摘要:为了提高锂电池荷电状态（SOC）估计精度，在容积卡尔曼滤波（CKF）算法中引入误差补偿机制，提出一种核极限学习机（KELM）和CKF相融合的估计方法.通过递归最小二乘法（RLS）动态跟踪等效电路模型的参数，由CKF算法得到SOC的初步估计值；以锂电池的工作电压、电流、CKF算法的残差均值和方差作为输入，初步估计值与真实值的偏差作为输出，采用KELM算法，在联邦城市驾驶工况（FUDS）下进行训练，得到CKF算法估计误差的预测模型；利用KELM预测模型的回归预测能力对初步估计值进行误差补偿，从而达到降低估计误差的目的.为了验证所提方法的有效性和先进性，采用Arbin电池测试平台的实验数据进行仿真分析，结果表明在多种工况下所提方法均具有更高的估计精度、更强的泛化性和鲁棒性.