡尔曼
 第2期 熊 然等：基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池 SOC 估算方法699

增益(使用当前时刻的卡尔曼增益 Kk+1 进行修正后， ìx ( k | k - 1 ) = A k - 1 x ( k - 1 ) + B k - 1 i k - 1

ï
ï
能够得到当前时刻状态向量和均方误差的最优预测 ïP ( k | k - 1 ) = A k - 1 P̂ k - 1 A k - 1 + Q k
T

ï
估计值 X̂ k + 1 和 P̂ k + 1，即后验状态向量和后验协方 ï
( )
-1
T T
íK k = P kC k C k P kC k + R k (16)
误差)；I 为 n×m 单位阵；Q 和 R 分别为 w 和 v 的方 ï

差矩阵，一般不随系统变化。在 Thevenin 模型中，

[
ïx̂ = x ( k | k - 1 ) + K U ( k ) - C x ( k | k - 1 )
ï k k L k ]
ï
根据电压电流的关系以及安时积分原理可得到状态 î k (
ïP̂ = I - K C P )
k k k

空间方程如式(13)所示。 递推过程首先对 k 时刻的状态变量进行预测，

ìE ( t ) = U L ( t ) + R 0 I ( t ) + u ( t ) 再通过计算此时状态变量的估计误差来预测对应的
ï
ï u (t) du 协方差。预测结束后，开始计算此时的卡尔曼增益
ïI ( t ) = + Cp
í Rp dt (13) 以完成对状态变量以及噪声协方差的更新。状态变
ï
( ) ∫
ï t
量最优估计值通过 k 时刻的开路电压值进行估算更
ïSOC ( t ) = SOC t 0 - ηi ( t ) dt Q0
î t0
新，噪声协方差通过 k 时刻卡尔曼增益值以及 k-1
式中，E 为理想电压源；I 为通过电池内阻 R0 时刻的噪声协方差进行估算更新。
的电流；Q0 为电池额定容量；η 为库仑效率系数；i EKF 算法在每一次迭代过程中对锂离子电池
为充放电电流，以放电方向为正方向。将式(13)离 SOC 进行预测和更新。在锂离子电池的高容量区
散化后，可得到其对应的状态空间方程和观测方程 时，EKF 算法估算 SOC 有较好的效果。但当锂离
如式(14)所示。 子电池 SOC 低于 40% 时，EKF 算法的估算效果较

{ x (k | k - 1) = Ak - 1 x (k - 1) + Bk - 1 ik - 1 + wk

( )
z k = h x k - 1，i k - 1 + v k = U oc - R 1 i k - u k + v k
(14)
差，在工况实验中甚至出现估算结果为负值的现
象。经过理论分析，上述现象出现的原因为：
将式(14)经过一阶泰勒展开线性化处理后，可 （1）EKF 算法所得的解并不是全局最优解而仅
得到 Thevenin 等效电路模型在式(9)中对应的 Ak、 是局部最优解，会导致估算误差积累，导致 SOC
B 和 C 的值如式(15)所示。其中 A 为状态转移矩 值在估算后期越来越偏离实际值，出现估算误差较
k k k

阵，Bk 为控制矩阵，Ck 为观测矩阵。利用扩展卡尔 大的情况；

曼滤波算法来完成目标状态估算，不需要事先计算 （2） 当锂离子电池放电至 SOC 低于 40% 时 ，
标称轨迹。非线性方程的求解目标是使噪声为零。 电池端电压的剧烈变化使得 SOC-OCV 曲线拟合出
而扩展卡尔曼算法是一个线性近似的非线性过程， 的端电压误差增大，导致 EKF 算法的估算结果不
精确。
因此只能与滤波误差一起使用。

