CN103620432B

CN103620432B - 用于估计电池状态的设备和方法

Info

Publication number: CN103620432B
Application number: CN201380001829.7A
Authority: CN
Inventors: 朴奎河; 金喆泽
Original assignee: LG Chemical Co Ltd
Current assignee: LG Energy Solution Ltd
Priority date: 2012-03-16
Filing date: 2013-03-15
Publication date: 2016-05-18
Anticipated expiration: 2033-03-15
Also published as: KR20130105123A; JP2014522488A; US20140074416A1; EP2700966B1; JP5850142B2; US10267864B2; KR101486470B1; EP2700966A1; CN103620432A; EP2700966A4; WO2013137672A1

Abstract

本发明公开了一种设备和方法，其中使用扩展卡尔曼滤波以便估计诸如电池的SOC的电池的状态，并且在电池中包含的电流传感器的电流偏移被加以考虑从而能够相对准确地估计电池的状态。根据本发明的电池状态估计设备是用于估计设有用于测量电池充电和放电电流的电流传感器的电池的状态的设备，并且包括测量单元、预测单元、校正单元、SOC估计单元和控制单元。

Description

用于估计电池状态的设备和方法

技术领域

本公开涉及一种用于估计电池状态的设备和方法，并且更加具体地，涉及一种用于考虑到在电池中包括的电流传感器的电流偏移通过使用扩展卡尔曼滤波而估计更加准确的诸如电池的荷电状态（SOC）的电池状态的设备和方法。

本申请要求于2012年3月16日在大韩民国提交的韩国专利申请No.10-2012-0027284的优先权，其公开通过引用被包含在此。

背景技术

近来，随着蓄电池、机器人、卫星等的积极的研制，连同对于诸如膝上型计算机、摄影机、移动电话等的便携式电子产品的急剧地增加的要求，已经主动地开展了对于能够反复地充电和放电的高性能二次电池的研究和开发。

当前，镍-镉电池、镍-金属氢化物电池、镍-锌电池、锂二次电池，等被用作商业二次电池。在它们中，与镍-基二次电池相比，锂二次电池具有很小的甚至无任何存储效应，并且因此由于它们的自由充电/放电、低自放电和高能量密度的优点，锂二次电池正在获得大量的关注。

特别地，随着碳能量的稳态耗尽和对于环境的正在增加的兴趣，对于混合动力车辆和电动车辆的需求近来在包括美国、欧洲、日本和大韩民国的全世界范围内逐渐地增加。从电池组的充电/放电能量向混合动力车辆和电动车辆供应用于驱动车辆的动力。因此，与单独地由发动机提供动力的车辆相比，它们具有更高的燃料效率并且能够消除或者减少污染物的排放，这增加了混合动力车辆和电动车辆的吸引力。相应地，对于混合动力车辆和电动车辆必需的车辆电池的研究和开发已经在引起兴趣的同时得到增强。

如上所述，电池被用于诸如笔记本或者车辆的各种移动装置并且具有服务时间的限制。因此，检查电池的SOC的准确的信息是重要的。SOC在权衡电池的可用服务时间方面是有用的并且因此对于相应的装置的用户而言被认为是非常重要的信息。因此，诸如笔记本、蜂窝电话或者车辆的使用电池的一般装置估计电池的SOC，从估计SOC检查电池的可用服务时间或者容量，并且向用户提供信息。

电池的SOC通常将剩余容量表示为电池的完全充电容量（FCC）的百分比。为了估计电池的SOC，可以使用各种方法；然而，最代表性的方法是利用电流积分估计SOC。在电流积分中，电池的输入/输出电流被累积并且被增加到初始容量或者被从初始容量减去以获得SOC。

在该电流积分方法中，因为从由安装在电池的充电/放电路径上的电流传感器测量的电流估计SOC，所以电流传感器的准确感测是非常重要的。然而，电流传感器可能由于劣化而导致在实际电流和所测量的电流值之间引起电流偏移。如果这种电流偏移发生，则由于是在所测量的电流值和实际电流值之间的差的电流偏移值，导致实际SOC可能不同于所估计的SOC。特别地，当使用诸如卡尔曼滤波的算法估计电池的SOC时，由这种电流偏移值引起的SOC的差不断地累积，这逐渐地增加所估计的SOC值的误差。然而，当估计SOC时，传统的SOC估计技术并不考虑这种电流偏移，这导致SOC的不准确的估计。

