1前言
锂离子电池是一个复杂的电化学系统，其工作过程中各变量复杂多变且受到诸多因素的制约。良好的电池模型能够准确模拟电池的工作机制，精准表达电池主要参数之间的关系，准确匹配电池的充放电特性。为了对锂离子电池进行有效的管理，较好地估算锂离子电池的SOC十分关键。但电池的SOC却无法直接测量，需要利用其与电池外特性参数的关系结合一定的控制算法估算得到。
2电池SOC估算的研究现状
2.1 电池SOC估算方法的研究
电池SOC（State of charge）为电池荷电状态，目前对SOC的具体定义尚未统一。但是从电量的角度去看，目前认可度比较高的定义是：SOC为在一定的环境下，电池剩余电量与其在相同条件下可用容量的比值。作为隐性状态量的SOC精确值难以得到，常见的SOC估算方法主要有安时积分法、开路电压法、基于数据驱动的方法及基于等效电路模型的方法等。
安时积分法通过对输出与输入的电流在时间上积分得到电池电量的改变值，结合已知的初始SOC状态，便可计算出实时的SOC值。安时积分法适用于所有电池，且使用时不依赖电池模型，计算简单，不占用过多的系统资源。但电流积分容易产生累计误差，电池的初始SOC误差对估计结果也有较大影响，而安时积分法本身没有自修正功能，因此长时间不经校正的安时积分法会产生较大的误差。
电池的开路电压与SOC之间一般都会存在较为固定的关系，开路电压法则利用这种关系来估算SOC。这种方法成本低，精度高，计算简单。但是锂离子电池放电后，开路电压的获取需要长时间静置，而实车上无法提供足够静置时间，所以其更多的是与安时积分法配合使用以消除安时积分法的累计误差[1]。
基于数据驱动估算方法通过大量数据建立在线可测量参数与电池SOC之间的关系模型，前期数据用于对模型进行训练，训练出理想效果后再将模型应用到电池SOC在线估计中。于仲安[2]等人将传统粒子群算法进行优化，使用了与BP神经网络相结合的混合粒子群算法（HPSO），将影响磷酸铁锂电池的因素如电压、电流等输入模型中对电池的SOC进行预测。在提升SOC预测精度、减少计算时长的同时，解决了粒子群算法易陷入局部极值的问题。基于数据驱动的方法还包括深度学习，支持向量机等多种机器学习算法。但该类方法对训练数据的依赖性高，对数据需求量大，不能保证复杂未知工况下的SOC估算精度，不能应用于老化后的电池SOC估算。
基于等效电路的电池SOC估算方法是将测量到的电流、电压、温度等变量与电池SOC联系起来，并且将这些信号作为模型的输入，通过观测器得出当前电池SOC值。目前基于等效电路模型的SOC估算方法研究主要集中在三个方面：电池等效电路模型的研究、电池模型参数辨识方法的研究和电池SOC估算观测器的研究。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
