1．目的及意义
1.1.选题背景及意义

能源危机和环境污染已成为了全球社会关注的焦点，电动车可以提高能源效率，降低环境污染，具有重要的经济和战略意义。动力电池作为电动汽车核心部件，也是电动汽车的技术瓶颈。电池技术的研究成为了电动汽车研究的核心领域之一。电池SOC不能直接测量，只能通过电池端电压、充放电电流及内阻等参数来估算其大小。而这些参数还会受到电池老化、环境温度变化及汽车行驶状态等多种不确定因素的影响，因此准确的SOC估计已成为电动汽车发展中亟待解决的问题。准确估算电池SOC，一方面来源于电动汽车的要求，既要发挥电池能力又要提高安全性，从两个角度对电池进行高效管理；另一方面，电动汽车电池在使用过程中表现的高度非线性，使准确估计SOC具有很大难度。两方面的结合，使得电动汽车电池SOC估算方法的选择尤为重要。

1.2.研究的目的

本文旨在比较不同的卡尔曼滤波算法对SOC估算值的影响，建立电池模型，利用扩展卡尔曼滤波.无迹卡尔曼滤波和双重卡尔曼滤波算法分别估算电池的SOC值，比较各算法估算出的SOC值的差异，分析原因，找出各方案的优缺点，达到优化SOC估算方法的目的。

1.3.国内外的研究现状分析

卡尔曼滤波作为一种去除干扰数据，获得优质估计结果的优秀算法，在许多领域得到应用。无人机定位、实验数据处理以及动力电池的SOC、SOH等，需要作出参数估计的领域都有应用。

应用卡尔曼滤波去估算电池SOC值，首先需要选取一个电池模型，用来确定电流，电压，内阻等电池参数与SOC之间的函数关系，是为状态方程的来源。采用不同种类的卡尔曼方法，此处获得估计值的方式会有所区别。然后，寻求SOC的观测值。在线应用的动力电池电量的观测值，可以来自于基于电流测量的安时积分结果，也可以来自于电池开路电压与电池荷电量的稳定对应关系。从而得到测量值。最后，将估计值与测量值进行加权平均，得到某一时刻电池组的SOC值。具研究表明，恰当的选择模型并应用卡尔曼滤波，可以将SOC精度从8%直接提升至3%。由于最初提出的Kalman滤波只适用于线性系统，且要求观测方程也必须为线性，于是又过了很多年，才有人研究出了适用于非线性系统的Kalman滤波理论，简称EKF（Extensible Kalman Filter），当初始状态有关信息未知以及没有先验知识可用时，可以考虑使用EKF来解决问题，但是EKF计算压力也不小，因为过程中要计算雅克比矩阵。不管是KF，还是EKF，运行时都会受到计算机硬件的限制，导致计算传递过程中协方差矩阵出现奇异，因此在数值计算上会出现极大的不稳定性，为了改善这种不稳定性，后续有人提出了诸如奇异值滤波、UD分解滤波、粒子滤波等数值上鲁棒性好的滤波算法。另外随着人工神经网络和信息融合的兴起与发展，很多人开始将它们与Kalman结合使用。

{title}

2. 研究的基本内容与方案

{title} 2.1.基本内容

先通过查阅相关文献资料了解锂离子电池的组成，结构和工作原理，掌握电池模型的构建方法。掌握不同的卡尔曼滤波算法估算电池SOC的原理，掌握不同卡尔曼滤波的计算方法。然后查阅国内外相关文献资料并写好文献检索摘要，对文献资料进行理解消化并加以总结，完成开题报告。还有就是按照导师的安排完成相应的研究任务。

2.2 目标

1.了解电动汽车发展趋势及对动力电池的要求

2.掌握锂离子电池的组成、结构和工作原理