宋俊辉，沈 峘，闫志伟，丁鑫权

（南京航空航天大学 能源与动力学院，南京 210016）

电池作为现代各种可移动式设备或机械的供能装置得到了极为广泛的应用，但是在电池的使用过程中需要时刻关注其状态变化以达到更好的使用效果，而其中最需要关注的一项内容为电池的SOC（state of charge），即荷电状态［1-2］。

目前电池SOC估计的主要方法有安时积分法、开路电压法、内阻法、神经网络法、卡尔曼滤波法、粒子滤波法、模糊规则法等［3］。开路电压法、安时积分法与内阻法作为早期方法其结果精确度较低。刘东等［4］基于安时积分法加入电池开路电压曲线的拐点因素进行研究，但是拐点的选取与相关参数需要大量试验获取经验值。神经网络法所需数据样本较大不易实现，而粒子滤波法与模糊规则法的相关研究相对较少，尚未成熟。由于电池电压呈非线性，目前多采用扩展卡尔曼滤波法（extended kalman filter）将系统近似线性化后进行分析［5-6］。

电池数学模型相关参数的辨识主要有2种［7］：离线辨识与在线辨识。电池的实际相关参数会随着电池使用后老化发生一些无法用准确公式表达的变化，离线辨识的辨识结果是固定的，其精确度会随着电池的循环老化而降低。在线辨识的方法可以在电池循环中实时计算电池模型的参数，并通过SOC估计的结果参与闭环反馈，有效提升估计结果的准确性。

徐劲力等［8］采用在线参数辨识的方法对电池SOC估计进行研究，结果较离线参数辨识方法有所提升，将误差缩小至1.5%。……