近日，机械与汽车工程学院肖平教授在能源存储领域著名期刊《Journal of Energy Storage》(中科院二区TOP, IF 10.7)发表题为“State of charge estimation for batteries using crested porcupine optimizer-based extended Kalman filter gain compensation”的最新研究成果，安徽工程大学为论文第一署名单位。
针对磷酸铁锂电池在40%~90%荷电状态区间内SOC-OCV曲线平缓、传统扩展卡尔曼滤波（EKF）易出现增益不匹配与SOC修正误差放大的问题，研究提出基于冠豪猪优化算法的EKF增益补偿方法（CPO-EKF）。该方法在状态更新中引入标量增益补偿因子G，并以SOC估计误差为目标由CPO离线搜索最优G；在线阶段仅增加一次标量乘法，不改变EKF主体结构。基于CALCE公开数据集，研究在HPPC、BJDST和US06三种工况下与EKF、HLOA-EKF和PSO-EKF开展系统对比。30次独立运行结果表明，CPO-EKF在三种工况下均取得最低的平均绝对误差（MAE）和均方根误差（RMSE）；相较传统EKF，MAE降低63.8%—83.0%，RMSE降低63.5%—82.9%，表现出良好的估计精度、收敛一致性和跨工况适应能力。
本研究的创新重点是面向SOC-OCV平台区低观测敏感性建立可直接调节电压新息权重的EKF增益补偿机制：当G＞1时强化电压修正，当G＜1时更多依赖安时积分预测；进一步构建G因子与SOC估计误差之间的优化模型，采用CPO离线辨识补偿因子，在不增加EKF在线结构复杂度的前提下提升估计精度。为保证对比公平，EKF、HLOA-EKF、PSO-EKF与CPO-EKF均采用相同的电池模型和参数辨识策略，并在HPPC、BJDST和US06三种工况下完成30次独立运行验证。
图1 磷酸铁锂电池SOC-OCV关系曲线
图2 HPPC、BJDST和US06三种工况下SOC估计结果对比
论文原文链接：https://doi.org/10.1016/j.est.2026.124032