贾海峰，李 聪

(上海工程技术大学机械与汽车工程学院，上海 201620)

1 引言

近年来随着新能源汽车技术的不断发展，纯电动汽车动力电池技术已经成为汽车行业的研究热点和难点，尤其对电池管理系统提出了新要求。而荷电状态 (State Of Charge， SOC) 是电池管理系统的一个最重要参数，为纯电动汽车剩余可行驶里程和充放电安全性提供重要依据和保障。SOC值不能通过直接测量得到，只能依靠与可测参数间的关系进行估计，然而这种关系是非线性的，尤其当电动汽车在复杂变电流工况情况下精确地估算其值是个难题。

目前用于估算SOC值的方法较多。各种估算方法各有优点和适用限制：安时积分法结合开路电压法[1]避免了电池长时间静止，但累计误差依然存在；建立神经网络黑箱模型方法[2]虽然具有较高的预测精度，但需要大量的电池充放电数据，在实车环境中需要一定的预测时间；扩展卡尔曼滤波(Extented Kalman Filter， EKF)[3-4]方法在一定领域使用广泛，但算法在滤波过程中易发散，而且对电池线性化时会导致线性化误差。文献[5-6]采用无迹卡尔曼滤波(Unscented Kalman Filter，UKF)方法对电池SOC进行了估计，避免了线性化误差，提高了估算精度，但UKF算法在迭代过程中不能实时更新系统噪声的统计特性，造成在实际工况变电流的情况下，滤波效果较差。

综上所述，已有一些文献利用卡尔曼滤波类算法对锂电池SOC进行估计，但都假设系统噪声是不变的，并未考虑到滤波过程中系统噪声的统计特性是时变的。……