1. 目的及意义

   近几年来，随着电动汽车的发展以及新能源的大规模接入电网，作为储能单元的锂离子电池应用也越来越广泛，市场规模也在不断增长。相对传统储能单元，锂离子电池有以下优点：1、输出电压高;2、能量高、储存能量密度大;3、自放电率低,储存寿命长; 4、无记忆效应;5、支持较大的充电电流、充电速度较快;6、放电电压稳定,工作温度范围宽。由于可充电锂电池具备以上诸多优点，其应用非常广泛,最常见的应用就是手机的供电、笔记本电池、工业仪器仪表、医疗器械设备等产品上。锂离子电池在使用过程中，对于其荷电状态（state of charge, SOC）的准确估计非常重要，因为SOC直接关系到电池安全使用。

   荷电状态(SOC)是表示电池工作状态和老化程度的重要状态变量。精确地测量 SOC 对电池的管理至关重要，但目前 SOC 不能直接测量，必须通过测量其他变量来估算。目前，SOC 估计的方法主要是安时(库仑)计量法、内阻法、现行模型法、开路电压法、人工神经网络和卡尔曼滤波(KF)等。扩展卡尔曼滤波 ( EKF) 和无迹卡尔曼滤波(UKF)都是对 KF 的扩展。其中，开路电压法主要依靠电池长时间静置后的端电压与 SOC 呈高度线性关系，通过静置后测量得到的端电压估计当前 SOC 值，充放电初期电压变化较大，此方法可以取得不错的估计精度。故此方法的缺点较为明显即需要长时间静置，因此其不适用于实时估计SOC无法满足实际使用需求。内阻法是首先测量电池的内阻，然后映射至SOC，由于交流内阻极易受温度影响，而通过直流内阻估计锂离子电池 SOC 需要精确的测量仪器测量电阻值，因此也不适用于在线估计 SOC。安时法是一种估计 SOC的直接方法，其需要 SOC 的初值以及较高精度的电流测量，其误差会不断累积因此不可单独使用。基于模型的方法主要以 KF 以及粒子滤波（Particle Filter，PF）为框架结合相应的电池模型进行使用，因此此类方法的精度主要依靠模型对系统的匹配程度，采用安时法作为状态方程，模型作为量测方程，通过量测方程给出的估计结果修正状态方程的状态推进结果。PF 算法在处理非线性、非高斯系统时有着极大的优势，与 KF 类似它也是一种动态特性极好的算法。但 PF 若想近似系统真实的后验概率，就需要大量的样本数据，这就造成了计算复杂度的增高，并且 PF 的重采样阶段还会造成粒子多样性的缺失，造成估计的不准确性。因此，PF 在锂离子电池 SOC 估计方面很难保证在线的实时性以及准确性。Gregory L. Plett 在 2004 年使用扩展卡尔曼滤波（Extended Kalman Filter，EKF）有效的估计了电池状态，证明了这一类方法在电池状态估计上的可用性。

   SOC 描述的是电池当前容量与额定容量的比值，它是保证电池安全充放电的重要参数，也是目前纯电动汽车上应用最广泛的估算方法就是安时积分与开路电压结合法，该方法计算简单且容易实现，但由于其初值修正不及时会产生很大的累积误差，所以在估算精确度方面受到了限制。而卡尔曼滤波算法，克服了传统安时积分与开路电压结合算法的缺点，实现了 SOC 的精确估计。

   张东华，马燕，陈斯琪，朱国荣，陈伟等武汉理工大学教授在锂电池模型参数估计与荷电状态估算研究中指出戴维南模型和PNGV模型在模拟锂电池放电时，两种模型都有较高的精度，与实际电池的外特性相吻合，验证了 z 域下模型参数估算方法的合理性。其中，PNGV 模型精度略高，这也说明电路模型的参数越精细，模型与真实电池特性就越接近，采用更多电路参数如提高模型阶数将进一步提高精度，但参数估算的复杂度也随之增加，同时，相较于戴维南模型，PNGV 模型更适合用于实际锂电池建模系统中。高明煜，何志伟，徐杰等在，“基于采样点卡尔曼滤波的动力电池 SOC 估计”中.详细描述了利用采样点卡尔曼滤波算法进行动力电池 SOC 估计的方法和过程，探讨了如何对电池过程模型进行修改，使其适应不同的温度条件及不同的放电速率。与传统卡尔曼滤波和扩展卡尔曼滤波相比，采样点卡尔曼滤波利用一系列拥有状态变量均值和方差信息的采样点经由非线性系统传播，直接得到电池荷电状态的估计及其估计方差，在避免复杂的求导运算的同时进一步提高了SOC 的估计精度。实验表明：采样点卡尔曼滤波算法可以用来进行动力电池 SOC 的快速精确估计，最大误差在 5%左右；模型参数的微小变化不影响 SOC 的估计精度，可以方便地应用于同种类型不同电池中。

2. 研究的基本内容与方案

1. 基本内容与技术方案

课题主要目的为主要包括以下几方面的内容：

（1）了解锂离子电池模型

（2）了解卡尔曼滤波的基本原理；

（3）建立基于锂离子电池模型的卡尔曼滤波估算模型；