( )
为避免上述现象的发生，在锂离子电池容量低
( )
1 0 -t Q 0
 k = ，B̂ k = ， 于 40% 的区域可采用安时积分法进行估算。但安
0 exp ( -t τ ) R p [ 1 - exp ( -t τ ) ]
时积分法十分依赖 SOC 初值且会随着时间的推移
Ĉ k = ( ∂u oc
∂soc
|
-1 ||)
|x
k = x̂ k
(15) 积累误差。因此，提出一种在低容量区采用安时积
分法和 EKF 算法比较误差绝对值以求出误差最小，
结合式(14)与式(15)，Thevenin 等效电路模型 其他容量区仍采用 EKF 估算的 IEKF 算法。基于
的扩展卡尔曼算法递推过程如式(16)所示。在扩展 IEKF 算法的 SOC 估算流程如图 3 所示。
卡尔曼滤波算法中，利用一阶泰勒级数展开对经典 IEKF 算法是一种混合算法。在锂离子电池容
卡尔曼滤波算法进行线性化，不可避免地会产生估 量高于 40% 时，该算法进行 EKF 估算并将估算结
算误差。这可能会导致滤波发散，增加估计的不稳 果作为最终输出结果。在锂离子电池容量低于 40%
定性。然而在实际应用中很多系统都是非线性的， 时，该算法需要比较此时 EKF 算法估算误差与安时
因 此 需 要 去 掉 泰 勒 展 开 式 的 高 阶 分 量 才 能 进 行 算法估算误差的绝对值大小，并将误差绝对值小的
估算。 算法所对应的 SOC 值作为最终输出结果。
 700 储 能 科 学 与 技 术 2021 年第 10 卷

图 3 IEKF 算法的 SOC 估算流程

Fig. 3 SOC estimation flow chart of IEKF algorithm

2 实验结果分析 25 ℃时，不同 SOC 阶段的欧姆内阻 R0、极化内阻

Rp、极化电容 Cp 和开路电压 Uoc 的辨识结果见表 1。
2.1 参数辨识结果及分析
根据每个 SOC 测试点的 HPPC 实验数据，可以得
针对锂电池在充放电过程中所表现出的内阻差
到 Thevenin 模型中不同参数与 SOC 的对应函数
异，对锂离子电池进行混合动力充放电实验。其中
关系。
放电过程的 HPPC 实验步骤如下。
从表 1 中可以看出，欧姆内阻 R0 随 SOC 值的
（1）对锂电池进行标准放电。放电结束结束后
降低而缓慢增加，且变化范围较小、变化速率较
静置 2 h，再将电池恒流恒压充电至满电量。其中，
慢。极化内阻 Rp 随 SOC 值的降低而缓慢减小。当
恒流大小为 1 C，恒压大小为 4.2 V，充电截止条件
表1 不同 SOC 状态下的模型参数
为电流降至 3.5 A。充放电 12 h 后激活锂电池。
Table 1 Model parameters under different SOC states
（2）对锂电池进行电流脉冲实验。先以 1 C 的
SOC/% R0/mΩ Rp/mΩ Cp/kF Uoc/V
电流放电 10 s，然后静置 40 s，再以 1 C 的电流充
100 1.254 0.3370 212.463 4.19178
电 10 s，目的是使电池回到之前的 SOC 值。完成 90 1.187 0.3737 180.492 4.05609
一组脉冲充放电实验后，以 1 C 的速率放电 6 min， 80 1.179 0.4094 174.279 3.94053

再放置 40 min，然后进行 HPPC 实验，记录开路电 70 1.191 0.4530 177.086 3.83437

60 1.206 0.4166 192.332 3.72342
压、放电电流和放电时间。
50 1.227 0.3221 241.944 3.64889
（3）重复步骤(2)，每次循环使电池容量下降
40 1.254 0.2989 237.839 3.61378
10%。 分 别 在 锂 电 池 SOC=0.9、 0.8、 0.7、 ...、 30 1.276 0.3136 221.919 3.58632
0.1 下进行 HPPC 实验即可辨识出电池的欧姆内阻 20 1.316 0.3733 203.509 3.53312

