1. 研究目的与意义（文献综述）

电池荷电状态(soc)和电池功率状态(sop)是电动汽车动力电池管理系统决定性因素中最重要的两个指标。

本文尝试对现存的文献作出两点贡献。

（1）基于自适应扩展卡尔曼滤波算法，数据驱动的，针对不同不利情况下电池的soc和sop联合估计器得到进一步发展。

2. 研究的基本内容与方案

为了解决当今保护环境和实现能源可持续发展的两项紧迫任务，在全球范围内用电动汽车取代依赖油的汽车具有战略意义。作为重要的车载电能存储，电池已被广泛用于各种电动车辆。决定其成功商业化的最重要因素是技术上保证可靠和安全的电池操作。电池管理系统（bms）的设计旨在提供监视，诊断和控制功能，以加强电池的操作性。 bms的关键功能是实时准确估计电池的荷电状态（soc）和功率状态能力（sop）【1-3】.

一方面，准确的电池soc估算是高效管理电池和执行各种电动车辆配电策略的关键决定因素【4,5】。另一方面，在实际的bms应用中，精确的sop估计是关键的，因为有必要确定当前的可用功率以满足加速，再生制动和梯度爬升功率要求，而不必担心过度充电或过度放电。更重要的是，准确的sop估计将有助于优化电池容量和尺寸，并有助于改善车辆的整体效能【6-8】。因此，为了对电动汽车能量管理系统的优化提供有效保证，特别需要可靠的soc和sop预测算法。

就soc估计而言，先前已经总结了用于构建soc估计器的各种方法，每个方法都有其自身的优点，如参考文献【3】中所述。 与直接测量法，库仑计数法，基于电压和阻抗测量的方法，滤波算法或基于多个滤波器的集成算法正在吸引更多关注【9-18】。 这是因为这类方法难以直接应用于电动汽车，而基于滤波器的方法能够有效地避免噪声，电流传感器不准确，累计误差等问题。参考【9】使用基于输出注入的pde观察器来预测电池的状态。参考【10】在非线性状态观测器和扩展卡尔曼滤波器之间进行了一项预测电池soc的比较研究。参考【11】 使用扩展卡尔曼过滤器来预测电池soc。参考【12】提出了基于全面的不可观测的模型估计电池soc，未知非线性和健康状态（soh）的方法。参考文献【13-8】提出了几种估算电池soc的过滤器。上述方法已经为电池soc估计达到了可接受的准确度。然而，为了实现电池的性能优化和更长的生命周期，除了其soc的知识之外，还需要准确的电池sop预测方法【19-21】。值得注意的是，任何专注于电池soc的功率/能量管理系统对于电动车来说都不够可靠。为了实现长期目标，需要对其进行调整以满足电池sop的要求。 因此，与电池soc的研究经验相比，迫切需要电池sop估算方法。

3. 研究计划与安排

第1周，选题。

第3-4周，根据网上拟定的任务，在查阅相关资料后遵照教师要求网上提交并完成开题。

第5周，开题报告审查。

4. 参考文献（12篇以上）

[1] r. xiong，f. sun，z. chen，h. he，appl。 能源113（2014）463e476.

[2] r. xiong，f. sun，x. gong，h. he，j.power sources 242（2013）699e713.

[3] r. xiong，x. gong，cc mi，f. sun，j.power sources 243（2013）805e816.