如果如上所述由于电流偏移导致诸如SOC的电池状态未被准确地估计，则可能对于用户引起严重的不便或者损害。特别地，在被用于电动车辆的电池的情形中，如果电池的SOC被估计过度地高于它的实际值，则因为用户可能不能够预测电池的SOC的耗尽，用户可能未对电池充电，在车辆正在运行时这可能引起电池完全地放电。另外，如果在车辆正在运行时电池完全地放电，则能够导致诸如车辆被拖曳或者甚至交通事故的很多不便。

发明内容

技术问题

本公开被设计用于解决现有技术的问题，并且因此本公开涉及提供一种通过根据电流传感器的电流偏移确定是否信任电流传感器或者电池模型而通过使用扩展卡尔曼滤波能够更加准确地估计诸如电池的荷电状态（SOC）的电池状态的设备和方法。

本公开的其它目的和优点将会根据以下说明而得到理解并且根据本公开的实施例而变得清楚。另外，理解到可以利用在所附权利要求中限定的部件或者它们的组合实现本公开的目的和优点。

技术方案

在本公开的一个方面，提供了一种用于估计电池状态的设备，该设备包括用于测量电池的端子电压、充电/放电电流和电流偏移值的测量单元；用于通过使用状态方程来预测状态变量和输出变量的预测单元，该状态方程包括电池的荷电状态（SOC）和过电位作为状态变量并且包括电池的端子电压作为输出变量；用于通过比较所预测的输出变量与由测量单元所测量的输出变量来校正所预测的状态变量的校正单元；用于利用所校正的状态变量来估计电池的SOC的SOC估计单元；和控制单元，该控制单元用于根据所测量的电流偏移值选择单一状态变量以估计电池的SOC，使得SOC估计单元利用所选择的状态变量来估计电池的SOC。

优选地，当所测量的电流偏移值大于基准值时，控制单元可以选择过电位作为用于估计SOC的状态变量，使得SOC估计单元利用所校正的过电位来估计电池的SOC。

还优选地，SOC估计单元可以利用所校正的过电位计算电池的开路电压（OCV）并且利用所计算的OCV来估计电池的SOC。

还优选地，当所测量的电流偏移值不大于基准值时，控制单元可以选择SOC作为用于估计SOC的状态变量，使得SOC估计单元将所校正的SOC估计作为电池的SOC。

还优选地，用于估计电池状态的设备可以进一步包括用于根据由SOC估计单元所估计的SOC来估计电池的SOH的SOH估计单元。

在本公开的另一个方面，还提供一种包括如上所述用于估计电池状态的设备的电池管理系统。

在本公开的另一个方面，还提供一种包括如上所述用于估计电池状态的设备的车辆。

在本公开的另一个方面，还提供了一种用于估计电池状态的方法，该方法包括测量电池的端子电压、充电/放电电流和电流偏移值；通过使用状态方程来预测状态变量和输出变量，该状态方程包括电池的SOC和过电位作为状态变量并且包括电池的端子电压作为输出变量；通过比较所预测的输出变量与所测量的输出变量来校正所预测的状态变量；以及，根据所测量的电流偏移值选择单一状态变量以估计电池的SOC，并且利用所选择的状态变量来估计电池的SOC。

有益效果

根据本公开，因为使用扩展卡尔曼滤波估计诸如SOC的电池状态，所以可以更加准确地估计电池状态。特别地，即使用于估计电池的充电/放电电流的电流传感器具有电流偏移值，也可以准确地估计电池的SOC。换言之，因为基于电流偏移值确定是否根据所测量的电流值或者过电位值估计SOC，所以可以考虑到电流偏移地更加准确地估计电池状态。

特别地，根据本公开的实施例，如果电流偏移值大于基准值，则利用在状态变量中包括的过电位值确定SOC，而如果电流偏移值不大于基准值，则根据在状态变量中包括的SOC确定所估计的SOC值。因此，如果电流偏移值超过特定水平，则根据电池模型估计电池的SOC，而如果电流偏移值不大于特定水平，则根据电流传感器估计电池的SOC。因此，可以根据电流偏移适当地估计SOC。

