近日，我校机电学院童亮教授、许永红副教授及硕士研究生李怡扬等合作完成的研究成果在国际学术期刊《Journal of Energy Storage》上发表，论文题目为“A Combined Method For State-of-Charge Estimation for Lithium-Ion Batteries Based on IGWO-ASRCKF and ELM Under Various Aging Levels”，论文聚焦于新能源汽车锂离子电池不同老化阶段荷电状态（SOC）估计方法的研究，2026年1月同时入选ESI高被引论文和热点论文。

锂离子电池荷电状态（SOC）的精准估计是电动汽车能量管理优化的关键，电池老化也会大幅降低传统SOC估计算法的精度，在综合现有方法优缺点基础上，结合理论和实验研究，论文提出了一种结合IGWO-ASRCKF‌与ELM复合框架下的联合估计方法，提升了复杂工况与电池老化条件下的估计精度与鲁棒性，方法适配于不同老化程度的电池。

（1）IGWO模块‌：作为参数优化引擎，改进型GWO优化算法，通过引入分段可调衰减因子、莱维飞行与随机游动策略，增强全局搜索能力，避免传统GWO易陷入局部最优的缺陷。其作用是动态辨识二阶RC等效电路模型中的极化电阻与电容参数，并初始化ASRCKF的噪声协方差矩阵，显著降低初始参数敏感性。

（2）ASRCKF模块‌：在平方根容积卡尔曼滤波（SRCKF）基础上引入自适应噪声协方差

更新机制，利用电池输出电压残差序列在线调整过程与测量噪声，确保协方差矩阵始终保持正定性，从而提升滤波稳定性。

‌（3）ELM校正层‌（可选增强）：为应对电池老化导致的模型失配，研究引入极端学习机（ELM）对ASRCKF输出进行动态校正，形成IGWO-ASRCKF-ELM三级联合架构，实现误差补偿与自适应修正。

结果显示，算法在参数自适应性、数值稳定性、抗老化能力‌和计算效率等关键性能方面方面大幅提升，SOC估计精度、适用性和收敛性与传统或现有方法相比，都有不同程度的提高或改善，不同老化阶段下平均绝对误差（MAE）低于0.77%，均方根误差（RMSE）低于0.92%，显著优于传统ASRCKF、SRCKF、EKF等方法。该研究成果为不同老化程度锂离子电池的SOC估计提供了高精度、强鲁棒性的新方法，可助力电动汽车能量管理系统的优化，提升电池使用效率与寿命。

童亮，教授，硕士生导师，机电学院车辆工程专业负责人，学科方向带头人。分别于1990年和2002年毕业于清华大学化工系及精仪系并获得工学学士和硕士学位，2005年毕业于北京理工大学并获得工学博士学位。主要从事汽车电控理论与方法、新能源与智能汽车技术、现代控制理论与控制方法等方面的教学和研究工作。主持或参与包括国家自然科学基金、北京市自然科学基金等省部级项目10余项，以合作作者及第一作者发表学术论文70余篇，其中SCI和EI收录论文30余篇，TOP、ESI高被引或热点论文10余篇，授权发明专利多项。

往

期

推

荐

给信息科大点赞和“在看”！！