本發(fā)明涉及一種電池荷電狀態(tài)估算方法領(lǐng)域，尤其涉及一種電池荷電狀態(tài)的估計(jì)方法。

背景技術(shù)：

電動(dòng)汽車以電能為能量驅(qū)動(dòng)電動(dòng)機(jī)駕駛，替代以汽油為能量來源的傳統(tǒng)汽車，是未來汽車的發(fā)展趨勢，又是國家目前大力發(fā)展的技術(shù)，對環(huán)境自然保護(hù)和能源的可持續(xù)利用具有重大意義。

BMS(Battery Management System，電池管理系統(tǒng))作為電動(dòng)汽車的核心，電動(dòng)汽車的“大腦”，是電動(dòng)汽車安全穩(wěn)定運(yùn)行的重要保障。

隨著電池SOH(State Of Health，健康狀態(tài))下降，電池的模型參數(shù)會(huì)隨著發(fā)生變化，內(nèi)部直流阻抗會(huì)變大。而在同一電池組中，各個(gè)單體電池的健康狀態(tài)SOH存在差異性，因此，其內(nèi)部阻抗差異也較大，在電池的某一個(gè)SOH狀態(tài)下測取的電池參數(shù)所建立的電池模型，只能較為精確的預(yù)測當(dāng)前電池的SOH狀態(tài)下所對應(yīng)的荷電狀態(tài)值，無法精準(zhǔn)預(yù)測下一個(gè)SOH狀態(tài)下所對應(yīng)的荷電狀態(tài)值，若采用同一電池模型參數(shù)進(jìn)行卡爾曼濾波算法，會(huì)增大算法的誤差，無法獲得較為精準(zhǔn)的計(jì)算結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

為克服現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種基于多模型的擴(kuò)展卡爾曼濾波算法的電池荷電狀態(tài)的估計(jì)方法。

本發(fā)明解決技術(shù)問題的技術(shù)方案是提供1.一種電池荷電狀態(tài)的估計(jì)方法，其包括以下的步驟：基于擴(kuò)展卡爾曼濾波算法建立至少兩個(gè)在不同電池SOH下的估計(jì)模型；對所述在不同電池SOH下的估計(jì)模型，進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算，獲得與所述在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值；及基于所述電池荷電狀態(tài)估計(jì)值獲得一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值，以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。

優(yōu)選地，基于擴(kuò)展卡爾曼濾波算法建立至少兩個(gè)在不同電池SOH下的估計(jì)模型具體包括以下步驟：建立基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型；測量獲得至少兩個(gè)不同電池SOH下對應(yīng)的電池參數(shù)；將所述電池參數(shù)代入并獲得所需至少兩個(gè)在不同電池SOH下的估計(jì)模型。

優(yōu)選地，基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型為一階RC模型或二階RC模型。

優(yōu)選地，基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型具體表示為：

其中，在公式(Ⅰ)C表示為電容值，R₁表示為電容阻抗，i_k表示為k時(shí)刻的電流，Δt表示為采樣時(shí)間間隔，η_i表示為庫倫效率，C_n表示為電池的總?cè)萘?，x_k可表示為SOC_k進(jìn)一步表示為k時(shí)刻的電池荷電狀態(tài)，v_1,進(jìn)一步表示為t＝k時(shí)刻的電池的電容電壓，w_k表示為所述電池在測量過程中的噪聲；在公式(Ⅱ)中OCV(SOC_k)表示為電池開路電壓與k時(shí)刻的電池荷電狀態(tài)的關(guān)系，v_C1,k表示為k時(shí)刻電池的電容電壓，R₀表示為電池內(nèi)部的直流內(nèi)阻，q_k表示為電池電壓的測量誤差。

優(yōu)選地，所述測量獲得至少兩個(gè)在不同電池SOH下對應(yīng)的電池參數(shù)具體包括以下步驟：確立電池開路電壓和電池荷電狀態(tài)的函數(shù)關(guān)系；基于所述函數(shù)關(guān)系，測量獲得在不同電池SOH下所述電池的內(nèi)部參數(shù)。

