魏新尧，佘世刚，容 伟，刘爱琦

(常州大学 机械工程学院，江苏 常州 213164)

0 引言

锂电池因为其容量大、环保等特点，目前被广泛用作电动汽车的主要动力源，因此针对锂电池的研究日益受到广泛的关注。由于电动汽车在行驶过程中可能需要频繁的启停造成锂电池大电流充放电，导致锂电池呈现强烈非线性退化效应[1]，进而影响到电池寿命，这对于以后的驾驶势必造成隐患，因此对电池管理系统的研究则显得至关重要。其中锂电池的健康状态(SOH,state of health)是电池管理系统中最关键的因素之一。然而，电池内部所涉及的电化学反应的复杂性和耦合效应，且不同类型的锂电池老化机理不同，都增加了对SOH的精确预测的难度。

电池的SOH是表征电池老化状态的指标。SOH定义为电池当前所能充入或放出电量与电池标称容量的百分比[2]：

(1)

式中,Qnow为当前所能充入或放出电量，Qrated为电池标称容量。目前常用的SOH估计方法主要分为两类：1)基于电路或电化学模型的方法，该方法将电池的SOH估计问题视为模型参数估算问题。通过对电池模型中相关参数进行辨识，建立电池模型。张民等采用卡尔曼滤波算法对SOH进行预测[3]，康道新等采用卡尔曼滤波算法的衍生算法，即双适应无迹卡尔曼滤波算法对SOH值进行估算研究[4]。Xiong等人用粒子滤波法对电池模型中相关参数进行辨识，建立电池模型[5]。此类方法对电池模型的依赖较大，电池模型的选用和参数的辨识精度将直接决定电池SOH估……