1.一种似然度函数粒子滤波的动力电池电荷状态估计方法，采用Thevenin模型描述电池的静态和动态性能；电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构，RC两端电压为Up(t)；串接欧姆电阻R0和Uoc，Uoc为电池的开路电压OCV，采样得到电池端电压U(t)和流过欧姆内阻R0的电流i(t)；

电池Thevenin模型数学表达式如下：用后向差分法对Thevenin电池模型离散化，整理后得到对应的后向差分离散模型：U(k)＝aU(k-1)+bI(k)+cI(k-1)+(1-a)UOC(k) (2)式中：UOC(k)表示k时刻的开路电压；U(k)为k时刻的电池输出端电压；I(k)为k时刻的回路电流；a,b,c为离散模型参数；

采用含遗忘因子的递推最小二乘法，进行电池后向差分模型的参数辨识，求得a、b、c、UOC(k)的值，根据方程(2)，对应得到k时刻的电池端电压的预测值U(k)；

定义SOC如下：

式中：SOC0是SOC的初始值；QN为电池的额定容量；η0为电池的充放电库伦效率，本发明η0＝1；i(t)为放电电流；

结合电池的离散模型，对电池特性描述如下，状态方程

量测方程UK＝UOC(SOCk)-R0ik-Up,k (5)式中：Up,k为k时刻极化电容两端电压；T为采样周期；UOC(SOCk)表示电池的开路电压和SOC的非线性关系；

UOC(SOCk)与SOC关系如下：

Uoc(SOCk)＝a1SOCk8+a2SOCk7+a3SOCk6+a4SOCk5+a5SOCk4+a6SOCk3+a7SOCk2+a8SOCk+a9 (6)根据实验得到的SOC和在线辨识得到的开路电压UOC，运用含遗忘因子的递推最小二乘法(FFRLS)，求出式(6)中的a1～a9；

根据式(5)，由SOC的预测值SOCk得到端电压的预测值Uk；

其特征在于主要包括如下步骤：

步骤Ⅰ、参数初始化

设定SOC的初始值和滤波协方差初始值，分别记作x0|0和P0|0，设定采样粒子数为N，N取值为30～100；有效粒子数阈值为Nthr，设定Nthr＝(0.5～0.85)N；

步骤Ⅱ、重要性采样

从正态分布，即高斯分布N(xk-1|k-1,Pk-1|k-1)中随机采样N个粒子 记作为从N(xk-1|k-1,Pk-1|k-1)中采样得到的大小为N的以xk-1|k-1为中心值、Pk-1|k-1为方差的高斯分布；xk-1|k-1和Pk-1|k-1分别为k-1时刻滤波均值和协方差，即SOCk-1及其协方差；

Ⅱ-1、状态预测

采用步骤Ⅰ中的式(4)

状态方程

进行状态预测，即求得：

其中， 为k-1时刻的对SOC的第i个采样点； 为k时刻从预测粒子集采样的第i个采样点；ik-1为k-1时刻的电流，放电时电流值为正，充电时电流值为负；T为采样周期，QN为电池总容量；

Ⅱ-2、计算状态预测值的均值xk|k-1和协方差Pk|k-1Ⅱ-3、重新采样、重构采样分布函数

以状态预测值的均值xk-1|k-1和协方差Pk-1|k-1重构高斯分布得N(xk|k-1,Pk|k-1)，并重新采样为从高斯分布N(xk|k-1,Pk|k-1)中采样的N个粒子；

步骤Ⅲ、计算粒子权值并归一化

Ⅲ-1、计算电池端电压预测值

将粒子 代入量测方程(5)中计算电池端电压预测值 表示k时刻粒子 对应的端电压预测值集合；

即：

由式(6)计算得到；

Ⅲ-2、计算粒子权值

k时刻第i个粒子的权值 由高斯分布的似然度函数计算得到，即R为高斯似然度函数的方差，根据经验赋

值；y1,k为k时刻的量测值， 表示k时刻第i个粒子对应的端电压预测值；

Ⅲ-3、权值归一化和计算有效粒子数Neff为归一化后的权值；Neff为相对于采样粒子数N而言的有效粒子数；

为 的方差；

xk|k为状态估计值；Pk|k为协方差估计值；

步骤Ⅳ、有效粒子数Neff与有效粒子数阈值Nthr的比较高斯粒子滤波的预测粒子分布即先验概率分布π(xk|k-1)，代表粒子数分布；后验概率分布即粒子实际概率分布，代表粒子的权值分布；