優(yōu)選地，所述電池的內(nèi)部參數(shù)包括電池內(nèi)部的直流內(nèi)阻、極化電容或電壓中的一種或多種。

優(yōu)選地，對所述在不同電池SOH下的估計(jì)模型，進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算的具體步驟為：分別對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算。

優(yōu)選地，對所述在不同電池SOH下的估計(jì)模型，進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算的具體步驟為：并行對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算。

優(yōu)選地，在對所述在不同電池SOH下的估計(jì)模型，并行進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算之后，且在獲得所述在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之前，進(jìn)一步包括：對并行進(jìn)行的擴(kuò)展卡爾曼濾波算法計(jì)算結(jié)果進(jìn)行誤差分析。

優(yōu)選地，在獲得在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之后，通過加權(quán)運(yùn)算得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。

與現(xiàn)有技術(shù)相比，本發(fā)明所提供的一種電池荷電狀態(tài)的估計(jì)方法具有以下的有益效果：

本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法其包括先建立至少兩個(gè)在不同電池SOH下的估計(jì)模型，并對該模型進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算，獲得在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值，進(jìn)一步獲得某一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值，以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。采用本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法可有效避免現(xiàn)有采用同一電池模型參數(shù)進(jìn)行卡爾曼濾波算法，從而使算法誤差較大的問題，還可進(jìn)一步克服采用同一算法估計(jì)電池組中在不同電池SOH下的電池荷電狀態(tài)造成的準(zhǔn)確度漂移的問題，以增加電池荷電狀態(tài)算法的穩(wěn)定性和可靠性。

【附圖說明】

圖1為本發(fā)明第一實(shí)施例電池荷電狀態(tài)的估計(jì)方法的流程示意圖。

圖2是圖1中所示步驟S101的具體步驟流程示意圖。

圖3是本發(fā)明中所提供的一階RC模型的簡化電路示意圖。

圖4是圖2中所示步驟Q101的具體步驟流程示意圖。

圖5是本發(fā)明中電池開路電壓與電池荷電狀態(tài)之間的函數(shù)關(guān)系曲線示意圖。

圖6是本發(fā)明中所示在一電池SOH下脈沖放電中時(shí)間與對應(yīng)電阻電壓差之間的關(guān)系曲線示意圖。

圖7是本發(fā)明中不同電池SOH下的電池的內(nèi)部參數(shù)之間關(guān)系列表的示意圖。

圖8是本發(fā)明中所提供在不同電池SOH下多模型的電池模型示意圖。

【具體實(shí)施方式】

為了使本發(fā)明的目的，技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施實(shí)例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

請參閱圖1，本發(fā)明第一實(shí)施例提供一種電池荷電狀態(tài)的估計(jì)方法S10，其包括如下的步驟：

步驟S101，基于擴(kuò)展卡爾曼濾波算法建立至少兩個(gè)不同電池SOH的估計(jì)模型；

步驟S102，對所述在不同電池SOH下的估計(jì)模型，進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算，獲得與所述在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值；

步驟S103，基于所述電池荷電狀態(tài)估計(jì)值獲得一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值，以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。

在本發(fā)明中，所述電池可為如二次鋰離子電池包、鉛酸蓄電池、金屬氫化物/鎳電池、燃料電池等充電裝置中的任一種，在一些優(yōu)選的實(shí)施例中，本發(fā)明所述電池優(yōu)選為二次鋰離子電池。

請參閱圖2，在本發(fā)明一些較為優(yōu)選的實(shí)施例中，上述步驟S101中，具體包括以下步驟：

步驟Q101，建立基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型；

步驟Q102，測量獲得至少兩個(gè)不同電池SOH下對應(yīng)的電池參數(shù)；

步驟Q103，將所述電池參數(shù)代入并獲得所需至少在兩個(gè)不同電池SOH下的估計(jì)模型。

在本發(fā)明上述步驟S101中，建立基于擴(kuò)展卡爾曼濾波算法的在某一電池SOH下的估計(jì)模型一般采用戴維寧等效電路，所述基于擴(kuò)展卡爾曼濾波算法的電池荷電狀態(tài)估計(jì)模型具體可為一階RC模型或二階RC模型。

