章军辉，李 庆，陈大鹏，赵 野

1) 中国科学院微电子研究所，北京 100029 2) 江苏物联网研究发展中心，无锡 214135 3) 无锡物联网创新中心有限公司，无锡 214135 4) 昆山微电子技术研究院，昆山 215347

锂离子动力电池是新能源电动汽车的重要供能来源，而电池生产工艺上的波动、材质本身的不均匀性，使得单体电池的容量、内阻、自放电特性等皆有一定的差异，并且随着充放电循环次数的增加以及车内特殊工作环境的影响，电池容量也会出现不同程度的衰减，进一步加剧了单体之间的差异性.准确的电池状态估计为电池成组、电池管理系统(Battery management system, BMS)均衡等用途提供可靠参考依据，从而对单体电池的充分合理利用、电池组使用寿命的延长以及整车运行效率的改善具有重要实际意义[1-2].

电池状态估计本身属于非线性估计问题，而针对非线性问题求解，常用手段包括非线性函数局部线性化[3-4]、概率密度分布逼近法[5-6]、神经网络法[7-8]等.其中，非线性函数局部线性化的主要方法有Taylor展开法[3]、插值多项式法[4]；概率密度分布逼近的主要方法有确定性样本逼近法[5]、大量粒子逼近法[6].

目前，电池荷电状态(State of charge，SOC)估计方法主要有：（1）安时积分计量(Ampere-hour counting, AH)法[9]，应用较广，不过算法本身缺少对内外在扰动因素进行补偿的措施，存在由SOC初值标定偏差而导致曲线始终不能收敛、计算累积误差等问题；（2）开路电压(Open circuit voltage, OCV)法[10-11]，通过“浅放-静置”的方法拟合出OCV与SOC一一映射曲线，实现对SOC初值进行离线校正，其因需较长的静置时间而无法用于在线工况，一般是与其他方法结合使用；……