R0、极化内阻 Rp、极化电容 Cp 和开路电压 Uoc。在 10 1.386 0.5096 130.600 3.45602

 第2期 熊 然等：基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池 SOC 估算方法701

SOC 降低至 20% 及以下时 Rp 急剧增大，增加的加

速度也随之增大。长时间放置后，极化效应和欧姆
内阻效应大大降低。此时测得的电池端电压为开路
电压 Uoc，即电池电动势 E。SOC 值从 100% 下降
到 90% 阶段，锂电池端电压迅速下降，Uoc 下降了
0.135 V。SOC 值从 90% 下降到 50% 阶段，SOC
每下降 10%，Uoc 下降 0.075～0.095 V。SOC 值从
50% 下降到 20% 阶段为稳定阶段，此时 SOC 每下
降 10%，Uoc 降低幅度基本稳定在 0.05 V 以内，电
压波动较小。SOC 值下降至 20% 及之后的阶段 ，
由于电池放电，Uoc 下降很快，电压波动很大。实
验结果表明，当 SOC 小于 20% 时，即锂离子电池
深度放电后，电池内部化学反应严重。为验证 EKF
算法对特种机器人锂电池 SOC 的估算是否合理 ，
本实验需要在多类工况条件下进行研究，以分析算
法的精度、误差及收敛性。
2.2 HPPC 实验结果及分析
由于锂离子电池在实际应用中常表现为间歇性
放电状态，因此本实验需要在 HPPC 工况条件下对
电 池 模 型 进 行 仿 真 分 析 ， 仿 真 平 台 选 择 Matlab/
Simulink。安时积分法、扩展卡尔曼算法和改进扩
展卡尔曼算法的 SOC 初始值分别设定为 1、0.8、
0.8。实验结果如图 4 所示。
在本实验中，将安时积分法估算的 SOC 值与
EKF 算 法 和 IEKF 算 法 的 估 算 结 果 进 行 对 比 。
图 4(a)、(c)和(e)中 3 条曲线分别为安时积分估算

图 4 HPPC 实验下 SOC 估算及估算误差

Fig. 4 SOC estimation and estimation error under
cyclic discharge

值、扩展卡尔曼算法估算值以及改进扩展卡尔曼算
法估算值，从图中可以看出 EKF 算法收敛效果良好
但跟踪效果一般，在曲线末端甚至出现 SOC 值为
负的情况，而 IEKF 算法的收敛与跟踪效果都比较
良好。图 4(b)、(d)和(f)中的曲线分别为 EKF 算法
和 IEKF 算法的估算误差值，从图中可以看出在收
敛后扩展卡尔曼算法在 10、25 以及 35 ℃的 SOC
估 算 误 差 最 大 值 分 别 达 到 4.83%、 9.067% 以 及
 702 储 能 科 学 与 技 术 2021 年第 10 卷

5.706%，不在误差允许范围之内，而在收敛后改 曼算法的 SOC 初始值分别设定为 1、0.8、0.8，实

进扩展卡尔曼算法在 10、25 以及 35 ℃的 SOC 估 验结果如图 5 所示。
算误差值分别低于 1.566%、2.139% 以及 2.235%， 由图 5(a)、(c)和(e)可知，在以上 3 种温度下，
在误差允许范围之内。 EKF 算法和 IEKF 算法的收敛时间都在 80 s 以内。
2.3 BBDST 工况实验结果及分析
为进一步验证基于 IEKF 算法的 SOC 估算方法
的收敛性和追踪性，本实验采用深圳市亚科源科技
有限公司提供的 BTS750-200-100-4 电池检测设备
对中航锂电三元锂电池单体进行北京公交动态测试
工况(Beijing bus dynamic stress test，BBDST)设
置工况实验。BBDST 工况是对北京公交车进行真
实数据采集得到的工况，具体采集了北京公交车起
步加速滑行等各个环节的数据。BBDST 工况具体
设置步骤见表 2。
表2 BBDST 工况参数及描述
Table 2 Steps of BBDST working condition
Ph/kW Pc/W 单步/s 累计/s 工况
37.5 37.5 21 21 起步
72.5 72.5 12 33 加速
4.5 4.5 16 49 滑行
-15 -15 6 55 制动
37.5 37.5 21 76 加速
4.5 4.5 16 92 滑行
-15 -15 6 98 制动
72.5 72.5 9 107 加速
92.5 92.5 6 113 急加速
37.5 37.5 21 134 加速
4.5 4.5 16 150 滑行
-15 -15 6 156 制动
72.5 72.5 9 165 加速
92.5 92.5 6 171 急加速
37.5 37.5 21 192 加速
4.5 4.5 16 208 滑行
-35 -35 9 217 制动
-15 -15 6 229 制动
4.5 4.5 71 300 停车