因此，因为可以为用户提供电池的完全放电点而不管电流传感器的偏移，所以用户可以通过对电池充电等而更好地应对完全放电状态，由此防止任何意外的事故、损害或者类似的不便。

附图说明

附图示出本公开的优选实施例并且与前面的公开一起地用于提供对于本公开的技术精神的进一步的理解。然而，本公开不被解释为限于附图。

图1是示意地示出根据本公开的实施例的用于估计电池状态的设备的功能配置的框图；以及

图2是用于示出根据本公开的实施例的用于估计电池状态的方法的示意流程图。

具体实施方式

在下文中，将参考附图详细描述本公开的优选实施例。在描述之前，应该理解在说明书和所附权利要求中使用的术语不应该被解释为限于通常的和字典的含义，而是基于允许本发明人为了最好地解释而适当地定义术语的原则基于对应于本公开的技术方面的含义和概念来解释。

因此，在这里提出的说明只是仅仅为了示意目的的优选示例，而非旨在限制本公开的范围，所以应该理解，能够在不偏离本公开的精神和范围的情况下对此实现其它等同物和修改。

图1是示意地示出根据本公开的实施例的用于估计电池状态的设备（在下文中，还被称作“电池状态估计设备”）的功能配置的框图。

参考图1，根据本公开的电池状态估计设备可以包括测量单元110、预测单元120、校正单元130、控制单元160和SOC估计单元140。

测量单元110测量电池的端子电压和充电/放电电流。此时，电池的充电/放电电流可以由诸如电流传感器的设置在传统电池组处的电流测量单元测量。

特别地，根据本公开的测量单元110测量电池的电流偏移值。这里，电池的电流偏移值意味着在所测量的电流值和沿着电池的充电/放电路径流动的实际电流值之间的差，该差由电流传感器（电流测量单元）的偏移引起。例如，在电流并不实际上沿着电池的充电/放电路径流动而是电流传感器测量到2A的电流流动的情形中，电流偏移值可以被视为2A。该电流偏移现象可以由于电流传感器的劣化等而导致发生。

测量单元110可以例如通过测量电池的电压以各种方式测量电流偏移值。例如，当电流没有流经电池时，测量单元110可以通过测量由电流传感器感测的值而确定电流偏移值。

预测单元120和校正单元130通过使用算法预测并且校正状态变量和输出变量。特别地，根据本公开的预测单元120和校正单元130可以使用扩展卡尔曼滤波作为用于预测并且校正状态变量和输出变量的算法。

卡尔曼滤波是用于电池的建模操作并且基于模型预测SOC的技术之一并且通过使用系统的输出值而循环地预测动态系统的内部状态。扩展卡尔曼滤波使用卡尔曼滤波的基本原理并且应用于非线性函数，而不是线性函数。在本公开中，通过使用扩展卡尔曼滤波估计电池的SOC。在本技术领域中扩展卡尔曼滤波的原理是众所周知的，并且本说明书将聚焦于本公开的区别性特征。

预测单元120通过使用状态方程预测状态变量和输出变量。这里，状态方程可以包括关于状态变量的系统方程和关于输出变量的测量方程。特别地，状态方程的状态变量可以包括电池的SOC和过电位，并且状态方程的输出变量可以包括电池的端子电压。

在本公开的预测单元120中使用的扩展卡尔曼滤波的一般状态方程可以表达为以下方程1和2。

方程1

x_k+1＝f(x_k，u_k)+ω_k

方程2

y_k＝g(x_k)+z_k

方程1是扩展卡尔曼滤波的一般系统方程，并且方程2是一般测量方程。

这里，k代表时间步长。另外，x_k代表将要被估计的状态变量，u_k是电池的电流，并且w_k是系统噪声分量。另外，y_k是可以被测量的输出变量，并且z_k是测量噪声分量。

关于状态方程，根据本公开的预测单元120可以包括电池的SOC和过电位作为状态变量并且包括电池的端子电压作为输出变量。这里，电池的SOC代表电池的荷电状态，并且电池的过电位意味着通过从电池的端子电压减去开路电压（OCV）而获得的值。

