0引言
随着电动汽车的普及，对于电动汽车用动力电池进行管理会大幅度增加电池的安全性与使用寿命。电池荷电状
态（State Of Capacity,SOC ）[1]
作为电池管理的关键参数无法通过测量直接获得，只能通过测量电池电压、电流、温度等参数进行估算。由于电池的充放电是一个复杂的化学反应，采用简单的线性模型对其SOC 进行估算会产生估算精度差、存在累计误差等问题。
1方法介绍
电池荷电状态，是指电池中剩余的可用电荷，SOC=Q 剩余/Q 额定×100%，其中Q 剩余为电池剩余电荷，Q 额定为电池额定电荷。电池SOC 和电池的电压、电流、温度、内阻、老化程度等多项因素相关，并且各项因素之间相互耦合[2]。目前常用的SOC 估算方法有开路电压法、安时积分法、卡尔曼滤波法、神经网络法、深度学习算法等。
1.1开路电压法
开路电压法是在充放电电流为0时，根据电池的开路电压对电池的SOC 值进行估算[3]。理论上不同的SOC 会对应不同的电池电压值，根据测量电池电压可以反向推出电池的SOC 值。
此种方法简单直接，但是存在明显的缺点就是要求充放电电流为0，并且此方法对电池电压的检测精度要求极高。而电动汽车在运行过程中电流不为0，并且电池电压的测量也肯定会存在一定的误差，这就导致采用开路电压法对SOC 进行估算会产生很大的误差。
1.2安时积分法
安时积分法是目前工程当中使用最普遍的方法，通过记录特定时间内的电池的充放电电流值I ，可以通过公式Q 剩余=Q 初始+I ×t 得到电池的剩余容量，其中充电时I 为正，放电时I 为负。再利用电池SOC 估算公式就可以得到电池的SOC 值[4]。
安时积分法计算相对简单，通过特定的补偿算法可以达到一定的精度。但是由于采用积分算法，算法会存在累计误差，随着时间的推移，累计误差会越来越高，从而导致SOC 的估算精度会越来越差。
1.3卡尔曼滤波法
卡尔曼滤波法是一种常用的SOC 估算法，主要采用递推算法进行SOC 最小方差估计[5]。该方法可以有效改
08君越
善安时积分算法产生的累计误差等问题。另外目前还有很多卡尔曼滤波法的改进算法，如针对锂离子电池的非线性特性的扩展卡尔曼滤波（EKF ）法[2]，无迹卡尔曼滤波（UKF ）法等。
卡尔曼滤波法可以有效改善安时积分算法累计误差的问题，增加SOC 的估算精度；但是由此带来了一些计算的复杂性。另外卡尔曼滤波法只是考虑电流对于电池SOC 的影响，而没有考虑电池温度等其他因素对SOC 的影响。
1.4神经网络法
神经网络针对非线性系统具有很强的逼近效果，通过建立电池荷电状态与电池电压、电流、温度等参数的神经网络模型，对电池SOC 进行估计。其输入层为电池的电压、电流、温度等相关因素，隐藏层为非线性计算节点，输出层为电池的SOC 值。目前有多种神经网络的改进算法，例如BP 神经网络[6]、模糊神经网络法等。
神经网络算法具有自学习自适应的能力，通过训练可以得到较高的精度，并且可以随时间变化其精度会越来越高。但是此方法需要大量的电池数据进行训练，并且计算的复杂度高，所需的计算资源大，目前实际应用此方法进行电池SOC 估计的较少。
1.5深度学习法
深度学习从本质上说是一种层数更多的神经网络，能够实现输入和输出数据之间的复杂非线性映射。目前应用
于SOC 估计的方法有深度信念网络法（DBN ）[7]
比亚迪m6价格和长短期记忆网络LSTM 法[8]等。将电池电压、电流、温度等信息输入深度学习网络的输入层，经过隐藏层节点的计算，最终得到SOC 等参数的输出结果。
同神将网络算法相似，深度学习训练的模型更加复杂，可达到更高的精度。但是作为代价，深度学习对于计算资源和计算时间的要求更高，在目前的以嵌入式为基础的电池管理系统内很难实现实时对电池荷电状态进行估算。
2总结
本文分析总结了常用电池荷电状态估计的常用方法，各种算法的复杂度、模型精确度和目前在市场上的使用状态对比如表1所示。
由表1可见，开路电压法和安时积分法计算简单但是误差较大，卡尔曼滤波算法可消除累计误差但增加了计算量，神经网络与深度学习方法可解决非线性与时变问题但
——————————————————————
—作者简介：郭继爽（1989-），辽宁北票人，讲师，硕士研究生，研究
法拉利f430视频方向为汽车设计、电池管理、故障诊断。电动汽车用电池荷电状态估算方法综述
郭继爽
云南二手车网（沈阳职业技术学院，沈阳110000）
摘要：电池荷电状态作为电池管理的关键参数，无法通过测量直接获得，只能通过测量电池电压、电流、温度等参数进行估算。本
文分别阐释了目前常用的电池荷电状态估算方法，包含开路电压法、安时积分法、卡尔曼滤波法、神经网络法和深度学习法等，并对各种方法进行评价，指出各种方法的优缺点。
关键词：电池荷电状态；开路电压法；安时积分法；卡尔曼滤波法；神经网络法；深度学习法
Internal Combustion Engine &Parts
由于计算量大较少实际应用于市场产品中。
参考文献:[1]姚芳，张楠，黄凯.锂离子电池状态估算与寿命预测综述[J].电源学报，2019：1-12.
