胡志坤， 王文祥， 林勇， 孙岩

(1．中南大学物理科学与技术学院，湖南长沙 410083;2．湖南科力远高技术股份有限公司，湖南长沙 410083)

0 引言

准确估计动力电池的荷电状态(state of charge，SOC)对于发掘他的潜力有着重要的意义，也一直以来都是电动汽车电池管理系统中关键的技术之一。由于SOC的估计受电池非线性特性以及其他许多因素的影响，因此提高SOC估计的精确度一直是电动汽车电池管理系统的一个难点。

目前电动汽车电池管理系统的SOC采用电流积分法(安时法)［1］进行估算，该算法简单，占用内存小，但是需要准确知道积分起点，故易产生累积误差。开路电压法虽然能够比较精确地估计电池SOC，但只能在电路开路时才能使用，很难实用。文献［2－5］采用神经网络法来拟合电池参数与SOC的非线性关系，但这种方法对训练数据质量要求较高，学习效率很低;卡尔曼滤波法［6－8］对电池模型参数的依赖性比较大，要求参数准确;文献［9］以电流、电压为影响因素，提出了一种通过对8 Ah锂电池建立电池稳态特性Map模型进行SOC估计的方法，然后对温度进行简单校正。虽然，该方法没有安时法产生累积误差的问题，也不依赖电池模型的参数，但是实际使用时的温度因素对SOC的影响是很复杂的，不能较好地应用于温度变化较大的场合。

本文以目前仍在混合动力汽车上广泛使用的镍氢电池为研究对象，同样采用Map图的方法对其进行建模与SOC估计。由于电池不宜过充和过放，因此车用镍氢电池通常的工作区间都在20%≤YSOC≤80%范围内。……