因此，在根据本公开的预测单元120中使用的状态方程可以更加具体地表达为以下方程3和4。

方程3

[\begin{matrix} x_{1 (k + 1)} \\ x_{2 (k + 1)} \end{matrix}] = [\begin{matrix} 1 & 0 \\ 0 & C \end{matrix}] [\begin{matrix} x_{1 (k)} \\ x_{2 (k)} \end{matrix}] + [\begin{matrix} α_{ekf} & 0 \\ A & - B \end{matrix}] [\begin{matrix} u_{1 (k)} \\ u_{2 (k)} \end{matrix}] + [\begin{matrix} ω_{1 (k)} \\ ω_{2 (k)} \end{matrix}]

方程4

y_{k} = [\begin{matrix} H_{1} & 1 \end{matrix}] [\begin{matrix} x_{1 (k)} \\ x_{2 (k)} \end{matrix}]

在方程3和4中，k代表时间步长，x_1(k+1）和x_2（k+1）分别地代表当前阶段的SOC和过电位，即SOC和过电位的预测值，并且x_1（k）和x_2（k）分别地代表先前的阶段的SOC和过电位。另外，u_1（k）和u_2（k）分别地代表当前电池电流和先前的电池电流，并且w_1（k）和w_2（k）代表系统噪声分量。而且，A、B和C是代表可以通过试验确定的诸如电池电阻和电容的电池的特性的变量。此外，α_ekf是关于可以通过试验确定的电池的容量的变量。

另外，y_k代表电池的端子电压，并且H₁是代表可以通过试验确定的在SOC和OCV之间的关联的变量。

预测单元120可以通过使用如方程3的系统方程预测状态变量并且通过使用如方程4的输出方程预测输出变量。

特别地，在第一阶段中，预测单元120可以通过使用初始参数的输入预测关于SOC和过电位的状态变量。然而，在随后的阶段中，预测单元120可以利用由校正单元130校正的状态变量预测状态变量。

另外，预测单元120可以预测由状态变量估计引起的误差的分散，即所估计的误差分散。此时，可以根据以下方程5计算所估计的误差分散（P_k）。

方程5

P_{k} = A_{k - 1} P_{k - 1} A_{k - 1}^{T} + WQ W^{T}

这里，A_k-1代表

[\begin{matrix} 1 & 0 \\ 0 & C \end{matrix}],

并且A_k-1 ^T代表A_k-1的转置矩阵。另外，W代表

[\begin{matrix} W_{1} \\ W_{2} \end{matrix}],

Q代表过程噪声参数，并且WQW^T代表系统噪声的分散值。

校正单元130比较由预测单元120预测的输出变量与由测量单元110测量的输出变量。另外，校正单元130利用比较结果校正所预测的状态变量。

为此，校正单元130可以通过使用以下方程6生成卡尔曼增益（K_k），即增益因子。

方程6

K_{k} = \frac{P_{k} C_{k}^{T}}{P_{k} C_{k}^{T} + VR V^{T}}

这里，P_k代表所估计的误差分散，并且C_k代表[H11]。另外，V和R代表测量噪声参数，并且VRV^T代表测量噪声的分散值。

如果如上所述获得增益因子，则校正单元130可以如在以下方程7中与增益因子一起地利用所预测的输出变量和所测量的输出变量校正所预测的状态变量。

方程7

x_k′＝x_k+K_k[y_k-g(x_k，u_k)]

这里，x_k'代表所预测的状态变量，x_k代表校正值，并且K_k代表增益因子，即卡尔曼增益。另外，y_k代表所测量的输出变量，即所测量的电池端子电压，并且g（x_k，u_k）代表由预测单元120预测的输出变量，即所预测的电池端子电压。

如果如上所述地校正所预测的状态变量，则所校正的状态变量可以被输入为前值，用于预测下一个阶段的状态变量。例如，方程7的x_k'可以被输入为方程1的x_k并且用于预测下一个阶段的状态变量x_（k+1）。

另外，如在以下方程8中表达地，校正单元130可以通过使用卡尔曼增益校正由预测单元120预测的所估计的误差分散。

方程8

P_k′＝(1-K_kC_k)P_k

这里，P_k'代表所预测的估计误差分散P_k的校正值，并且K_k代表卡尔曼增益。另外，C_k代表[H11]。

如果如上所述地校正所预测的估计误差分散，则所校正的估计误差分散可以被输入为前值，用于预测下一个阶段的估计误差分散。例如，方程8的P_k'可以被输入为方程5的P_k-1并且用于预测下一个阶段的估计误差分散P_k。

