黄耀波，唐海定，章 欢，翁国庆*

（1.浙江工业大学 健行学院，浙江 杭州 310023；2.浙江工业大学 信息工程学院，浙江 杭州 310023）

0 引 言

实现车载动力电池荷电状态（State of Charge，SOC）的准确预测是保证电动汽车可靠运行的前提，也是电池组使用和维护的重要依据，对电动汽车的推广和发展具有至关重要的意义。

目前，常用的SOC 的估测方法主要有：安时积分法、开路电压法、卡尔曼滤波法、神经网络法等。安时积分法通过计算电流对时间的积分得到电池组的消耗电量，进而求得剩余电量，但其本质上是一种开环预测，纯积分环节的存在使得误差随时间的推移而增大[1]。开路电压法通过检测电池的开路电压得到其剩余电量，要求电池在不对外供电的状态下长时间静置，不适合在线的实时测量[2]。卡尔曼滤波法需要建立电池的内部模型得到状态方程，对电池模型的精度要求较高[3]，在实际应用中具有一定的局限性。神经网络法根据建立的网络模型利用大量的样本数据进行训练学习可以获得较好的精度，但网络对初始权值的选择较为灵敏，一般收敛到初始值附近的局部最小值[4]，初始值的改变将影响网络的收敛速度和精度。

针对神经网络学习效率低、收敛速度慢以及容易陷入局部最优等不足，本研究提出一种基于遗传神经网络的电动汽车锂电池SOC 预测方案。首先利用遗传算法的全局搜索性能找到模型最优解所在的区域，然后再利用BP神经网络找到其最优解。算例仿真表明，本研究所提算法不仅可以得到全局性的最优解，还可以提高神经网络的学习速度和识别能力，可实现对电动汽车锂电池SOC 的精确预测，具有很好的发展前景。……