·1208 工程科学学报，第42卷.第9期 Soc,2019,34(18)3937 (钱能，严运兵，李文杰，等.磷酸铁锂锂离子电池Thevenin等效 (颜湘武，邓浩然，郭琪，等.基于自适应无迹卡尔曼滤波的动力 模型的改进.电池，2018,48(4)：257) 电池健康状态检测及梯次利用研究.电工技术学报，2019， [19]Cai X.Li B,Wang HH,et al.Estimation of state-of-charge for 34(18):3937) electric vehicle power battery with neural network method.Mech [8]Lu L G,Li J Q,Hua J F,et al.A review on the key issues of the Electr Eng Mag,2015,32(1):128 lithium-ion battery management.SciTechnol Rev,2016,34(6):39 (蔡信，李波，汪宏华，等.基于神经网络模型的动力电池$OC估 (卢兰光，李建秋，华剑锋，等.电动汽车锂离子电池管理系统的 计研究.机电工程，2015,32(1)片：128) 关键技术.科技导报，2016,34(6)：39) [20]Lei X,Chen QQ,Liu K P,et al.Battery state of charge estimation [9]Xia C Y.Zhang S,Sun H T.A strategy of estimating state of based on neural-network for electric vehicles.Trans China charge based on extended Kalman filter.Chin J Power Sources, Electrotech Soc,2007,22(8):155 2007,31(5):414 (雷肖，陈清泉，刘开培，等.电动车蓄电池荷电状态估计的神经 (夏超英，张术，孙宏涛.基于推广卡尔曼滤波算法的$OC估算策 网络方法.电工技术学报，2007,22(8)：155) 略.电源技术，2007,31(5)：414) [21]Fan X M,Wang C.Zhang X,et al.A prediction method of Li-ion [10]Li Z Y,Li Z Q,Lv F.State of charge estimation of lithium-ion batteries SOC based on incremental learning relevance vector battery based on UKF method.JJ Guangxi Uniy Sci Technol, machine.Trans China Electrotech Soc,2019,34(13):2700 2019,30(3):41 (范兴明，王超，张鑫，等.基于增量学习相关向量机的锂离子电 (李泽洋，李振强，吕丰.基于UKF方法的锂离子电池荷电状态 池S0C预测方法.电工技术学报，2019,34(13)：2700) 估计研究.广西科技大学学报，2019,30(3)：41) [22]Song S J,Wang Z H,Lin X F.Research on SOC estimation of [11]Johnson V H.Battery performance models in ADVISOR.J Power LiFePO4 batteries based on ELM.Chin J Power Sources,2018 Sources,.2002,110(2):321 42(6):806 [12]Salameh Z M,Casacca M A,Lynch W A.A mathematical model (宋绍剑，王志浩，林小峰.基于极限学习机的磷酸铁锂电池 for lead-acid batteries.IEEE Trans Energy Comvers,1992.7(1): S0C估算研究.电源技术，2018,42(6)：806) 93 [23]Zhang Y H,Wang D.Xiao W,et al.Review of SOC estimation [13]Zhang L,Zhang Q,Chang C,et al.Research on equivalent circuit and difficulties in Li-ion battery.Chin J Power Sources,2019 model for state of charge estimation of electric vehicle.J Electron 43(11):1894 Meas1msrm,2014,28(10):1161 (张易航，王鼎，肖围，等.锂离子电池$OC估算方法概况及难点 (张利，张庆，常成，等.用于电动汽车SOC估计的等效电路模型 分析.电源技术，2019,43(11)：1894) 研究.电子测量与仪器学报，2014,28(10)：1161) [24]Zhu Z.Research on SOC Estimation of LifeP04 [14]Ren Y H.The Research on the On-Line SOC Estimation Method BatteryDissertation].Harbin:Harbin Institute of Technology, for Power Battery[Dissertation].Tianjin:Hebei University of 2013 Technology,2017 (任育涵.动力电池SoC在线估计方法研究学位论文1.天津：河 (朱政.磷酸铁锂电池荷电状态估计方法的研究[学位论文].哈 北工业大学，2017) 尔滨：哈尔滨工业大学，2013) [15]Zhang W P,Lei G Y,Zhang X Q.A simplified Li-ion battery SOC [25]Zhang Y X.Parameter Identification and SOC Estimation of estimation method.Chin Power Sources,2016,40(7):1359 Power Battery for Electric Vehicle[Dissertation].Changchun:Jilin (张卫平，雷歌阳，张晓强.一种简化的锂离子电池$OC估计方 University,2014 法.电源技术，2016,40(7)：1359) (张禹轩.