孔祥创，赵万忠，2，王春燕，2

(1.南京航空航天大学能源与动力学院，南京210016;2.重庆大学，机械传动国家重点实验室，重庆400044)

基于BP-EKF算法的锂电池SOC联合估计*

孔祥创1，赵万忠1，2，王春燕1，2

(1.南京航空航天大学能源与动力学院，南京210016;2.重庆大学，机械传动国家重点实验室，重庆400044)

电池荷电状态(SOC)的准确估计是电动车辆进行整车控制优化的先决条件，也是合理实施电池管理的依据。本文中在确定1阶RC等效电路模型的基础上，采用含有遗忘因子的递推最小二乘算法和BP-EKF算法对模型参数与SOC进行在线联合估计，提出一种BP神经网络和扩展卡尔曼滤波(EKF)相结合的锂离子动力电池SOC估计方法，使用相应的滤波输出参数离线训练BP神经网络，进而将训练成功的BP神经网络用于补偿EKF算法的估计误差。通过仿真和电池动态工况试验验证，结果表明，与EKF算法相比，所提出的SOC估计方法具有良好的抑制发散和鲁棒性能，能有效提高SOC的估计精度。

锂电池;荷电状态;扩展卡尔曼滤波;BP神经网络;联合估计

前言

电动汽车SOC是描述电池使用过程中剩余电量的重要参数［1］。然而，电池的SOC无法采用传感器直接测得，它必须通过对一些其他物理量的测量并采用一定的数学模型和算法来估计得到［2］。同时，动力电池在使用过程中由于受到许多内外不确定因素的影响，常常表现出高度的非线性，又增加了准确估计SOC的难度［3］。

现有对动力电池SOC估计方法的研究主要包括放电实验法、安时积分法、开路电压法和卡尔曼滤波法等方法。……