刘征宇 汤 伟 王雪松 黎盼春

1.合肥工业大学机械工程学院，合肥，230009

2.安全关键工业测控技术教育部工程研究中心，合肥，230009

0 引言

电池荷电状态（state-of-charge，SOC）估算对于电动汽车意义重大。目前常用的SOC估计算法主要有电流积分法［1］、放电试验法、开路电压法、负载电压法、电化学阻抗谱法、内阻法、神经网络法和基于电池模型的卡尔曼滤波算法［2-3］以及状态观测器方法［4］等。近年来，出现了自适应无迹卡尔曼滤 波［5］（adaptive unscented Kalman filter，AUKF）、鲁棒卡尔曼滤波［6］（robust extended Kalman filter，REKF）等改进的卡尔曼滤波算法，以及改进的观测器算法，包括H∞观测器算法［7］、自适应Luenberger观测器算法［8］及 PI观测器算法［9］等。但以上方法主要研究如何对单个电池进行精确的SOC估计，而实际应用中电池组中电池单体由于制造工艺的不一致和使用环境的不一致，或多或少会导致单体间SOC的不一致［10］。在电池组单体SOC不一致时，如果使用以上方法则只能对电池组单体SOC进行逐个估计，从而导致计算复杂度太高。

针对电池组各单体的SOC估算问题，文献［11］首先提出了一种将单体SOC分为电池组平均SOC和各单体差异SOC，并对平均SOC和差异SOC分别进行估算，最终将得到的平均SOC值与差异SOC值相加，即可得到各单体SOC值。这种方法相对于逐个对电池组单体SOC进行估计的方法，很大程度上简化了计算复杂度。但是该文献没有提出具体的算法流程，实用性较差。文献［12］基于一个筛选过程来实现电池组各单体间的一致性，但在实际使用过程中，电池组单体不一致性会逐渐显现，只能解决电池组单体初期的SOC估算问题。……