朱 磊，刘子博，李路路，潘庭龙，杨玮林

（江南大学物联网应用技术教育部过程研究中心，江苏 无锡214122）

准确地预测锂电池的SOC 值是保证电池高效使用、能量合理分配的必要条件，是实现风光等可再生能源持续利用、提高锂电池组电量均衡程度、保证电动汽车稳定运行[1]的重要前提。经典预测法、数据预测法和耦合算法预测法等是当下普遍使用的SOC估计策略。

常见的经典预测法包括安时积分法[2]、开路电压法[3]、阻抗谱法[4]等。安时积分法在计算过程中会不断累积误差并且无法将初始误差优化，预测精度较低；开路电压法在使用前后需要将电池静置一段时间且静置时间长短对测量的精度有很大影响，一般只适用于实验室等特定环境下对电池SOC 的测量；阻抗谱法的测试环境较为苛刻，需要建立复杂的函数方程并查表获得所需SOC 值，该方法计算复杂、工作量大且测量精度较低。数据预测法有BP人工神经网络法[5-6]、支持向量机法[7-8]等。BP人工神经网络法的弊端是精确的预测需要以足够多的数据为支撑，同时训练策略的不同会导致估算值出现较大的差异；支持向量机法计算复杂，容易存在过拟合问题。常见的耦合算法是将某一种算法和卡尔曼滤波算法的耦合，如使用自适应方法优化扩展卡尔曼滤波噪声协方差矩阵的自适应扩展卡尔曼滤波算法[9]、利用无迹卡尔曼滤波(UKF)[10]算法可以优化非线性系统及具有二阶泰勒展开精度的特点与多个模型进行融合的交互多模型无迹卡尔曼滤波[11]算法等。……