陈霖华，陈剑，徐志强，夏向阳，曾小勇，石超，周文钊

(1.湖南经研电力设计有限公司，湖南长沙，410004；2.国网湖南省电力公司经济技术研究院，湖南长沙，410004；3.长沙理工大学电气与信息工程学院，湖南长沙，410004)

锂离子电池具有高工作电压、高能量比、低自放电率和较高的循环寿命等优势，已成为新能源汽车、电网等中储能系统的主流选择[1−3]。在诸多储能技术路线中，电化学储能装置响应时间为毫秒级，相对于水电、火电等常规功率调节手段具有较大技术优势。电池储能电站跟踪负荷变化能力强，响应速度快，控制精确[4−5]。

随着锂离子电池持续使用，其容量将不断衰减，内阻将不断上升，从而降低电池的能量密度和功率密度，因此，有必要对电池的荷电状态(SOC)和健康状态(SOH)进行在线联合估算[6−11]。SOC 的估算准确性受电池老化的影响。此外，若SOC 的估计精度不高，则会影响电池的SOH 校准精度，与电池SOC 变化相比，电池SOH 通常变化较慢。目前估算SOC 的常用方法有安时积分法、开路电压法、卡尔曼滤波法、神经网络等。安时积分估算法简单可靠，充放电与所提供的电流有关，但是会对开环估计、不确定性或干扰引起的误差进行积累，并且对电流的要求很高，适用于对过充电不太敏感的系统[12−13]。开路电压法计算速度快，但需要电池达到稳定状态，这个过程需要很长时间，不适用于动态的电池SOC 估算[14]。卡尔曼滤波法(KF)估算电池SOC 要采用闭环估计，是最小均方的最优估算，扩展卡尔曼滤波(EKF)需要对非线性模型进行线性化处理，从而会使系统引入线性化误差，无迹卡尔曼滤波(UKF)存在估算不稳定的缺点，无法确定状态协方差的半正定性，不能降低噪声协方差带来的误差，估计精度会受到影响等[15−17]。……