在本發(fā)明一些較為優(yōu)選的實(shí)施例中，為了簡化多模型算法計(jì)算量，采用一階RC模型，如圖3，根據(jù)電路的基爾霍夫定律(Kirchhoff’s Law)，電容電壓v₁(t)可通過如下微分方程(1)來表示：

解上述微分方程(1)并獲得如下公式(2)：

上述公式(2)，在t＝k時(shí)刻離散化為如下的公式(3)：

其中，v_1,k+1表示為t＝k+1時(shí)刻的電池的電容電壓，C表示為電容值，R₁表示為電容阻抗，i_k表示為k時(shí)刻的電流，Δt表示為采樣時(shí)間間隔。

電池荷電狀態(tài)對應(yīng)的數(shù)學(xué)模型公式表示為如下公式(4)：

上述公式(4)可進(jìn)一步簡化為離散方程：

其中，在上述離散方程(5)中，SOC_k表示為k時(shí)刻的電池荷電狀態(tài)，SOC_k+1表示為k+1時(shí)刻的電池荷電狀態(tài)，范圍為0～100％；η_i表示為庫倫效率，一般為取1；C_n表示為電池的總?cè)萘?，單位為mAh。利用SOC_k+1和v_1,k+1以表示電池待估計(jì)的荷電狀態(tài)狀態(tài)x_k+1，并進(jìn)一步向量化為如下公式(6)：

其中，在上述公式(6)中，x_k可表示為v_1,k表示為t＝k時(shí)刻的電池的電容電壓，w_k表示為所述電池在測量過程中的噪聲，在本發(fā)明中，w_k是一個(gè)必然存在的噪聲誤差。

根據(jù)電路的基爾霍夫定律，在本發(fā)明中，所述電池內(nèi)部等效電路模型的對外表現(xiàn)的總電壓為v，對應(yīng)方程為如下公式(7)：

v(t)＝OCV(SOC(t))-v₁(t)-R₀i(t) (7)

離散化后為如下公式(8)：

v_k+1＝OCV(SOC_k)-v_C1,k-R₀i_k+q_k (8)

其中，OCV(SOC_k)表示為電池開路電壓與k時(shí)刻的電池荷電狀態(tài)的關(guān)系，在本發(fā)明中所述電池的開路電壓與k時(shí)刻的電池荷電狀態(tài)是一個(gè)可靠穩(wěn)定的關(guān)系，同樣也是電池的重要參數(shù)，可對所述電池進(jìn)行測試得出；v_C1,k表示為k時(shí)刻電池的電容電壓；R₀表示為電池內(nèi)部的直流內(nèi)阻；q_k表示為電池電壓的測量誤差，其中，電池電壓v(t)的測量誤差v_k是無法避免及消除的，只可能盡量減少。

基述公式(1)-公式(8)，可建立獲得在某一SOH狀態(tài)下，所述電池的一階RC等效電路模型，即基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型可具體地表示為如下公式：

如圖4中所示，在本發(fā)明上述步驟Q101中，利用所述估計(jì)模型，測量獲得不同電池SOH下的電池參數(shù)具體可包括如下的步驟：

步驟T101，確立電池開路電壓和電池荷電狀態(tài)的函數(shù)關(guān)系；

步驟T102，基于所述函數(shù)關(guān)系，測量在不同的SOH下所述電池的內(nèi)部參數(shù)。

在本發(fā)明一些具體的實(shí)施例中，所述步驟T101中確立電池開路電壓和電池荷電狀態(tài)之間函數(shù)關(guān)系的步驟具體可為：在所述電池充滿的情況下，以1/20C的電流放電，每次放所述電池中初始充滿狀態(tài)電量的5％后，使所述電池轉(zhuǎn)至開路一次，測量此時(shí)所述電池的開路電壓，得到第一個(gè)記錄數(shù)據(jù)點(diǎn)；采用上述方式逐次將所述電池初始充滿的電量完全放完后，記錄得到20個(gè)記錄數(shù)據(jù)點(diǎn)；然后同樣以1/20C的電流充電，每次充5％的電量后，使所述電池轉(zhuǎn)至開路一次，測量此時(shí)所述電池的開路電壓，記錄一次數(shù)據(jù)點(diǎn)，將同一荷電狀態(tài)的所述電池充電和放電的開路電壓數(shù)據(jù)去平均值得到20個(gè)數(shù)據(jù)點(diǎn)，最后將此數(shù)據(jù)用多項(xiàng)式擬合成如圖5中所示的曲線，所述曲線可表示為如擬合成如下公式(9)的多項(xiàng)式形式：

