随着化石能源的不断枯竭，蓄电池作为新能源行业的重要研究目标，受到很多研究人员青睐，其中，锂离子电池以能量高、储能效率高和寿命长的优点被广泛应用于轨道列车中，作为应急供电电源为直流负载提供能量。考虑到实际动车组经常需要在恶劣环境条件下运行，且动车组电池可能需要以大倍率充放电电流进行操作，因此，功率特性高、工作温度范围更广的钛酸锂电池成为动车组蓄电池的首选。

 

动车组电池存在成本高、更换流程复杂、安全性要求严苛等问题，因此，监控电池工作状态、提高电池寿命、保证电池可靠充电，具有重要研究意义。电池的荷电状态（State of Charge, SOC）是衡量电池剩余电量的重要标准，准确估计电池SOC能够精确反映电池内部的状态，但是电池SOC无法直接测量得到，需要根据已有数据进行估算，其准确性难以让人满意，这影响了以锂电池为基础建立的电池管理系统的准确性，为提高电池工作效率、工作寿命留下了难题。

 

目前常用的电池SOC估计方法分为三种：基于电池可测量参数实现的电池SOC估计方法、基于机器学习的电池SOC估计方法和基于电池模型及观测器实现的电池SOC估计方法。

 

基于电池可测量参数计算实现的SOC估计方法包括开路电压法和安时积分法，这两种方法能基本满足电池SOC估计的准确性要求，并且计算量小、容易实现，但是由于实际电池工作环境的复杂，SOC估计过程中存在电流累积误差和初始值误差，容易出现估计结果偏差大的问题。

 

基于机器学习的电池SOC估计方法对大量的电池输入输出数据进行机器训练，拟合电池SOC和输入量之间的关系，从而得到较准确的电池SOC估计值，但是，机器学习方法需要大量的数据作为研究基础，并且如果输入的数据未能覆盖所有工况，其准确性会下降。

 

基于电池模型及观测器估计电池SOC的基本原理搭建电池等效模型，对电池特性进行模拟，在电池模型的基础上总结电池SOC和模型参数之间的关系，实现电池SOC的预测，再根据观测器测量得到的实际数据，对预测得到的电池SOC进行修正，减小估计误差。目前常用的SOC估计方法包括PI观测器估计法、滑模观测器估计法和卡尔曼滤波器估计法。这种方法估计SOC的精度受模型准确性影响，因此，尽量提高模型精度是此类方法提高估计准确性的主要途径。

 

综上可知，基于电池模型及观测器估计电池SOC的方法在工业上具有更好的实用价值，选择搭建合适的电池模型并完成参数辨识，对于提高估计电池SOC的精度有很大影响。

 

高功率特性、高循环寿命、工作温度范围更广的钛酸锂电池在动车组中备受青睐。北京交通大学的研究人员选择中国标准动车组钛酸锂电池为研究对象，以钛酸锂离子电池为研究对象，搭建二阶RC等效电路模型，采用扩展卡尔曼滤波法在线辨识模型参数，并在EKF估计电池SOC的基础上，针对EKF方法噪声方差固定这一缺点，提出了AEKF方法估计电池荷电状态，并在Matlab软件内通过编程验证AEKF估计方法的准确性。

 

 

图1 电池数据采集装置

研究结果表明，AEKF方法可对系统噪声进行实时修正，具有明显的优越性，荷电状态估计误差在1%以内，具有较好的自适应性。并且，在实际初始状态与方法设置初始状态不同的情况下，AEKF估计电池荷电状态能在50s实现估计电池SOC的快速收敛，精度更高。