（青岛大学电气工程学院 青岛 266071）

1 引言

电动汽车行业的蓬勃发展，带动了车载锂电池的电池管理系统（Battery Management System，BMS）的研究深化，作为电池管理系统中的重要一环，电池剩余电量（State Of Charge，SOC）的精确级数制约着对电池能源的利用效率［1］，而如何提高估算精度，一直是电池领域科研事业的重中之重。目前国内通用的SOC估算方法［2］有基于电池自身特性的安时积分法，开路电压法，内阻法等；也有通过算法优化基础方法的卡尔曼滤波算法，BP神经网络算法［3］，粒子滤波算法等。其中鲍慧论文在原有安时积分法基础上进行四个系数的修正［4］，使SOC估算精度提高到5%以内，但其固有的系统累积误差没办法消除；林春景的基于电池内阻随温度变化进而求得电池状态［5］，对电池内阻特性进行了深入研究，不过内阻在电池满电时其变化特性和电池状态函数关系不明显，故该算法有一定局限性；商云龙所研究的神经网络和扩展卡尔曼滤波结合［6］，使电池估算精度极大地提高，可笔者认为该算法过于复杂，对器件要求精度过高，不适合应用在普通电池的BMS中。

本文基于二阶Thevenin模型下的无迹卡尔曼（Unscented Kalman Filter，UKF）算法，通过对得到的电池数据进行UT变换，得到相同概率密度下的SOC估算值，从而提高SOC估算精度。

2 锂电池模型

2.1 锂电池模型原理

本文在传统的Thevenin模型的基础上搭建二阶Thevenin模型，如图1。相较于一阶模型，二阶模型综合考虑了电池的电化学极化和浓差极化现象，能更精确地反映化学反应程度，实时模拟电池状态，进而提高SOC的估算精度［7］。……