磷酸铁锂离子电池组荷电状态估计的研究
磷酸铁锂离子电池组的荷电状态估计是为了更好地应用电池组作为动力锂电池。本文选取了二阶RC电池模型，采用自适应噪声匹配的无轨卡尔曼滤波方法对电池组的荷电状态进行估计，提高了卡尔曼滤波算法的精度。仿真结果和实验验证表明，该算法具有较高的估计精度和良好的soc估计效果。
电池荷电状态的计算是BMS系统的重要前提。准确估算动力锂电池组的荷电状态，可以提高电池的安全性能，有效保护电池，延长电池组的使用寿命，提高电池的使用效率。
动力锂电池soc估计的难点在于电池系统复杂的动态特性。因此，soc估计的关键是建立合适的电池模型，选择合适的估计方法。常用的电池模型有电化学模型、神经网络模型和等效电路模型。本文选择了能准确反映电池组动态特性的二阶RC等效电路模型。卡尔曼滤波算法能够实时跟踪系统的状态，适用于电力电池荷电状态的估计。
卡尔曼滤波算法应用于线性系统的评估方法,和电池是一个复杂的非线性系统,因此有利用泰勒展开线性化的非线性系统的扩展卡尔曼滤波(EKF)算法,EKF算法可以应用到一个好的电池soc估算研究,但计算过程相对复杂,计算的稳定性较差,因此本文采用无迹卡尔曼滤波(UKF)算法,该算法基于UKF对系统状态变量进行UT变换，符合状态变量可以转换成状态变量的统计性质的几个采样点，然后在系统方程中进行运算。UKF算法比EKF算法简单、稳定。
为了进一步提高计算精度，采用自适应匹配算法实时更新系统的状态噪声和观测噪声，可以进一步提高系统方程的精度和算法的精度。
