朱军, 张晓斌, 赵同健, 孙顺新, 赵军

(1.临沂市恒源热电集团有限公司，山东 临沂，276000 ;2.国网临沂供电公司，山东 临沂276000；3.天元建设集团有限公司，山东 临沂276000)

锂离子荷电状态(SOC)是研究其BMS的最基本且最重要的指标，对其精确性的研究一直是热点[1]。

国内外对SOC研究方法主要集中在安时法、开路电压法、神经网络法、SVM、RVM和EKF及其扩展等方法。Chaoui H[2]等基于开路电压法，以PNGV为模型，根据OCV-SOC关系曲线，在充放电电流、温度等因素下进行研究，但是其误差大于5%；赵轩[3]等研究了神经网络及其各种改进算法，根据电池电压、电池环境温度和循环次数等参数，进行大量数据采集训练来估计SOC，虽然精度能够满足，但训练时间长，对在线预测存在阻碍；Anton J C A[4]等提出了基于SVM算法，小样本训练，但精度低。候小娜[5]等提出了RVM算法，减少训练时间，但是对初始数据的敏感性强，训练好的模型适应性差。Corno M[6]等提出了EKF算法，具有良好的适应性，但传统EKF算法采用一阶模型，对高维复杂状况下的SOC估计存在较大误差，对突变电流适应性差；Aung H[7]等提出AUKF算法，较好地抑制电流波动，但其采用二阶Thevenin模型，对于电压两端预估效果不是很好；商云龙[8]等提出ANN-EKF-AIC多阶模型，但矿用锂离子电池非高斯噪声，采用EKF误差较大，对于时变电池系统不适用。

针对EKF算法对锂离子SOC估计时系统噪声导致结果不精确的问题，提出Sage-Husa-AUKF的AIC多模型优化的锂离子SOC估计，通过与UKF和EKF等算法对比，体现出该方法对于全阶段电压预估具有良好的适应性，且误差精度控制很小。……