1.1.选题背景及意义

如今，经济日益发展，同时也有一系列问题出现，比如日益严重的能源危机和环境污染，其中气候变化和空气污染受到广泛关注，而这里面很重要的的原因是煤炭等资源的燃烧。由于当前人类社会过度开发和依赖化石能源，对资源过度开发，能源愈发紧张。这些问题不仅在社会范围上引起了广泛的关注，也在电动汽车行业受到很大的关注。与使用化石燃料的传统汽车不同，电动汽车的资源动力是电能，具有清洁环保的优势。电动汽车的核心部件是动力电池，对现代行业来说，主要关键打破点就是电动汽车的动力电池。

电池管理有一个重要内容就是估计电动汽车的电池状态，电池的内部状态主要包括荷电状态(state of charge，SOC)和健康状态(state of health，SOH)。电池SOC表征电池剩余电量和额定容量的比值^[1]；电池SOH表征电池的老化程度，是电池使用一段时间后性能参数与标称参数的比值，用老化电池的容量比上新电池的容量表示。电池荷电状态（SOC）估算是电池管理系统众多功能中最为重要的一个功能，该项指标的准确与否是衡量管理系统优劣的重要标志^[2]。使用过程中，电池的SOH降低会表现出容量减小，电池可提供最大功率降低，内阻增大等现象。电池管理的基础是估计电池SOC，提高电池估计SOC过程中的精度，对于电池寿命的延长和使用效率、安全可靠性的提高，以及整车能量管理有着十分重要的意义。目前国内外应用比较广的估计电池SOC的方法是卡尔曼滤波算法。卡尔曼滤波算法基于模型，要求模型精度高，而电池是个非线性动力系统，使用过程中伴随着充放电的反复进行，会出现电池老化，SOH降低，内阻增大，容量减小，因此电池模型的参数也在变化，所以用传统卡尔曼滤波方法估计SOC会产生较大的误差。

1.2.研究的目的

本文旨在通过分析锂离子电池的组成、结构和充放电过程的基本原理，从而理解导致锂离子电池衰退的内、外因素情况，进一步了解基于卡尔曼滤波估算SOC的原理和方法以及具有自适应功能的SOC估算的原理和方法，分析自适应方法对SOC 估算的影响，用于提高电池估计SOC过程中的精度，延长电池的寿命和使用效率、提高安全可靠性。

1.3.国内外的研究现状分析

目前，对SOC估算的方法主要有：经过修正的安时积分法、神经网络算法、卡尔曼滤波算法及其拓展算法、基于等效电路模型的参数辨识法等。安时积分法也称电流积分法、库伦记数法。神经网络算法的主要思想是在学习的过程中不断调整模型的权重和偏差以减小模型的误差，从而提高模型的精度^[3]。各类算法的精度和计算量各不相同，实验室研究往往更追求提高SOC 估算的精确度， 而工程领域更关注在目前硬件条件下精确度和计算量二者的平衡。系统滤波算法优点是闭环控制和实时性强，因此目前在电池 SOC 估算中应用最为广泛，最常用到的系统滤波算法是卡尔曼滤波算法^[4]。卡尔曼滤波算法作为一种线性算法在应用到非线性系统中时存在一定的困难，因此许多基于卡尔曼滤波算法的的改进算法被提出。

Saeed Sepasi等人提出了扩展卡尔曼滤波算法（ExtendedKalman Filter，EKF）^[5]

魏克新基于电池的戴维宁(Thevenin)模型，设计了多模型自适应卡尔曼滤波器，并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态估计^[6]

刘树林针对电动汽车动力锂离子电池的状态估计问题，建立基于二阶等效电路的分数阶电池模型，采用遗传算法辨识阶数，然后利用分数阶卡尔曼滤波算法估计电池SOC，并与扩展卡尔曼滤波算法进行比较^[7]