当Neff小于Nthr，进入步骤Ⅴ；否则进入步骤Ⅵ；

步骤Ⅴ、更换似然度函数

采用拉普拉斯分布作为似然度函数；

拉普拉斯分布的概率密度函数，或称为似然度函数如下：式中：x为预测方程所得状态预测值，或者x为量测方程所得量测值对应物理量的预测值，μ和R分别是该拉普拉斯分布的中心值和方差；

借鉴高斯滤波的方法，用 代替拉普拉斯分布的概率密度函数(13)中的x-μ，得到修改后的拉普拉斯分布似然度函数其中x、μ、R的赋值分别参照高斯分布的似然度函数中的 y1,k、R，然后进行归一化；

步骤Ⅵ、状态更新和协方差更新

即执行步骤Ⅲ-3的式(11)(12)，得到更新的SOC估计值和更新的协方差；

步骤Ⅶ、判断滤波时间大于设定运行时间，则滤波结束；否则，k＝k+1，返回步骤Ⅱ。

2.根据权利要求1所述的似然度函数粒子滤波的动力电池电荷状态估计方法，其特征在于：所述步骤Ⅰ中设定采样粒子数N取值为45～55。

3.根据权利要求1所述的似然度函数粒子滤波的动力电池电荷状态估计方法，其特征在于：所述步骤Ⅰ中设定有效粒子数阈值Nthrr＝(0.73～0.81)N。

4.根据权利要求1所述的似然度函数粒子滤波的动力电池电荷状态估计方法，其特征在于：所述步骤Ⅴ更换似然度函数时引入方差调节因子γ，γ＝1+θ；θ为有效粒子数退化率，θ＝(Nthr-Neff)/Nthr；

引入γ后，方程(13)改写为：

当γ增大时拉普拉斯分布的拖尾厚度增加。

5.根据权利要求4所述的似然度函数粒子滤波的动力电池电荷状态估计方法，其特征在于：所述方差调节因子γ的定义式中引入工况适应因子ε，γ＝1+εθ，ε～(0,1]，代入式(14)得：动力电池工况负载变化不剧烈时，SOC变化相对较慢，似然度函数的拖尾厚度小，ε取较小值；

动力电池工况剧烈时，SOC相对变化较快，似然度函数的拖尾厚度大，ε取较大值。

6.根据权利要求5所述的似然度函数粒子滤波的动力电池电荷状态估计方法，其特征在于：所述工况适应因子ε＝0.4～0.6。

7.根据权利要求1至6中任一项所述的似然度函数粒子滤波的动力电池电荷状态估计方法所设计的似然度函数粒子滤波的动力电池电荷状态估计系统；包括微控制器、电压传感器和电流传感器，微控制器还连接显示器；微控制器配有通用输入输出接口，电压传感器和电流传感器接入模数转换电路，再经通用接口连接微控制器；其特征在于：所述微控制器的中心处理器连接有程序存储器和数据存储器，程序存储器含有电压电流数据采集模块、根据参数辨识的UOC(SOCk)与SOC关系模块，端电压估计及端电压预测偏差计算模块，有效粒子数Neff与有效粒子数阈值Nthr的比较模块，方差调节因子、有效粒子数退化率及修改后的拉普拉斯分布似然度函数计算模块，状态更新和协方差更新模块以及SOC显示模块；数据存储器存放初始化参数。

8.根据权利要求7所述的似然度函数粒子滤波的动力电池电荷状态估计系统；其特征在于：所述微控制器的中心处理器连接CAN总线接口、PC104总线接口和以太网接口中的一种或多种。