锂离子（Li-ion）电池因其优异的功率和能量特性，在交通运输业电气化进程中发挥了要害作用[1]。其在环境保护和能源危机应对方面亦具有重要贡献[2,3]。锂离子电池的高电化学功能导致其内部环境具有高度复杂性[4]。调查锂电池内部状况是直观评价电池健康与安全性的首要办法。然而，由于电池内部反响的复杂性，这一观测过程可能面对应战。
跟着新型电池资料的快速开展，对更快速、更牢靠的离线基线校准办法的需求日益增加。锂电池参数的获取关于完成电池全生命周期健康办理至关重要[5,6]。同样，电池参数的高精度测验与读取对电池出产及使用环节具有重要意义[7]。因而，精确获取电池内部参数是电池领域的要害问题。关于电池而言，存在两类无法直接丈量且需凭借不同办法进行预算的要害参数：电气参数与热力学参数[8]。现有研讨中普遍认可两种电池参数预算办法：根据模型的办法与数据驱动办法[9]。其间根据模型的办法使用电池模型进行参数估量，包含容量、开路电压（OCV）和荷电状况（SOC）等参数[10]。该办法旨在经过偏微分方程等数学东西捕获电池内部的电化学与热力学过程。目前已有多项研讨选用根据电化学和热力学的电池模型打开作业。Jiang等学者从电化学阻抗谱(EIS)中提取了宽频EIS特征、模型参数特征及固定频率阻抗特征，并根据这些EIS特征选用机器学习办法预算电池的健康状况(SOH)。该研讨为开发最优EIS特征以评价电池健康状况供给了重要根据[11]。选用等效电路模型进行电池参数估量也是一种常用办法[12]。根据等效电路模型，卡尔曼滤波[13]、滑膜观测器[14]等不同滤波算法也被整合至ECM中，用于履行电池状况估量。数据驱动办法因其高泛化性和可迁移性而优于根据模型的办法，且无需考虑电池类型[15]。Chen等人经过直接、通用的数据驱动办法拟合OCV-SOC关联联系，完成了根据在线数据的电池状况估量[16]。Sui等人选用模糊支撑向量机办法预算电池SOC[17]。Liu等人提出了扩展卡尔曼滤波引导的长短期记忆网络(EKF-GLSTM)电池SOC估量算法[18]。Yang等人提出了一种根据欧姆内阻与长时记忆网络的电池健康状况预测战略[19]。虽然现有在线估量办法具有更快的估量速度和可依靠的精确性，但在线估量所根据的基准值仍需经过离线估量办法进行测验。跟着电池行业的开展，越来越多的电池资料被不断研制[20]，对更快速、更牢靠的离线估量办法的需求正再次增加。
开路电压、内阻、传热系数、热容等参数的预算虽有助于可视化电池状况，但往往需要密布试验，这类试验通常耗时耗能[21,22]。以OCV测验为例，电池去极化所需的弛豫时刻是导致该类预算试验耗时较长的首要原因。Cheng等学者验证了电池弛豫时刻与端电压之间的相关性[23]。OCV预算的精确性对各种电池参数的区分具有重要影响，因而更精确的OCV预算是当前研讨热点之一。根据试验办法的不同，现有的OCV预算办法可分为两类：静态试验法与小电流恒流试验法。其间静态试验法是目前OCV预算的首要办法[24]。根据OCV定义进行的试验办法，是经过电池长时刻静置达到内部稳态后丈量端电压。缩短静置时刻的短时静置法经过减少静置时长并施加混合脉冲功率，一定程度上处理了静置时刻问题，但该试验的耗时特性同样难以承受[25]。Wang等经过选用二阶等效电路模型与离线试验标定，定量分析了开路电压估量差错对荷电状况计算差错的影响。研讨者提出了一种根据动态矩阵操控的开路电压辨识办法，使估量电压差错操控在10mV以内[26]。Liu等提出了一种快速估量开路电压的离线办法，将OCV的弛豫与测验时刻缩短至30-40分钟[27]。然而，单次时刻点的开路电压估量无法满意该参数后续使用需求。当前需求的痛点在于如何快速精确地获取不同状况下锂电池的开路电压值并进行估量[28]。
现有根据等效电路的滤波算法存在明显限制：卡尔曼滤波对模型差错灵敏，当电池老化导致等效电路参数漂移时，其估量差错会增加30%以上；滑模观测器存在"抖振"现象，在低电流工况（如低于0.2C）下会导致内阻估量波动超过15mΩ，影响参数稳定性。该办法经过规划多级等效电路和差错批改算法，有效缓解了模型差错的影响。该办法将低电流工况下的内阻估量波动操控在5mΩ以内，处理了现有滤波算法的缺点。
本研讨根据解耦的电池数据，针对锂离子动力电池端电压随作业电流出现接连单调改变的特性，规划数据处理算法，使用大电流恒流数据推导作业电流为零时的伪恒流试验端电压。所提出的估量办法经过具有典型电动汽车动力电池代表性的30Ah NCM软包动力电池进行试验验证。此外，规划差错批改算法以克服电池非线性特性引起的差错，并将批改后的"伪恒流试验端电压"作为开路电压估量值。