陈 刚，储建新，潘炫霖，雷健新，郑 迪

（1.国网浙江海盐县供电有限公司，浙江 嘉兴 314300；2.中国计量大学，杭州 310018）

0 引言

锂离子电池具有能量比高、循环寿命长和自放电率低等特点，除应用于电动汽车、电子产品等领域外，还被逐渐应用于移动储能领域。相比于传统柴油发电机，基于锂电池的移动储能装置具有清洁、噪音小、便于控制和监测等优势，有着广阔的应用前景[1]。

锂电池SOC（荷电状态）是指一定放电倍率下当前剩余容量与额定容量的比值，是锂电池的重要参数。SOC 的准确估计是实现锂电池能量管理、均衡控制等功能的基础。目前，在锂电池SOC估计方面已积累了大量研究成果，根据原理的不同主要可以分为安时积分法[2]、开路电压法[3]、基于人工神经网络的方法[4]、卡尔曼滤波及其改进方法等。其中安时积分法通过对放电电流的积分来估计当前SOC，难以克服累计误差；开路电压法需要使锂电池长时间静止来获得准确的开路电压数据，不适合在线使用；人工神经网络是一种具有自主学习能力的多层反馈系统，将其非线性适应性信息处理能力应用于锂电池的状态估计中，主要包括BP 神经网络[5]等单神经网络估算方法、基于深度学习的估算方法[6]以及与其他算法结合的复合神经网络方法[7]等，这些方法需要大量实验数据来训练网络参数，在有限的样本数量下估计精度可能受到限制；KF（卡尔曼滤波）采用最小二乘法，结合锂电池的数学模型可实现对SOC 的最优估计。……