基于灰狼算法优化极限学习机的锂离子电池SOC估计

王 桥，魏 孟，叶 敏，李嘉波，徐信芯

（长安大学工程机械学院公路养护装备国家工程实验室，陕西 西安710064）

随着全球化石能源的枯竭，新能源技术受到了越来越多的关注，电动车辆被认为是未来车辆的趋势。锂离子电池作为电动车辆的核心“三电系统”之一，具有能量密度高、无记忆效应、循环寿命长、自放电率低等优点[1]。在现有的电动车辆技术中，可靠的电池管理系统(battery management system，BMS)仍然是一个设计难题。SOC(state of charge)作为BMS的基本组成之一，反映了可用容量与标准容量的比率，是有效管理电池能量利用和防止电池过度充电的前提[2]。动力电池内部复杂的化学反应导致其建模困难，同时由于车辆行驶过程中的紧急制动、温度突变以及外界干扰，使得电池的实际采集数据表现强耦合非线性特征，导致精确的SOC估计十分困难。因此，精确的SOC估计具有重要的意义。

目前，锂离子电池SOC 估计方法主要分为4类：安时积分法、开路电压法、物理模型法和数据驱动法[3]。安时积分法是迄今为止SOC估计中使用最广泛的方法，它简单集成了电池运行期间的充放电电流，其精度主要依赖于精确的电流测量，然而，在电流测量时存在由SOC 估计漂移产生的噪声误差，并会产生误差累计效应[3]。开路电压法简单、成本低、实时性好，但准确测量开路电压需要很长时间，因此一般在实验室条件下应用[4]。物理模型法主要包括一系列卡尔曼滤波的衍生方法，卡尔曼滤波法是一种最优化的数据处理算法，其衍生算法包括扩展卡尔曼滤波、无迹卡尔曼滤波、自适应卡尔曼滤波和粒子滤波等。……