传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题。针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性。

神经网络由于强大的非线性逼近能力、不需要建立数学模型等优势可以很好地完成荷电状态(state of charge,SOC)预测。但是常用的BP神经网络也存在学习效率慢、容易陷入局部极小值的缺点。为改进传统神经网络的不足,提高预测精度,提出自适应变异粒子群优化算法(Particle Swarm Optimizition with Adaptive Mutation,AMPSO)与BP神经网络相结合的估算方法。在高级车辆仿真器(ADVISOR)仿真环境下,利用实际工况条件下的数据进行SOC估计,并与PSO、EKF、UKF方法对比,结果显示,优化后的BP神经网络预测误差在2%以内,说明所提的SOC估计方法有更好的预测准确性和稳定性。

研究了温度对锂电池参数的影响,并提出了考虑容量损失的荷电状态(SOC)估算方法。首先,基于不同温度下锂电池混合脉冲功率特性试验(HPPC),建立了一种考虑温度影响的改进等效电路模型;然后,通过充放电试验得出了不同温度、不同电流倍率下锂电池的容量系数,进而提出了一种考虑容量损失的SOC计算公式;最后,利用无迹卡尔曼滤波(UKF)算法对锂电池SOC进行在线估算。验证试验结果表明,改进后的SOC估算方法与以往算法相比具有更高的精度。

为了估算锂离子动力电池的荷电状态（SOC）,在对影响SOC值的因素及传统SOC估算方法分析的基础上,依据实际情况,采用了一种新思路,即将电池的工作状况分为静止、恢复、充放电三种状态,分别对三种状态进行SOC估算。在估算过程中分散并消除影响SOC值的因素,特别在充放电状态下,使用了以库仑效率因子为基础的电量的动态恢复量对安时计量法进行改进,解决了安时计量法会产生累积误差的问题。经实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。

分析了各种电池荷电状态估算方法的优缺点,提出了一种实时检测电池端电压作为判断电池充电状态的安时计量算法。由于该算法构成的电量计能实时、准确计算电池的电量和SOC,并应用于风光互补路灯系统,保证了路灯照明安全、可靠地运行。

纯电动公交客车具备再生制动功能，再生制动的两个主要目标：保持良好的制动安全性和提高制动能量回收率。考虑了国家安全法规和纯电动公交客车实际运行工况的前提下，提出了一种可以大幅度提高制动能量回收率的制动力分配控制策略。然后考虑再生制动过程中制动模式切换时的舒适性，对再生制动中模式切换条件：电池SOC影响系数和车速影响系数进行优化控制。最后制动控制策略在MATLAB侣IMuuNK平台上建立，整车动力学模型在CRUISE软件中建立，通过CRUISE和MATLAB／SIMULINK联合仿真进行验证，仿真结果表明：此控制策略既能满足国家安全法规的要求，又能较大程度的回收制动能量，而且还能使车辆在再生制动过程中的制动性能和不进行再生制动的制动性能基本保持一致。

电动汽车作为新型节能环保的交通工具之一,以常用磷酸铁锂电池为研究对象,分析电池欧姆内阻是否对荷电状态（State of Charge,SOC）的估算存在影响。通过不同放电倍率的混合脉冲功率特性（Hybrid Pulse Power Characteristic,HPPC）实验对电池欧姆内阻进行了分析和辨识,并提出了一种实时修正欧姆内阻的原理和方法,以建立等效电路模型和滤波算法方法实现了在不同放电倍率下的SOC估算,报告了不同放电倍率下欧姆内阻对估算SOC及汽车容量信息显示存在影响的现状。研究结果表明,电池欧姆内阻对SOC估算及电动汽车剩余容量信息的显示具有直接的影响。