OCV(SOC)＝a₁SOC⁴+a₂SOC³+a₃SOC²+a₄SOC+a₅ (9)

通過上述的方法，可消除電池極化效應(yīng)的影響，從而獲得準(zhǔn)確度更高的電池開路電壓與電池荷電狀態(tài)之間的關(guān)系。

在本發(fā)明一些實(shí)施例中，所述步驟T102中，所述電池的內(nèi)部參數(shù)包括電池內(nèi)部的直流內(nèi)阻、極化電容、電壓等參數(shù)。

在本發(fā)明一些具體的實(shí)施例中，上述步驟P101可進(jìn)一步為：提供一額定容量為2250mAh的電池，采用小電流放電1/20C，其中，具體的放電電流為112mAh，放電截止到電流小于50mAh為止，此時(shí)可采用安時(shí)積分法計(jì)算出電池的總?cè)萘俊?/p>

在本發(fā)明一些具體的實(shí)施例中，上述步驟P102進(jìn)一步包括選定電池SOH的幾個(gè)狀態(tài)，如所述電池SOH狀態(tài)為100％、95％、90％、85％、80％等，在每個(gè)狀態(tài)下測量所述電池的內(nèi)部參數(shù)，具體地，在某一個(gè)選定的電池SOH下，采用脈沖放電的形式，如圖6中所示可計(jì)算獲得如下公式(10)與公式(11)：

其中，時(shí)間常數(shù)表示τ，△V₀表示為電阻R₀的電壓差，△V₁表示為電阻R₁的電壓差。而所述電池的電容可進(jìn)一步表示為在所述電池不同的SOH下重復(fù)相同的實(shí)驗(yàn)，可測得其在不同電池SOH下的電池的內(nèi)部參數(shù)，具體如圖7中所示。

由于卡爾曼濾波算法相當(dāng)依賴算法模型的準(zhǔn)確性，而算法模型的誤差增大也會(huì)嚴(yán)重影響算法的精度和可靠性；而所述電池內(nèi)部的直流內(nèi)阻和極化電容等參數(shù)都會(huì)隨著電池健康狀態(tài)(SOH)變化，而在電池不同SOH下測量其電池內(nèi)部參數(shù)，可有效解決上述的問題，從而提高擴(kuò)展卡爾曼濾波算法的精度和可靠性。

在本發(fā)明一些實(shí)施例中，所述步驟S102中，對所述在不同電池SOH下的估計(jì)模型，進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算，獲得與所述在不同電池SOH下估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值，具體包括以下的步驟：

本發(fā)明具體采用多模型下的擴(kuò)展卡爾曼濾波算法，其中，所述多模型指在多個(gè)不同電池SOH下測得電池模型參數(shù)。在本發(fā)明中，可獲得在不同電池SOH下對應(yīng)的估計(jì)模型1-m。

具體來說，在不同電池SOH下多模型的電池模型如圖8，y_k和i_k為k時(shí)刻系統(tǒng)的觀測值，分別為k時(shí)刻的電池電壓和電流。

將上述步驟S101中所獲得的一階RC模型

進(jìn)一步簡化為：

其中，D_k＝-R₀，y_k為k時(shí)刻電池測量電壓，w_k和q_k為噪聲系數(shù)。

上述算法模型的迭代運(yùn)算過程為：表示為k時(shí)刻電池的先驗(yàn)估計(jì)，表示為k時(shí)刻電池的后驗(yàn)估計(jì)，其中，后驗(yàn)估計(jì)即為在該k時(shí)刻下電池電荷狀態(tài)的最優(yōu)估計(jì)。

