针对在非高斯噪声干扰下，传统扩展卡尔曼滤波算法估计锂电池荷电状态时精度低的问题，长安大学电子和控制工程学院、四川大学电气工程学院的研究人员巫春玲、胡雯博、孟锦豪、刘智轩、程琰清，在2021年第24期《电工技术学报》上撰文，提出一种基于最大相关熵的扩展卡尔曼滤波新算法，用于估计锂电池的荷电状态。新算法在运行时间新增很小的情况下，估计精度高且鲁棒性好，是一种非常有效的估计方法。
锂电池具有比能量高、自放电率低、循环性能好﹑无记忆和绿色环保等优点，是目前最具发展前景的高效二次电池和发展最快的化学储能电池。同时，锂电池市场价格适中，且能够长时间稳定供能，逐渐成为储能系统中广泛应用的重要元件之一。
为更好地掌握锂电池的工作状态，要对其荷电状态（StateofCharge,SOC）进行精确的分析计算和预测估计。SOC表示电池中剩余的可使用能量，准确的SOC估计不仅能够供应和电池性能相关的信息，而且还能够提高电池运行过程中的可靠性和安全性。由于电池内部化学反应复杂、系统非线性强，且具有时变特性，故不能直接对电池SOC进行测量。
在SOC估计的众多方法中，基于卡尔曼滤波的方法估计SOC目前应用比较广泛。传统卡尔曼滤波算法及其改进方法均在高斯噪声干扰下进行估计，然而实际情况下，系统常处于非高斯噪声干扰下。在非高斯噪声干扰，上述各种算法的估计精度会变差，难以应用于实际情况。
为提高非高斯噪声干扰下电池SOC的估计精度，长安大学电子和控制工程学院等单位的研究人员提出一种基于最大相关熵准则的扩展卡尔曼滤波（MaximumCorrelation-entropyCriterionExtendedKalmanFilter,MCC-EKF）算法用于电池的SOC估计。他们首先对锂电池进行Thevenin等效电路建模，并对该模型中的参数进行了辨识，然后在高斯噪声干扰和非高斯噪声干扰下，分别运用提出的MCC-EKF算法和EKF算法对电池SOC进行估计。
实验结果表明，和EKF算法相比，新算法在高斯噪声干扰下，运行时间新增0.282s，估计精度提高19%；在非高斯噪声干扰下，运行时间新增0.418s，估计精度提高51%；故新算法的估计精度高于EKF算法，尤其是在非高斯噪声干扰下，新算法的估计精度有显著性提高。
另外，为验证新算法的鲁棒性，在高斯噪声干扰和非高斯噪声干扰下，研究人员分别设置准确的SOC初值和错误的SOC初值对SOC进行估计。仿真结果表明，在SOC初值错误的情况下，新算法在电池开始工作后10s内就能够收敛到真实值，故新算法具有较好的鲁棒性。所提出的算法是一种精度高而且鲁棒性好的有效估计方法。
本文编自2021年第24期《电工技术学报》，论文标题为"基于最大相关熵扩展卡尔曼滤波算法的锂电池荷电状态估计"，作者为巫春玲、胡雯博等。
