1.1目的及意义

随着社会发展，全球人口量增多，能源消耗以及环境问题日益严重，传统汽车因其对石油的严重消耗以及其导致的排放污染，而在这两个方面的固有劣势显现地愈发明显，电动汽车因在这两个方面的优势而越来越被人重视，世界各国都加强了对电动汽车的开发研究，而作为电动汽车动力之源的电池技术发展更是重中之重。锂离子电池以其寿命长、功率承受力大、能量密度高以及温度适应性强等特点，在电动汽车中得到了广泛应用。而电池荷电状态SOC（State of Charge）的准确获知，是电池管理系统的核心任务，它直接影响了电池组的安全性、可靠性以及使用寿命。通过SOC的准确估计，我们可以对电池进行均衡充电，保持电池组各个电池性能均匀，从而延长电池使用时间；避免对电池的过充电或过放电；能力管理系统对能量进行合理分配，提升电能利用率；依据SOC对电动汽车行驶里程实现准确预测，提供合理驾驶策略的选择依据。

但是在电动汽车的实际工况中，电池所处的工作环境十分复杂，受到充放电电流电压变化、工作温度波动、电池老化、循环寿命等影响，因而SOC的准确估计已经成了电动汽车发展中亟待解决的一个问题。

本文将就基于粒子滤波的算法展开研究，探寻其原理，优劣性及适用范围，并基于锂电池外特性的实验数据，建立电池等效电路模型，用分段线性回归的方法来辨识模型参数。在Matlab搭建电池模型，并研究粒子滤波算法(PF)算法在估算SOC中的应用。

1.2国内外研究现状

国内外对电动汽车SOC的估算研究有很多成果。

传统定义SOC是指电池最大可用容量与其标称容量的比值，何正伟、付主木提出用能量守恒原理来重新定义电池SOC，提高了电池SOC的估算精度，降低了电池SOC估算复杂度，并且满足了对大电流、变电流放电工况的适应性。高建树等人也重新定义了SOC并引入SIR粒子滤波算法估算SOC，达到了更高的精度及适应性。几十年来，学者们提出了很多SOC的估计算法，如安时积分法、开路电压法、神经网络法、卡尔曼滤波法、粒子滤波系列算法等现在常用方法。其中，安时积分法只需要知道初始SOC和实时测量回路电流，但缺陷在于受初值误差影响大，存在累计误差，不能应对电池自放电问题，使得一般需要其他算法辅助估计；开路电压法需要较长静止时间，不适用于SOC实时估计；神经网络法不断更新模型参数的特点令它适用于在线估算，但是在实验前需要用大量电池数据进行训练，训练数据和训练方法极大影响着估算精度，而且学习时间较长；卡尔曼滤波法可以同时获得电池 SOC 的估算值以及 SOC 估算误差的协方差，相对于其他方法，估算精度得到了显著提高，但依赖于电池模型的准确性，且建模及算法都比较复杂；粒子滤波是近十几年逐渐发展起來的一种基于蒙特卡罗方法的非高斯、非线性时变系统的滤波方法，采取重要性采样原则，以概率分布的粒子代替了未知的概率分布函数，适用于非线性且伴有非高斯分布噪声的，比较复杂的锂离子电池模型的SOC估计。吴兰花等人通过在粒子滤波算法重采样之前增加了基于BP神经网络的权值调整过程，通过加大位于概率分布尾部的粒子的权值，提高了样本粒子的多样性，减小了对SOC的估计误差。郭辉提出了一种改进的自适应粒子滤波的算法，该方法提高了传统自适应粒子滤波的鲁棒性，提升了对SOC的估计精度。

2. 研究的基本内容与方案

2.1基本内容

本文将针对动力电池荷电状态SOC的估计算法——粒子滤波算法进行研究，基于锂电池外特性的实验数据，建立电池等效电路模型，用分段线性回归的方法来辨识模型参数。在Matlab搭建电池模型，并研究粒子滤波算法(PF)算法在估算SOC中的应用，进行试验验证。

2.2研究目标