由于本文是对锂离子电池单体进行研究，根据
实际情况，将每步工况功率按比例缩小。在表 2
中，Ph 是真实的北京公交车起步、加速、滑行、制
动、急加速、停车等工况下的电池输出功率。由于
本文是对锂电池单体进行实验，根据实际应用情
况，对每步工况的 Ph 按比例进行减小，得到了 Pc。
Pc 为本次对中航锂电三元锂电池进行实验所用数
据。安时积分法、扩展卡尔曼算法和改进扩展卡尔
 第2期 熊 然等：基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池 SOC 估算方法703

了特种机器人的工作效率与其锂离子电池的使用效
率，避免了因电池剩余容量估算误差过大而造成的
一系列特种机器人作业问题。

参 考 文 献

图 5 BBDST 工况 EKF 算法对 SOC 的估算及估算误差
Fig. 5 SOC and estimation error of EKF algorithm
under BBDST condition
在收敛后，EKF 算法估算曲线和实际曲线变化趋势
[1] 邓春 . 用于水下机器人的锂电池智能管理系统的研究与设计[D]. 成
都: 西南交通大学, 2019.
DENG C. Research and design of lithium battery intelligent
management system for underwater vehicle[D]. Chengdu: Southwest
Jiaotong University, 2019.
[2] 蒋聪, 吴斌, 王顺利, 等 . 基于改进 EKF 算法的动力锂电池 SOC 估算
技术研究[J]. 自动化仪表, 2019, 40(11): 90-94+98.
JIANG Cong, WU Bin, WANG Shunli, et al. Research on SOC

基本一致，但在曲线末端不能进行精准跟踪。而 estimation technology of power lithium battery based on

improved EKF algorithm[J]. Automatic Instrument Table, 2019, 40
IEKF 算法在收敛后估算曲线和实际曲线基本重合，
(11): 90-94+98.
能较好地模拟锂离子电池在 BBDST 工况下的放电 [3] 范烨, 陈秋霞, 倪丽慧 . 移动机器人的锂电池 BMS 管理系统设计[J].
情况。图 5(b)、(d)和(f)中的曲线分别是 EKF 算法 单片机与嵌入式系统应用, 2019, 19(2): 73-76.

和 IEKF 算法的估算误差值，从图中可以看出在收 FAN Ye, CHEN Qiuxia, NI Lihui. Design of lithium battery BMS for
mobile robot[J]. Application of single Chip Microcomputer and
敛后扩展卡尔曼算法在 10、25 以及 35 ℃的 SOC
Embedded System, 2019, 19(2): 73-76.
估 算 误 差 最 大 值 分 别 为 4.1%、 4.007% 以 及 [4] LUO Yong, QI Pengwei, KAN Yingzhe, et al. State of charge
4.654%，不能满足特种机器人锂离子电池的工程 estimation method based on the extended Kalman filter algorithm

需求，而在收敛后改进扩展卡尔曼算法在 10、25 with consideration of time-varying battery parameters[J].