具體地，k＝0時(shí)表示所述電池為初始化狀態(tài)。

當(dāng)k＝0時(shí)刻，所述電池尚未開始運(yùn)行時(shí)，取等于任意的猜測值為最優(yōu)估計(jì)，如可為此時(shí)刻依據(jù)擴(kuò)展卡爾曼濾波算法將協(xié)誤差陣的后驗(yàn)估計(jì)取任意較小的數(shù)，如可為對所述電池的初始化，這里按實(shí)際情況去猜測值，之后進(jìn)行上述模型的算法迭代會(huì)慢慢收斂到真實(shí)值。

當(dāng)k＝1，2，3，……時(shí)刻：

k時(shí)刻電池的狀態(tài)先驗(yàn)估計(jì)更新為：其中為k-1時(shí)刻的后驗(yàn)估計(jì)。

k時(shí)刻的協(xié)方差誤差矩陣的后驗(yàn)估計(jì)更新為：

其中為k-1時(shí)刻的協(xié)方誤差矩陣的后驗(yàn)估計(jì)，Σ_w為則表示為所述電池的過程噪聲的協(xié)方誤差矩陣。

在獲得k時(shí)刻的協(xié)方差誤差矩陣的后驗(yàn)估計(jì)更新之后進(jìn)一步進(jìn)行獲得卡爾曼增益：

其中,L_k為k時(shí)刻的卡爾曼增益，Σ_v為測量噪聲的協(xié)方誤差矩陣，表示為k時(shí)刻的協(xié)方誤差矩陣的先驗(yàn)估計(jì)。

k時(shí)刻的電池后驗(yàn)估計(jì)狀態(tài)更新為：

通過獲得k時(shí)刻的電池狀態(tài)先驗(yàn)估計(jì)、卡爾曼增益和k時(shí)刻的電壓電流的測量值將更新系統(tǒng)的后驗(yàn)狀態(tài)協(xié)方差后驗(yàn)更新為：

以上5個(gè)方程為擴(kuò)展卡爾曼濾波算法的基本算法過程，基于上述的5個(gè)方程式，可獲得單一與所述在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值。

在本發(fā)明一些實(shí)施例中，對所述在不同電池SOH下的估計(jì)模型，進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算的具體步驟為：分別對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算；或并行對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算。

在本發(fā)明一些優(yōu)選的實(shí)施例中，在對所述在不同電池SOH下的估計(jì)模型，并行進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算之后，且在獲得所述在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之前，進(jìn)一步包括：對并行進(jìn)行的擴(kuò)展卡爾曼濾波算法計(jì)算結(jié)果進(jìn)行誤差分析。

基于上述的說明，在本發(fā)明較優(yōu)的實(shí)施例中，對算法模型1-m，同時(shí)輸入k時(shí)刻的觀測值進(jìn)行擴(kuò)展卡爾曼濾波算法并行計(jì)算，然后通過誤差分析，計(jì)算各自的權(quán)重值P(θ_i|y_k)，最后通過加權(quán)得到所述電池荷電狀態(tài)的最優(yōu)估計(jì)：

其中，表示為第m個(gè)模型的擴(kuò)展卡爾曼濾波算法的估計(jì)值。

在本發(fā)明中，上述步驟S103進(jìn)一步包括在獲得多個(gè)不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值之后，基于所述電池荷電狀態(tài)估計(jì)值獲得一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值，以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。其中，所述步驟S103中所獲得的所述電池荷電狀態(tài)的最優(yōu)估計(jì)為最接近真實(shí)的電池荷電狀態(tài)。在本發(fā)明中，對在不同電池SOH下的估計(jì)模型對應(yīng)的每個(gè)時(shí)刻，對多種模型并行計(jì)算其后驗(yàn)狀態(tài)和后驗(yàn)協(xié)方差誤差殘差定義為算法的估計(jì)值和測量值之差，具體可表示為殘差表示為算法估計(jì)值和真實(shí)值的接近程度，殘差越小，越接近真實(shí)的電池狀態(tài)。

由條件概率公式可知：

其中，為第i個(gè)算法模型的條件概率密度函數(shù)，它的值可進(jìn)一步由殘差和后驗(yàn)協(xié)誤差矩陣得出：

求得k時(shí)刻下不同電池SOH對應(yīng)的各個(gè)模型的權(quán)值后，就可通過加權(quán)得到此時(shí)刻系統(tǒng)的最優(yōu)估計(jì)：