电动汽车动力电池模型参数在线辨识及$OC估计[学 [16]Gu M,Xia C Y,Tian C Y.Li-ion battery state of charge estimation 位论文].长春：吉林大学，2014) based on comprehensive Kalman filter.Trans China Electrotech [26]Wang X B,Xu J H,Zhang Z.On analysis and application S0c,2019,34(2:419 approach for Kalman filter parameters.Comput Appl Sofnware, (谷苗，夏超英，田聪颖.基于综合型卡尔曼滤波的锂离子电池 2012,29(6):212 荷电状态估算.电工技术学报，2019,34(2)：419) (王学斌，徐建宏，张章.卡尔曼滤波器参数分析与应用方法研 [17]Ren J,Wang K,Ren B S.State of charge estimation of lithium-ion 究.计算机应用与软件，2012,29(6)：212) battery based on improved model and unscented Kalman filter [27]Feng G R,Huang G B,Lin Q P,et al.Error minimized extreme Electr Energy Manage Technol,2019(4):64 learning machine with growth of hidden nodes and incremental (任军，王凯，任宝森.基于改进模型和无迹卡尔曼滤波的锂离 learning.IEEE Trans Neural Nenvorks,2009,20(8):1352 子电池荷电状态估计.电器与能效管理技术，2019(4)：64) [28]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:a new [18]Qian N,Yan Y B,Li W J,et al.Improving of Thevenin equivalent leaming scheme of feedforward neural networks//Proceedings of model for lithium iron phosphate Li-ion battery.Battery 2004 IEEE International Joint Conference on Neural Networks Bimonthhy,2018,48(4):257 (IEEE Cat.No.04CH37541).Budapest,Hungary,2004:985Soc, 2019, 34（18）: 3937 （颜湘武, 邓浩然, 郭琪, 等. 基于自适应无迹卡尔曼滤波的动力 电池健康状态检测及梯次利用研究. 电工技术学报, 2019, 34（18）：3937） Lu L G, Li J Q, Hua J F, et al. A review on the key issues of the lithium-ion battery management. Sci Technol Rev, 2016, 34（6）: 39 （卢兰光, 李建秋, 华剑锋, 等. 电动汽车锂离子电池管理系统的 关键技术. 科技导报, 2016, 34（6）：39） [8] Xia  C  Y,  Zhang  S,  Sun  H  T.  A  strategy  of  estimating  state  of charge  based  on  extended  Kalman  filter. Chin J Power Sources, 2007, 31（5）: 414 （夏超英, 张术, 孙宏涛. 基于推广卡尔曼滤波算法的SOC估算策 略. 电源技术, 2007, 31（5）：414） [9] Li  Z  Y,  Li  Z  Q,  Lv  F.  State  of  charge  estimation  of  lithium-ion battery  based  on  UKF  method. J J Guangxi Univ Sci Technol, 2019, 30（3）: 41 （李泽洋, 李振强, 吕丰. 基于UKF方法的锂离子电池荷电状态 估计研究. 广西科技大学学报, 2019, 30（3）：41） [10] Johnson V H. Battery performance models in ADVISOR. J Power Sources, 2002, 110（2）: 321 [11] Salameh Z M, Casacca M A, Lynch W A. A mathematical model for  lead-acid  batteries. IEEE Trans Energy Convers,  1992,  7（1）: 93 [12] Zhang L, Zhang Q, Chang C, et al. Research on equivalent circuit model for state of charge estimation of electric vehicle. J Electron Meas Instrum, 2014, 28（10）: 1161 （张利, 张庆, 常成, 等. 用于电动汽车SOC估计的等效电路模型 研究. 电子测量与仪器学报, 2014, 28（10）：1161） [13] Ren Y H. The Research on the On-Line SOC Estimation Method for Power Battery[Dissertation].  Tianjin:  Hebei  University  of Technology, 2017 （任育涵. 动力电池SoC在线估计方法研究[学位论文]. 天津: 河 北工业大学, 2017） [14] Zhang W P, Lei G Y, Zhang X Q. A simplified Li-ion battery SOC estimation method. Chin J Power Sources, 2016, 40（7）: 1359 （张卫平, 雷歌阳, 张晓强. 一种简化的锂离子电池SOC估计方 法. 