研究背景
三元锂电池由于其具有能量密度大、体积小、 环保等优点，正在逐步介入人们的生活当中，尤其 是在纯电动汽车中广为使用。在纯电动车的制造成 本中，三元锂电池组占据了很大的比重，同时电动 汽车的剩余里程也与电池的剩余电量密切相关，因 此准确估计电池荷电状态（state of charge，SOC） 对于提升车辆驾驶性能，提高车辆的剩余里程有重 要意义。
创新点及解决的问题
电池荷电状态（SOC），通常表示电池在使用或长期静置一段时间后，其剩余容量与完全充电后电池容量比值，通常以百分比来表示。SOC的预测方法主要有三种：一种是基于电池表征参数的预测方法，主要有开路电压法、开路电压差法和内阻法，此类方法对测量仪器要求比较严格，测试环境苛刻，需要设备静置一定时间；一种是建立等效电路模型，通常采用卡尔曼滤波算法来进行相应模型的构建，如二阶RC模型、电池老化模型等经验模型，但SOC在实际工况下具有动态特�ʵ�����,�����ʵ�性，为了提升它的精度，需要将温度等影响因素引入模型。第三种是智能控制方法，通常采取神经网络算法进行估计，该方法可以通过训练实验数据间接构建电池模型，但需大量数据支持，对BMS开发平台硬件要求高。为了降低训练时常，提升训练精度，许多文章做出了改进：比如利用现阶段应用最为广泛的粒子群（PSO）算法进行BP神经网络或者径向基神经网络（RBF）的优化。或者另辟蹊径通过蚁群算法及遗传算法优化神经网络等。但是，这些算法大都在一定程度上增加了原有算法的复杂性，算法的复杂程度也在一定程度上提升了编程难度，大量的数据堆砌，容易造成单片机位溢出。本文考虑到电动汽车的实际运行工况， 将运行工况区分为动态放电状态和静置状态，将 静置状态分为纯静置状态及静置充电状态。针对 电动汽车在不同状态下的特性，结合优化后的 PSO-RBF算法与二分查表法进行SOC预测及修正。
重点内容导读
结论