SOC估计单元140利用由校正单元130校正的状态变量估计电池的SOC。这里，由校正单元130校正的状态变量可以包括SOC和过电位。因此，SOC估计单元140可以利用由校正单元130校正的SOC或者由校正单元130校正的过电位估计SOC。

控制单元160根据由测量单元110测量的电流偏移值选择用于估计电池的SOC的单一状态变量。换言之，SOC估计单元140使用所校正的SOC或者所校正的过电位作为状态变量以便估计SOC，并且控制单元160可以在它们之间选择使用哪个状态变量。

因此，控制单元160可以选择所校正的SOC和所校正的过电位之一并且允许SOC估计单元140利用所选择的状态变量估计电池的SOC。

此时，根据本公开的控制单元160可以根据由测量单元110测量的电流偏移值确定哪个状态变量用于估计电池的SOC。

为此，控制单元160可以比较所测量的电流偏移值与基准值。这里，基准值是要与具有电流偏移的测量值进行比较的电流值并且可以是预定值。基准值可以是使当估计电池的SOC时由电流传感器所测量的电流值可以被视为可靠的电流误差的最大值。

例如，基准值可以是0A。在此情形中，根据电流偏移值的存在，用于估计SOC的状态变量可以是不同的。具有电流偏移的基准值可以被预先存储在设置在控制单元160内侧或者外侧处的存储器中。

优选地，如果由测量单元110测量的电流偏移值大于预定基准值，则控制单元160选择过电位作为用于估计SOC的状态变量。因此，在此情形中，SOC估计单元140可以利用由校正单元130校正的过电位估计电池的SOC。

例如，在方程3中是关于过电位的状态变量的x_2（k+1）可以被方程7校正并且用于估计电池的SOC。

更加详细地，SOC估计单元140可以利用所校正的过电位计算电池的开路电压（OCV）并且利用所计算的OCV估计电池的SOC。这里，利用试验测量等，在电池的OCV和SOC之间的关系可以被以数学公式或者表格的形式存储在被设置在控制单元160的内侧或者外侧处的诸如存储器的存储装置中。

利用所测量的电流值确定作为状态变量包括的所预测和校正的SOC（x_1（k））。然而，如果电流偏移值大于基准值，则电流传感器不是可靠的并且因此利用所测量的电流值确定的SOC具有偏离实际SOC的很多误差是不可避免的。因此，根据本公开的实施例，当电流偏移值大于基准值时，替代所校正的SOC，所校正的过电位被用作状态变量以估计SOC，由此允许更加准确地估计SOC。换言之，根据该实施例，如果电流偏移值大于基准值，则在电流传感器不受到信任时，根据电池模型估计电池的SOC。

还优选地，如果由测量单元110测量的电流偏移值不大于基准值，则控制单元160可以选择SOC作为用于估计SOC的状态变量。因此，在此情形中，SOC估计单元140可以估计由校正单元130校正的SOC作为电池的SOC。

例如，通过校正在对于SOC的方程3中预测的x_1（k+1）而获得的值可以根据方程7被计算为电池的所估计的SOC值。

如果电流偏移值不大于基准值，则电流偏移被视为是可以忽略的。因此，在此情形中，作为状态变量包括的所预测和校正的SOC可以被不加改变地视为电池的所估计的SOC值。换言之，如果电流偏移值不大于基准值，则电流传感器可以被信任并且利用所测量的电流值确定的SOC可以被用作电池的所估计的SOC值。