电源技术, 2016, 40（7）：1359） [15] Gu M, Xia C Y, Tian C Y. Li-ion battery state of charge estimation based  on  comprehensive  Kalman  filter. Trans China Electrotech Soc, 2019, 34（2）: 419 （谷苗, 夏超英, 田聪颖. 基于综合型卡尔曼滤波的锂离子电池 荷电状态估算. 电工技术学报, 2019, 34（2）：419） [16] Ren J, Wang K, Ren B S. State of charge estimation of lithium-ion battery  based  on  improved  model  and  unscented  Kalman  filter. Electr Energy Manage Technol, 2019（4）: 64 （任军, 王凯, 任宝森. 基于改进模型和无迹卡尔曼滤波的锂离 子电池荷电状态估计. 电器与能效管理技术, 2019（4）：64） [17] Qian N, Yan Y B, Li W J, et al. Improving of Thevenin equivalent model  for  lithium  iron  phosphate  Li-ion  battery. Battery Bimonthly, 2018, 48（4）: 257 [18] （钱能, 严运兵, 李文杰, 等. 磷酸铁锂锂离子电池Thevenin等效 模型的改进. 电池, 2018, 48（4）：257） Cai  X,  Li  B,  Wang  H  H,  et  al.  Estimation  of  state-of-charge  for electric vehicle power battery with neural network method. Mech Electr Eng Mag, 2015, 32（1）: 128 （蔡信, 李波, 汪宏华, 等. 基于神经网络模型的动力电池SOC估 计研究. 机电工程, 2015, 32（1）：128） [19] Lei X, Chen Q Q, Liu K P, et al. Battery state of charge estimation based  on  neural-network  for  electric  vehicles. Trans China Electrotech Soc, 2007, 22（8）: 155 （雷肖, 陈清泉, 刘开培, 等. 电动车蓄电池荷电状态估计的神经 网络方法. 电工技术学报, 2007, 22（8）：155） [20] Fan X M, Wang C, Zhang X, et al. A prediction method of Li-ion batteries  SOC  based  on  incremental  learning  relevance  vector machine. Trans China Electrotech Soc, 2019, 34（13）: 2700 （范兴明, 王超, 张鑫, 等. 基于增量学习相关向量机的锂离子电 池SOC预测方法. 电工技术学报, 2019, 34（13）：2700） [21] Song  S  J,  Wang  Z  H,  Lin  X  F.  Research  on  SOC  estimation  of LiFePO4  batteries  based  on  ELM. Chin J Power Sources,  2018, 42（6）: 806 （宋绍剑, 王志浩, 林小峰. 基于极限学习机的磷酸铁锂电池 SOC估算研究. 电源技术, 2018, 42（6）：806） [22] Zhang  Y  H,  Wang  D,  Xiao  W,  et  al.  Review  of  SOC  estimation and  difficulties  in  Li-ion  battery. Chin J Power Sources,  2019, 43（11）: 1894 （张易航, 王鼎, 肖围, 等. 锂离子电池SOC估算方法概况及难点 分析. 电源技术, 2019, 43（11）：1894） [23] Zhu  Z. Research on SOC Estimation of LifeP04 Battery[Dissertation].  Harbin:  Harbin  Institute  of  Technology, 2013 （朱政. 磷酸铁锂电池荷电状态估计方法的研究[学位论文]. 哈 尔滨: 哈尔滨工业大学, 2013） [24] Zhang  Y  X. Parameter Identification and SOC Estimation of Power Battery for Electric Vehicle[Dissertation]. Changchun: Jilin University, 2014 （张禹轩. 电动汽车动力电池模型参数在线辨识及SOC估计[学 位论文]. 长春: 吉林大学, 2014） [25] Wang  X  B,  Xu  J  H,  Zhang  Z.  On  analysis  and  application approach  for  Kalman  filter  parameters. Comput Appl Software, 2012, 29（6）: 212 （王学斌, 徐建宏, 张章. 卡尔曼滤波器参数分析与应用方法研 究. 计算机应用与软件, 2012, 29（6）：212） [26] Feng G R, Huang G B, Lin Q P, et al. Error minimized extreme learning  machine  with  growth  of  hidden  nodes  and  incremental learning. IEEE Trans Neural Networks, 2009, 20（8）: 1352 [27] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: a new learning  scheme  of  feedforward  neural  networks//Proceedings of 2004 IEEE International Joint Conference on Neural Networks (IEEE Cat. No.04CH37541). Budapest, Hungary, 2004: 985 [28] · 1208 · 工程科学学报，第 42 卷，第 9 期