International Journal of Energy Research, 2020, 44(13): 10538-
以及 35 ℃的 SOC 估算误差值分别低于 3.004%、
10550.
1.354% 以及 2.046%，这验证说明了 IEKF 算法在 [5] 陈盛华 . 基于 EKF-AH 联合算法的锂离子电池荷电状态估算[J]. 电
估算锂离子电池 SOC 中的准确性和优越性。 源技术, 2019, 43(1): 103-106.
CHEN Shenghua. Estimation of charge state of lithium-ion
3 结 论 battery based on EKF-AH joint algorithm[J]. Chinese Journal of
Power Sources, 2019, 43(1): 103-106.
特种机器人锂离子电池精确的 SOC 估算对于 [6] 吴铁洲, 罗蒙, 张琪, 等 . 基于迭代扩展卡尔曼滤波算法的电池 SOC

其在复杂工作环境下的电池状态监测管理十分重 估算[J]. 电力电子技术, 2016, 50(5): 95-98.

WU Tiezhou, LUO Meng, ZHANG Qi, et al. Battery SOC
要。本文对特种机器人锂离子电池建立了
estimation based on iterative extended Kalman filter algorithm[J].
Thevenin 等效电路模型来表征其动态特性。在此 Power Electronics Technology, 2016, 50(5): 95-98.
基础上，进行了 HPPC 实验以及 BBDST 工况实验 [7] ARAVINDA R M, SANOOP R, ASHISH K, et al. Fast
computational framework for optimal life management of lithium
来辨识 Thevenin 模型中的参数和验证 IEKF 算法的
ion batteries[J]. International Journal of Energy Research, 2018,
精准收敛性及追踪性。在不同电池容量状态下 ， 42(5): 1973-1982.
IEKF 算法均能准确估算锂离子电池 SOC，并且在 [8] 朱方方, 王康丽, 蒋凯 . 基于 Simulink 的锂离子电池建模与仿真研究
3 种温度下，HPPC 工况以及 BBDST 工况中 IEKF [J]. 电源技术, 2019, 43(3): 434-436+489.
ZHU Fangfang, WANG Kangli, JIANG Kai. Modeling and
算法的最大误差分别控制在 2.235% 和 3.004% 以
simulation of lithium-ion battery based on Simulink[J]. Chinese
内。实验结果验证了该算法在对锂离子电池进行 Journal of Power Sources, 2019, 43(3): 434-436+489.
SOC 估算时具有较高的精度，完全能够满足特种 [9] STURM J, ENNIFAR H, ERHARD S V, et al. State estimation of

机器人锂离子电池在复杂工作环境条件下的估算要 lithium-ion cells using a physicochemical model based extended

Kalman filter[J]. Applied Energy, 2018, 223: 103-123.
求。特种机器人锂离子电池 SOC 的精准估算促进
[10] 刘民, 李少林, 张景明 . 基于多种模型的递进式智能 SOC 估算[J]. 桂
了相关 BMS 的发展，使得特种机器人在工作条件 林电子科技大学学报, 2019, 39(2): 130-134.
下的电池容量状态能被更精准地监测与控制，提高 LIU Min, LI Shaolin, ZHANG Jingming. Progressive intelligent
 704 储 能 科 学 与 技 术
SOC estimation based on multiple models[J]. Guilin University of
Electronic Science and Technology, Journal of Science and
Technology, 2019, 39(2): 130-134.
[11] 张方亮 . 基于改进 EKF 算法的锂离子电池 SOC 估算方法[J]. 电源学
报, 2018, 16(5): 124-129.
ZHANG Fangliang. SOC estimation method of lithium-ion battery
based on improved EKF algorithm[J]. Journal of Power Supply,
2021 年第 10 卷
2018, 16(5): 124-129.
[12] 陈清华, 卢宇, 何志杰 . 基于改进 EKF 算法的锂电池 SOC 估算方法
[J]. 福建师范大学学报(自然科学版), 2018, 34(6): 34-39+46.
CHEN Qinghua, LU Yu, HE Zhijie. SOC estimation method of
lithium battery based on improved EKF algorithm[J]. Journal of
Fujian Normal University (Natural Science Edition), 2018, 34(6):
34-39+46.