1．目的及意义
随着社会的发展以及科学的不断进步，一次能源的消耗殆尽以及环境污染的问题越来越严重，全世界正面临着能源匮乏以及环境恶劣的危机。据相关的数据表明，目前，已被发现的石油储备量不到2000亿吨，而截至今日，全球的石油总共储存量约为10000亿吨，全球石油消耗量大概为每年40亿吨。这也就是说，大概在200到300年左右，石油就会被用完，而汽车消耗的石油量就高达三分之一以上。该数据显示机动车不仅仅消耗了大量的能源，对环境的危害也变得越来越严重。因此，为了节约能源以及减少环境污染程度，电动汽车逐渐取代机动车成为了新的趋势。但目前电动汽车的发展也存在一定的不足，例如行驶时间短、速度慢、性能差等。要想提高电动汽车性能的关键点在于动力电池，需要全面提高电池的能量、效率、安全等方方面面。在电池的选择上，铅酸电池比能量低，寿命短，镍镉高温特性不佳，有记忆效应，两款电池均含有重金属物质；镍氢电池高功率下比能量下降快，放点过程放出热量，使得寿命下降；锂电池比能量和比功率高，自放电率低，无记忆效应，循环寿命长，但温度特性不佳，高温降寿命，低温电解质阻抗大，且不能深度充放电，会造成不可逆的损失，单节电压要求低于4.2V，否则可能爆炸。综合来看，只要对锂电池进行良好的管理，会具有很好的发展空间。一个良好的BMS系统可以对电池进行有效的管理，锂离子电池管理系统是新能源电动汽车当中的最关键技术之一，控制着各个电池组的工作状态，监控每一个电池的工作状况，能够对电动汽车加速和减速所需要的电量、功率、反馈电流及放点电流有所控制并与电机和整车系统通信，然后清晰地在仪表中显示电池的工作状态，

且根据电池组中的电池随时变化的参数实时更新管理系统中的参数表，计算电池组中的电量消耗情况，准确预测电池寿命。BMS 具备通信故障诊断、电池组短路保护、充放电控制、报警提示等其他功能。若没有一个功能完善的 BMS，其电池组寿命与电动车寿命都会降低，安全性也会随之下降。锂离子电池的最大优势在于安全与容量方面，与其他材料的动力电池相比，锂离子电池的应用已经占据90%以上的电动汽车。电池内部的荷电状态（State of Charge, 简称 SOC）是锂离子电池最重要的参数，目前锂离子电池最难以突破的技术就是如何准确的估算电池的SOC，也是具有十分重要意义的目标。动力电池在使用过程中，准确地估计电池的荷电状态SOC，可以有效提高电池的使用效率，还可以防止电池过度充放电对电池造成损害，从而提高电池的使用寿命。由此可知对 SOC 的准确估算是非常重要的，一旦对 SOC 的估算存在较大误

差，可能导致电动汽车的安全隐患，降低电池的寿命；行驶方面也会在一定程度上影响驾驶的速度与路程，无法提高可靠的电池使用效率。但是，SOC 是电池内部的电量参数，几乎不可能实现采用直接测量的方式，而且电池的 SOC 受到许多个因素的影响，表现出一种强烈的复杂性与非线性。此外，过充电与过放电的情况也加大了估算 SOC 的难度。因此准确的 SOC 估算能够指导我们对电池进行合理的利用，避免过充和过放现象造成电池永久性损坏，增强安全程度，保证电池的使用寿命，也可降低使用者的经济投入。因此对电池 SOC估算一直是一个广泛研究的对象，提高SOC的估算误差。

1943年，心理学家W. Mcculloch和数学逻辑学家W. Pitts首先提出

了基于神经元基本特征的分析和总结的神经元数学模型。 该模型至今仍在使用，直接影响该领域的研究进展。 因此，它们可以被称为人工神经网络研究的先驱。

林成涛等采用安时积分的策略进行荷电状态的参数预测，但该方法通常将计算结果作为参考值，而在采集电流数据时存在一定的测量误差，又经过积分的作用会导致误差持续增大，数值在不断累积的基础上以及在过高的温度下将无法实现精确的参数预测。可见，安时积分法忽略了温度因素的影响，如果要提高估算的精确性，还需对温度参数进行相关修正。J. Xu 等结合使用卡尔曼滤波以及开路电压算法首先计算出 SOC 的初始荷电状态，其次采用安时积分法进行SOC 的估算，在计算过程中不断的采用结合算法修正积分作用的累积误差。该算法虽然降低了一定的估算误差，但安时积分法的估算准确度过于依赖结合算法的修正方式，也存在一定的误差。

系统的电压值与荷电状态两者具备固定的数学模型，国外相关学者发现了一种利用该电压值进行荷电状态参数预测的策略。J. D. Yi 等利用等效电动势策略估算 SOC，在开始阶段对 SOC 的估算结果比较精确，但随着负载改变时，电流的变化率增大，导致估算的误差增大。C. B. Zhu 等采用等效电路模型的电动势算法进行锂离子电池的 SOC 估计，在实际应用中针对驻车状态下的 SOC 估计精度较好，但在运动过程中的估算误差大，估算效果差。

李旭军等采用阻抗分析法对锂离子电池进行交流阻抗分析，频率区间为40Hz-20kHz，分析了锂离子电池充放电时的交流阻抗的频谱变化特性，

可知在后期电池内部阻抗明显增加，但并没有深入的对 SOC 进行研究。A. Cuadras 等将模糊推理算法与阻抗频谱特性相结合，总结出荷电状态的不同在一定程度上影响电化学频谱的分布，但并没有提出有关荷电状态参数预测的策略。目前利用阻抗分析法对 SOC 的估算存在很多的难点没有解决，估算的精度也无法保证。在使用 Kalman 滤波策略进行荷电状态的参数预测时，需要将系统简化为动力学模型，被预测的参数比作状态变量，主要采用状态方程来实现参数预测。

国内外一些学者逐渐转向利用神经网络策略进行荷电状态的参数估计，L.Wang等使用神经网络策略将系统的荷电状态分成不同的等级，估算结果精确度很高，但采用的网络节点数比较多，训练速度慢。R. E. White等同样针对神经网络，将电压与电流两个因素作为网络的输入量，忽略了温度对SOC的影响，估算效果差。D. D. Domenico等加入了温度参数作为影响因素，虽然在一定程度上提高了估算效果，但并没有考虑网络的初始权值与闽值对网络性能的影响，导致网络参数预测时间增大，导致预测误差达不到精度要求。神经网络算法对soc的估算效果精度比较高，是未来的发展方向，且神经网络可以和优化、进化算法相结合，进一步提高估算精度。Q. Guo等利用粒子群策略对网络主要的参数进行寻优，其次利用寻优后的算法进行荷电状态参数预测，得出网络的性能经过优化后具有大幅度的提升，避免了网络产生不成熟收敛的现象，使荷电状态的参数预测具有更高的精度。

{title}

2. 研究的基本内容与方案

{title}

根据研究内容，可以拟定以下方案

(1)根据电动汽车对动力电池性能要求，对锂电池的特性进行分析介绍，分锂电池作为电动汽车动力电池的原因。