孙增田，陈 毅，巫春玲，巨永锋

（1.广州地铁设计研究院股份有限公司，广东广州 510010；2.中交一公局第六工程有限公司，天津 300451；3.长安大学电子与控制工程学院，陕西西安 710064）

轨道交通中的传统内燃式工程车辆在地铁隧道内作业产生的空气和噪音污染一直饱受诟病，伴随动力电池技术的进步，出现了以蓄电池为动力源的电力工程车辆[1-2]。由于隧道工程车运行工况复杂，运行条件极端，需要一套隧道工程车辆电池管理系统（BMS）对各种运行工况下锂电池的信息进行实时的监控和管理。电池的荷电状态（SOC）是BMS 的一项核心参数[2]，精确的SOC 估计不仅可以帮助使用者预测电池的能量产出，还可以帮助使用者避免电池过充或过放，以达到确保电池的安全，延长电池的使用寿命的目的。

对于SOC 的估计方法有很多，主要有三大类：传统的SOC 估计方法、基于电池模型的估计方法和基于融合模型的估计方法。当前估计电池SOC 的方法大多是基于电池等效电路模型[3-5]，结合现代控制理论方法，确定电池等效电路模型后构造空间状态方程。然后采用扩展卡尔曼滤波器[6-8]、无迹卡尔曼滤波器[9-11]、粒子滤波器[12-15]等方法对状态变量SOC 进行精确估计。

文献[16]提出离散时间非线性滤波算法-求积分卡尔曼滤波器（Quadrature Kalman Filter,QKF）。其基本思想是，从统计线性回归（Statistical Linear Regression,SLR）的角度，运用高斯-厄米特积分点推导出新的求积分卡尔曼滤波器。在目前的众多SOC 估计算法中，运用QKF 估计方法的文献非常少，该文采用QKF 算法对SOC 进行高精度估计。……