罗 勇，祁朋伟，黄 欢，王佳男，王 毅，李沛然

（1.重庆理工大学，汽车零部件先进制造技术教育部重点实验室，重庆 400054；2.中国汽车工程研究院股份有限公司，汽车噪声振动和安全技术国家重点实验室，重庆 400054；3.重庆青山工业有限责任公司技术中心，重庆 400054）

前言

电动汽车动力电池包由许多动力电池单体串并联组成，为实现动力电池状态监测，保障整车行驶的安全性，须配备电池管理系统（battery management system，BMS）。电池荷电状态（state of charge，SOC）估算与传统燃油车的燃油表功能类似，是BMS最基础和核心的功能之一［1］。准确的SOC估算对合理制定能量管理策略、提高电池安全性和循环使用寿命等具有十分重要的意义。SOC不能直接测量，须通过传感器测量得到的电流、电压、温度等信号进行估算。由于电动车工况复杂，电池容量受温度、充放电倍率等因素影响较大，实现对电池组SOC的准确估算一直是BMS开发的难点之一。

常用的SOC估算方法有开路电压法、内阻法、神经网络法、扩展卡尔曼滤波法和安时积分法等。开路电压（open circuit voltage，OCV）法需要电池静置至稳定状态［2-3］，不适合电动车实际运行过程中的实时估计，一般用于充放电开始和结束阶段，或电动车长时间停放后对SOC初值的估计。内阻法在放电后期精度相对较高［4］，但电池内阻受温度和循环次数等因素的影响较大，无法对电池组内阻进行准确而快速的测定，因此多用于实验室理论研究。神经网络法具有很强的非线性拟合能力，且鲁棒性强，适用于各种类型的电池，但其估算精度取决于训练数据的完整性和训练方法的准确性［5-6］。……