董祥祥， 武 鹏， 葛传久， 金俊喆， 闫书佳， 陈 蓓

(上海工程技术大学电子电气工程学院， 上海 201620)

1 引言

随着全球能源危机和环境污染问题的日益加重，无污染、零排放的新能源汽车得到了快速发展。锂离子电池因能量密度高、放电率低、使用寿命长等优点被广泛应用于新能源汽车动力系统中。锂电池的荷电状态(State of Charge，SOC)是描述电池剩余电量的指标，可用于防止电池过充过放、电动汽车行驶里程预测以及电池均衡管理，是电动汽车电池管理系统重要参数之一[1]。然而，电池的SOC无法直接测量，其大小受电池的工作温度、工作电流和电池老化程度等参数的影响。因此，准确的SOC估计是制约新能源汽车快速发展的关键因素。

为了准确估计电池SOC，国内外学者提出了多种估算方法。安时积分法[2]因计算简单在实际工程中得到了广泛的应用，但它无法解决SOC初始值的问题；开路电压法[3]需对电池进行充分时间的静置以确保电池达到稳定状态，难以实现SOC的在线实时估计；机器学习法包括神经网络法[4, 5]、模糊逻辑法[6, 7]、支持向量机法[8]等，可以获得较好的SOC估计精度，但需要大量的数据对模型进行训练；电池等效电路模型具有强非线性，扩展卡尔曼滤波[9, 10](Extended Kalman Filter，EKF)算法通过泰勒级数展开对电池等效电路模型进行线性化，忽略二阶及以上的高阶项，不可避免地引入了线性化误差；无迹卡尔曼滤波[11, 12](Unscented Kalman Filter，UKF)算法通过无迹变换对非线性系统进行处理，将SOC估计精度至少提高到二阶；粒子滤波法[13]基于统计学的知识对SOC进行估计，它无需要求系统的噪声特性服从高斯分布，但计算过程较为复杂。……