大规模储能技术有助于抑制可再生能源并网的波动性及随机性，是推动能源结构转型的必要手段之一。电化学储能技术受地形因素的限制小，配置灵活，已逐渐成为主流储能技术之一。液态金属电池具有成本低、寿命长等优点，是一种具有广阔发展前景的新型电化学储能技术。开发电池管理系统是保证电池安全、高效和可靠运行的重要举措，其中，电池荷电状态估计是电池管理系统的核心功能之一。然而，液态金属电池具有电压平台宽和工作电压低的特点，容易引入噪声干扰，给准确的电池SOC估计带来了挑战。同时，在将液态金属电池实际应用于电力储能系统时，需要进行大规模的并行SOC估计。

博士研究生徐成在 Journal of Energy Storage 上发表了题为 State of charge estimation for liquid metal battery based on an improved sliding mode observer 的文章，提出了一种基于改进滑模观测器的SOC估计算法。在传统SMO算法的基础上，引入了一种新的自适应方法，加快算法收敛速度，抑制可能出现的抖动，有效提高SOC估计精度。

要点一：电池建模及参数辨识

权衡电池模型的精度与复杂度，采用一阶等效电路模型对液态金属电池进行建模。为提高电池等效电路模型的精度，简化参数辨识过程，利用带遗忘因子递推最小二乘算法对整个工作范围内的模型参数进行辨识，其中，开路电压与SOC之间的关系采用9阶多项式直接拟合。

要点二：改进滑模观测器算法

利用直接微分法线性化OCV与SOC之间的关系, 并将模型误差与测量噪声加入到模型中，从而构建了电池的状态观测器。基于SMO算法，设计了一种新的自适应方法调节增益，以加快算法的收敛速度，同时抑制可能出现的抖动，提高算法的估计精度。

要点三：在不同噪声水平下验证ISMO算法

考虑传感器噪声的影响，在电压测量中加入5mV 高斯噪声，在电流测量中加入1mA 高斯噪声。在FUDS工况下进行测试发现，与传统的SMO算法相比，该方法具有更快的收敛速度、更高的精度、更强的鲁棒性；与UKF算法相比，具有更高的精确度；与EKF算法相比，具有更少的运行时间。此外，在电压测量中加入5mV 的非高斯噪声，在电流测量中仍然加入1mA 的高斯噪声。在FUDS工况下进行测试发现EKF和UKF都有较大的估计误差，而SMO和 ISMO算法对SOC的估算结果几乎不变。上述结果证明了所提出ISMO算法的高精度及强鲁棒性。

前瞻

ISMO算法也可以应用于其他电池体系的SOC估计，优势在于较小的计算成本和较强的鲁棒性。然而，随着电池运行时间的增加，电池参数将会随之发生变化，从而导致观测器的性能退化。因此，对于SOC估计中的状态观测器，需要考虑实时参数校正问题。

文章链接

State of charge estimation for liquid metal battery based on an improved sliding mode observer

https://www.sciencedirect.com/science/article/pii/S2352152X2101375X