何锋，王文亮，蒋雪生，张小秋

（1.550025 贵州省 贵阳市 贵州大学 机械工程学院；2.550025 贵州省 贵阳市 贵州长江汽车有限公司）

0 引言

锂离子电池具有高能量密度、低自放电率、长循环寿命和环保等特点，在电动汽车电源和储能系统领域得到了广泛的应用。电池管理系统旨在提供监视、诊断和控制功能，以增强电池的运行性能。电池的状态估计是BMS 的基本功能，准确的在线状态估计有助于监测电池的充电状态（SOC）和健康状态（SOH），从而进行合理的充放电，保持电池的高效工作状态和使用寿命[1]。

BMS 主要是通过SOC 值和SOH 值来反映电池的实时状态，SOC 代表的是电池的剩余容量与其满充容量的比值，其准确实时预测关系到电池充放电控制和电动汽车的优化管理，常见的SOC估算方法有安时积分法、开路电压法、神经网络和卡尔曼滤波估算法[2]。安时积分法可以在短时间内实现SOC 的准确估算，但积分过程的累积误差无法消除，导致估计结果不可靠[3]；开路电压法需要充放电结束静置一段时间后才能获得较准确的值，不能在线对SOC 进行测量，不适用于电动汽车行驶过程中；神经网络法需要大量的数据进行训练，训练数据和训练方法对估计精度影响较大[4]。基于等效电路模型的卡尔曼滤波算法由于计算复杂度低以及建模精确，已在SOC估计上广泛应用，并取得较好的预测效果。

SOH 代表蓄电池满充容量相对额定容量的百分比，是衡量电池老化程度的度量标准，其主要特征为电池容量的衰退及内阻的增加[5]，本文选用内阻作为参数，通过估算内阻来计算得到电池的SOH 值。……