[2]袁学庆，汤宪宇，刘利，等.无人直升机发动机再启动电源
系统设计[J].电源技术，2018，42（10）：1546-1549.
[3]胡耘.动力电池荷电状态（SOC ）估算方法综述[J].汽车实用技术，2019（08）：36-38.
[4]朱梦杰.电动汽车锂电池SOC 估算方法综述[J].计算机产品与流通，2018（08）：277.最新汽油价格
[5]钱潇潇，张菁，杨勇.基于改进卡尔曼滤波的锂电池SOC 估算研究[J].智能计算机与应用，2019，9（3）：194-198.
[6]夏克刚，钱祥忠，余懿衡，等.基于BP 神经网络的锂电池SOC 在线精确估算[J].电子设计工程，2019，27（05）：61-65.
[7]侯朋飞，王金全，徐晔，等.基于深度学习和量子遗传算法的电池SoC 估算方法研究[J].微型机与应用，2017，36（08）：51-55.
[8]Cheng A Y,Wang Y,Cheng Z L.State of charge estimation for batteries using recurrent neural networks[Z].2018.
方法运算复杂度模型精确度使用状况开路电压最简单较差仅在简单场合下使用
安时积分较简单存在累计误差应用最广泛卡尔曼滤波适中未考虑时变应用较多神经网络复杂精确度较高应用较少深度学习
特别复杂
模型最精确
目前难以实现，可通过
云计算实现
表1SOC 估算方法比较
1绪论
随着科学技术的快速发展和人们生活水平的提升，人们对工作环境、出行方式等的舒适化、智能化要求也是越来越高，而一套操作简单、便携式的智能化控制系统也渐渐被大众所需要，其中物联网技术、传感器技术、人工智能技术为智能化系统提供了技术支持。因此，开发研制一套适合普通人的可移植多功能智能控制系统是十分必要的。
2系统整体设计方案2.1系统结构
苏m哪里的车牌本系统基于微处理器的可移植多功能智能控制系统，它是综合运用微处理器技术、ASR 非特定人语音识别技术、无线信息传输技术等。系统总体框图如图1所示。
系统实施框架可分为三大模块：由语音信号输入、语义分析、指令匹配组成语音模块，由发送指令、接收指令组成控制模块，以及由驱动继电器、状态反馈组成执行模块。如图2所示。
检测语音信号输入、对语义进行分析、将分析出的结果与预设口令进行匹配并由主机通过无线传输将指令传送给从机，从机驱动继电器，完成操作。
2.2系统主要功能系统主要功能从以下三个部分来实现：
第一部分是由语音识别模块、微处理器、无线信息传输模块组成语音远程控制，实现语音遥控主功能；
第二部分是由无线信息接收模块、主控器和接口电路组成语音控制总平台，实现该系统的其他功能；
第三部分是由微控制器、电控制器及周围电路组成可移植设备模块，实现对不同应用方向可控设备的语音识别控制。
通过以上三个部分最终实现整体系统功能。
3系统硬件设计3.1主控制器
——————————————————————
—作者简介：李宗唐（1998-），男，河北唐山人，本科在读，研究方向
为人工智能；孙玉萍（1999-），女，陕西西安人，本科在读，研究方向为人工智能。
基于微处理器的可移植多功能智能控制系统
李宗唐；孙玉萍
（西安培华学院，西安710125）
摘要：本文简要介绍了一种针对汽车控制并综合运用传感器技术、生物识别技术、无线通信技术的基于微处理器的可移植多功能
语音控制系统。本系统采用LD3320语音模块，通过语音模块将采集到的语音信号进行语
义的
识别，向MCU 发送控制信号，并以无线通信的方式，将指令传输给执行模块，通过控制继电器吸合以达到模拟语音控制汽车灯光、空调、窗户、后备箱等目的，建立了一套更加智能、便捷的智能控制系统。
关键词：汽车控制;LD3320；无线通信；语音控制
图1系统总体框图
图2三大模块