《IEEE Access》：Advanced Real-time State of Charge Estimation in a Hybrid Aircraft Using Dual Filter Interacting Multiple Model
编辑推荐：
为应对现有算法在电池管理系统(BMS)中对荷电状态(SOC)和健康状态(SOH)估算存在鲁棒性与准确性不足的问题，研究人员在混合动力飞机(HEA)的能源存储系统(ESS)中，集成模块级三阶等效电路模型(ECM)，并引入基于平滑变结构滤波(SVSF)的双滤波(DF)架构与交互多模型(IMM)框架，实现了对内部电阻和SOC偏差的同步估算，并将SOC估算误差降至1%以下，提升了混合动力飞机的安全与运行效率。
在追求绿色航空的未来蓝图中，混合动力和全电飞机被视为减少传统航空业环境足迹、降低碳排放的关键路径。然而，这一转型之路并非坦途。尽管“电”能驱动未来，但为其提供能量的电池技术及其管理系统仍面临严峻挑战。当前电池生产工艺存在局限，而更为关键的是，在飞机这样对安全与可靠性要求近乎严苛的复杂动态系统中，现有的电池管理系统(BMS)算法，在精确监控和估算电池的核心状态——尤其是荷电状态(SOC，即电池剩余电量）和健康状态(SOH，即电池老化程度）——方面，其鲁棒性和准确性仍显不足。不精确的SOC估算可能导致飞机能源管理失当，轻则影响航程与效率，重则威胁飞行安全，这成为了阻碍航空电气化技术大规模应用的一大瓶颈。如何为飞行中的混合动力飞机“把好电池的脉”，实现高精度、高可靠的实时状态估算，是横亘在研究者面前的一道必须攻克的技术难关。
为此，一项发表于《IEEE Access》的研究带来了一种创新的解决方案。该研究旨在解决混合动力飞机能源存储系统(ESS)中SOC估算的难题，其核心是提出并验证了一种结合了先进模型与滤波架构的实时估算方法。研究人员没有停留在离线仿真层面，而是将所开发的方法在实验室和真实的混合动力飞机上进行了实时实现与测试，确保了其工程实用价值。
为了达成研究目标，作者团队运用了几个关键的技术方法。首先，在模型层面，研究采用了代表电池动态特性的三阶等效电路模型(ECM)，并将其在模块级别进行整合，构建了用于描述飞机ESS的数学模型基础。其次，在估计算法架构上，研究创新性地提出了一种双滤波(DF)结构，并将其基于平滑变结构滤波(SVSF)进行部署。在该结构中，一个滤波器专门负责估算电池模块的内部电阻矢量，而另一个滤波器则同步估算SOC的偏差。最后，也是整个方法的核心框架，是将上述双滤波结构嵌入到交互多模型(IMM)框架之中。IMM框架允许算法在每个时间步，根据电池的放电率，动态地混合使用多个模型-滤波器组合，从而更好地适应电池在不同工况下的动态特性变化。
模型开发与算法框架
该部分详细阐述了用于SOC估计的整体方法。研究首先建立了基于三阶ECM的电池模块模型，作为状态估计的基础。然后，系统地介绍了所提出的双滤波交互多模型(DF-IMM)架构。其中，双滤波(DF)部分基于SVSF设计，一个滤波器（称为R0滤波器）专门用于在线估计电池的内部电阻，另一个滤波器（称为ΔSOC滤波器）则用于估计SOC的偏移量。这两个滤波器的输出被输入到IMM框架中。IMM框架管理着多个模型，每个模型对应一个预设的放电率（C-rate）和相应的内部电阻值。通过计算每个模型的匹配概率，IMM以交互的方式融合各模型的输出，最终生成最优的SOC估计值。该部分从理论推导上展示了该架构如何实现内部电阻与SOC的协同估计。
实时实现与测试平台
研究强调了其实验验证的实时性与真实性。方法在dSPACE MicroLabBox硬件上实时实现，并分别连接了两个测试平台：一是实验室环境的电池测试台，使用锂离子电池模块；二是真实的混合动力飞机（DA36 E-Star 2）的机载ESS。这种设置使得算法能够在从受控实验室条件到真实飞行振动、温度变化等复杂动态的航空环境中得到验证。
性能评估与结果分析
通过对实验室数据和真实飞行数据的处理，研究对提出的DF-IMM方法的性能进行了全面评估。关键指标包括SOC估计误差、收敛性、对不同初始误差的鲁棒性以及对内部电阻变化的跟踪能力。结果表明，在实验室测试中，DF-IMM方法能够将SOC估计误差稳定地维持在1%以下，并且在存在初始误差和内部电阻变化的情况下，能够快速收敛到真实值。与传统的扩展卡尔曼滤波(EKF)等方法相比，DF-IMM表现出了更高的精度和鲁棒性。更重要的是，在真实的混合动力飞机飞行测试数据上，该方法同样表现优异，成功处理了真实飞行中的动态载荷和噪声，SOC估计结果与参考值高度吻合，验证了其在真实航空应用场景下的有效性。
结论与讨论
本研究成功开发并验证了一种用于混合动力飞机能源存储系统的新型实时SOC估计方法。该方法通过集成模块级三阶ECM模型，并创新性地将基于SVSF的双滤波结构与IMM框架相结合，实现了在复杂航空环境下对电池内部电阻和SOC的高精度、高鲁棒性协同在线估计。其核心贡献在于提出的DF-IMM架构，它通过IMM处理模型不确定性（源于变化的放电率），并通过双滤波结构分别估计内部电阻和SOC偏差，两者相互增强，从而显著提升了整体估计性能。实验结果表明，该方法能将SOC估计误差降低至1%以下，远超许多现有方法。这项工作为混合动力和电动飞机的电池管理系统提供了一种先进的解决方案，通过实现更准确、更可靠的电池状态感知，为提升飞行安全、优化能源管理、延长电池寿命以及最终推动航空业的电气化转型提供了坚实的技术支撑。该方法的成功实时部署也证明了其从理论到工程应用的可行性，为未来更智能、更自主的航空电气化系统奠定了基础。
