王 萍，弓清瑞，程 泽，张吉昂

（天津大学电气自动化与信息工程学院，天津 300072）

前言

锂电池作为一种清洁能源，以其能量密度高、体积小、寿命长等优点，被广泛应用于电动汽车和电力系 统 等 诸 多 领 域。 电 池 管 理 系 统（battery management system，BMS）可以实现对电池的科学评估和风险预警，从而保证电池的稳定运行。电池荷电状态（state of charge，SOC）直接反映了电池的剩余电量，它的准确估计是BMS 运维的关键环节。然而SOC 并不能直接测量，只能通过电池的外部可测变量，结合数学算法来推断。

目前SOC 的估计方法主要有直接测量法、数据驱动法和基于自适应滤波器的方法。

直接测量法包括安时积分法和开路电压法。安时积分法是通过对放电过程中电流随时间积分来获得SOC。该方法有简单易用的优点，但十分依赖于SOC 初值的确定，且电流的测量误差会随时间累积。开路电压法是通过测量电池的开路电压（open circuit voltage，OCV），通过查询OCV-SOC 曲线来获得电池SOC。但该方法须将电池离线后进行长时间静置，因而难以用于SOC的在线估计。

数据驱动法是使用机器学习的算法建立电池外部可测变量如电压、电流和温度等参数与SOC 的映射关系。机器学习方法主要包括统计机器学习方法和神经网络的方法。其中，后者有更灵活的内部结构，对非线性关系的表达能力也更强，应用也更广泛。这类方法无须分析电池复杂的电化学反应，但计算量较大，且十分依赖于训练集的有效可靠。

基于自适应滤波的方法须建立等效电路模型，再结合滤波算法来实现SOC 的闭环估计。……