進(jìn)一步地，因而此時(shí)刻的基于多模型擴(kuò)展卡爾曼濾波算法獲得的電池的最優(yōu)估計(jì)為SOC_k,best，即獲得所述電池的最優(yōu)荷電狀態(tài)估計(jì)。

與現(xiàn)有技術(shù)相比，本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法具有如下的優(yōu)點(diǎn)：

(1)本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法其包括先建立至少兩個(gè)在不同電池SOH下的估計(jì)模型，并對該模型進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算，獲得在不同電池SOH下估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值，進(jìn)一步獲得某一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值，以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。采用本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法可有效避免現(xiàn)有采用同一電池模型參數(shù)進(jìn)行卡爾曼濾波算法，從而使算法誤差較大的問題，還可進(jìn)一步克服采用同一算法估計(jì)電池組中在不同電池SOH下的電池荷電狀態(tài)造成的準(zhǔn)確度漂移的問題，以增加電池荷電狀態(tài)算法的穩(wěn)定性和可靠性。

(2)在本發(fā)明中，建立至少兩個(gè)在不同電池SOH下的估計(jì)模型包括先基于擴(kuò)展卡爾曼濾波算法建立一通用的估計(jì)模型，再經(jīng)過測量獲得不同電池SOH狀態(tài)下的具體電池內(nèi)部參數(shù)后，將所述電池內(nèi)部參數(shù)代入所述估計(jì)模型中，從而獲得算法準(zhǔn)確度較高的多組不同電池SOH狀態(tài)下的估計(jì)模型。

(3)在本發(fā)明中，為了使所述基于擴(kuò)展卡爾曼濾波算法的在不同電池SOH下的估計(jì)模型運(yùn)算更為簡單，所述估計(jì)模型優(yōu)選為一階RC模型或二階RC模型。更進(jìn)一步地，在本發(fā)明中對在不同電池SOH下的估計(jì)模型采用公式(Ⅰ)及公式(Ⅱ)進(jìn)行了具體的限定，以簡化所述估計(jì)模型的算法計(jì)算量，加快所述估計(jì)模型的計(jì)算速率及其準(zhǔn)確度。

(4)進(jìn)一步地，為了獲得更為準(zhǔn)確的運(yùn)算結(jié)果，對測量獲得所述電池的內(nèi)部參數(shù)的具體步驟也進(jìn)行了限定，即先確定電池開路電壓和電池荷電狀態(tài)的函數(shù)關(guān)系后，基于該函數(shù)關(guān)系，獲得所需在不同電池SOH下所述電池的內(nèi)部參數(shù)。其中，所述電池的內(nèi)部參數(shù)包括直流內(nèi)阻、極化電容或電壓中的一種或多種，可依據(jù)不同運(yùn)算要求選用不同的參數(shù)，從而擴(kuò)大所述電池荷電狀態(tài)的估計(jì)方法的適用范圍。

(5)在本發(fā)明中，對所述在不同電池SOH下的估計(jì)模型，進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算包括分別或并行對在不同電池SOH下的多個(gè)時(shí)刻的電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算，可根據(jù)不同運(yùn)算要求，從而采用不同的迭代運(yùn)算方式。

(6)在采用并行進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算過程中，可對其計(jì)算結(jié)果進(jìn)行誤差分析，從而使獲得的估計(jì)值更接近與真實(shí)值，從而獲得精準(zhǔn)的運(yùn)算電池荷電狀態(tài)的估算結(jié)果。

(7)在本發(fā)明中，在求得某一時(shí)刻的在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之后，可以通過加權(quán)得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)，上述加權(quán)的結(jié)果是基于各個(gè)估計(jì)模型而獲得的，可使獲得的所述電池荷電狀態(tài)的最優(yōu)估計(jì)更為準(zhǔn)確、可靠性更高。

以上所述僅為本發(fā)明較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明原則之內(nèi)所作的任何修改，等同替換和改進(jìn)等均應(yīng)包含本發(fā)明的保護(hù)范圍之內(nèi)。