单成鑫，李立伟，杨玉新

（1青岛大学电气工程学院；2青岛大学威海创新研究院；3青岛大学图书馆，山东 青岛266071）

近年来，能源危机和环境污染的影响，使得电动汽车的研究和应用实现了迅速发展[1]。锂离子电池凭借能量比高、寿命长、自放电率低的特点，在电动汽车领域得到了广泛应用。由于锂离子电池的失效可能会导致严重的后果，为了保障电池的安全应用，提出了一种对电池状态进行实时监控的电池管理系统[2](battery management system，BMS)。电池荷电状态[3](state of charge，SOC)是BMS 的重要参数，由于SOC 是电池的内部状态，不能直接测量。因此，SOC的估计成为了许多研究者的关注的问题，目前已经提出了许多估计方法，可以分为三大类：开环法、数据驱动法和基于模型的方法[4]。开环法包括安时积分法和开路电压法，数据驱动的方法主要包括神经网络[5]模糊算法，卡尔曼滤波[6]和粒子滤波[7](particle filter，PF)是基于模型方法中常见的算法。上述估算方法的优缺点见表1。

表1 电池SOC估算方法的优缺点Table 1 Advantages and disadvantages of battery SOC estimation method

PF 是一种高精度的基于概率的估计算法，PF利用蒙特卡洛方法采样的一组加权粒子来近似系统的后验分布，对分布的形式没有任何明确的假设，该方法适用于具有较强非线性[8]的复杂模型的状态估计。对于非高斯分布系统噪声条件下具有复杂形式的非线性锂离子电池模型，利用PF 进行荷电状态估计，具有更好的优势。传统PF 算法在迭代求解的过程中，往往会出现粒子多样化降低，产生粒子贫化现象，造成估算结果产生较大误差降低算法的估计精度[9]。……