王 超，陈德海，王昱朝，朱正坤，邹争明

（江西理工大学 电气工程与自动化学院，赣州 341000，中国）

随着电动汽车技术的快速发展，电池管理系统成为研究热点。如何准确快速的估计电动汽车的荷电状态（state of charge，SOC)至关重要，它是电动汽车剩余里程、电池组的均衡及保护等功能的重要参考依据。锂电池SOC受电池的老化程度、充放电电流倍率、温度、自放电率等因素影响，各变量之间具有很强的非线性映射关系，难以直接测量。目前常见SOC预测方法主要分为传统的算法和智能算法，前者主要由开路电压（open circuit voltage, OCV）法和安时积分法（Ampere hour integration method, Ah）以及Kalman滤波算法，后者主要包括有神经网络算法和支持向量机算法等[1]。

用OCV来预测SOC，是工程应用上十分常见的一种算法。其程序结构简单，只需要将事先测量的SOC-OCV拟合曲线制成二维数表，然后再利用查表法快速得到电池的当前荷电状态。但是由于电动汽车的电压传感器测量的是电池的端电压，并不等于开路电压。文献[2]通过对电池放电曲线及恢复曲线分析，用放电停止后的某时刻电压估计电池的开路电压结合电池等效模型，拟合出开路电压的计算公式,从而避免直接使用端电压作为开路电压导致的误差。

Ah积分法是目前主流的SOC估计算法。该算法原理简单，程序结构简洁[3]，只需要对电流进行积分就可以的到系统消耗的总电量，非常适合以STM32系列的单片机为主控芯片的硬件开发。文献[4]通过将开路电压、循环次数、温度与SOC的关系，制成数表，调用二分查表法访问数组，及时更新SOC初值和电池的额定容量，提高代码的读取效率和初值的精度。……