如上所述，控制单元160可以确定哪个状态变量被用于估计SOC。特别地，控制单元160可以通过改变状态方程的系统噪声分量而确定使用哪个状态变量。

例如，在方程3中，w_1（k）和w_2（k）代表系统噪声分量，并且控制单元160可以通过改变w_1（k）和w_2（k）而确定哪个状态变量被用于估计SOC。

此时，控制单元160可以通过根据所测量的电流偏移值改变系统噪声分量相对于状态方程中的状态变量的比率而确定哪个状态变量被用于估计SOC。

例如，假设用于电流偏移值的基准值是0A并且所测量的电流偏移值是2A。此时，因为所测量的电流偏移值大于基准值，所以控制单元160可以选择过电位作为用于估计SOC的状态变量。为此，控制单元160可以改变是关于状态变量x_1（k）的系统噪声分量的w_1（k）与是用于SOC的、关于状态变量x_2（k）的系统噪声分量的w_2（k）的比率，即w_1（k）：w_2（k）。

更加详细地，当电流偏移值是0A时，控制单元160将w_1（k）：w_2（k）设定为1：0.1，并且然后如果电流偏移值是2A高于基准值，则控制单元160可以将w_1（k）：w_2（k）改变为1：0.01。换言之，如果电流偏移值大于基准值，则控制单元可以将参数w₂从0.1改变到0.01，这意味着电流传感器不被信任但是电池模型被信任。另外，在此情形中，如果电流偏移值在以后变得小于基准值，则控制单元可以再次将参数w₂从0.01改变到0.1使得电流传感器被信任并且所感测的电流值可以对于算法施加影响。

换言之，如果电流偏移值在以后变得小于基准值，则控制单元160增加w_1（k）相对于w_2（k）的尺寸，由此允许根据x_1（k）估计SOC。

还优选地，测量单元110可以测量电池的温度。在此情形中，控制单元160可以根据由测量单元110测量的电池温度改变系统噪声分量相对于状态变量的比率。

此时，更加优选地，如果所测量的电池温度不高于预定温度，则控制单元160可以选择SOC作为用于估计电池的SOC的状态变量。在此情形中，控制单元160可以允许SOC估计单元140根据方程7估计所校正的SOC以将其估计为电池的SOC。

如果电池温度是低的，则使用OCV等的电池SOC估计的可靠性可以劣化。因此，在该实施例中，如果电池温度低于预定水平，则作为状态变量预测和校正的SOC可以被不加改变地用作电池的所估计的SOC值。换言之，如果电池温度不高于预定温度，则根据电池的OCV的电池模型不被信任，但是电流传感器被信任。

因此，此时，该预定温度可以预先通过试验被确定为代表当根据OCV估计电池的SOC时容许的最大误差的最低温度。该预定温度可以被预先存储在设置在控制单元160的内侧或者外侧处的存储器中。

例如，如果该预定温度被确定为0℃并且由测量单元110测量的电池温度是0℃或者以下，则控制单元160可以根据方程7计算通过校正用于方程3的SOC的状态变量x_1（k+1）获得的值作为所估计的SOC值。

优选地，根据本公开的电池状态估计设备可以进一步包括SOH估计单元150。SOH估计单元150可以利用由SOC估计单元140估计的SOC估计电池的健康状态（SOH）。

诸如功率和容量的电池的性能可能由于连续的使用而降低，并且因此电池的SOH可能连续地降低。可以根据电池的SOC估计电池的SOH，这对于本领域技术人员而言是明显的并且不在这里详细描述。根据本公开，因为考虑到电流偏移地估计电池的SOC并且根据所估计的SOC估计电池的SOH，所以还可以当估计SOH时考虑电流偏移。因此，根据本公开的实施例，可以考虑到电流偏移地更加准确地预测电池的SOH。

同时，根据本公开的电池状态估计设备可以被实现为包括在电池组的电池管理系统（BMS）中。换言之，根据本公开的电池管理系统可以包括上述的电池状态估计设备。这里，电池管理系统是用于整体上控制电池组的充电/放电操作的管理装置，并且通常在电池组保护装置中包括这种BMS。特别地，BMS可以包括微型控制器单元（MCU），并且可以使用这种MCU实现电池状态估计设备的控制单元160。

另外，可以在车辆中包括根据本公开的电池状态估计设备。特别地，包括混合动力车辆的电动车辆通过使用电池供应马达的驱动动力，并且因此当操作电池时估计诸如SOC的电池状态是非常重要的。因为根据本公开的车辆包括上述的电池状态估计设备，所以即使电流传感器的偏移发生，也可以更加准确地估计电池的SOC和SOH。

图2是用于示出根据本公开的实施例的用于估计电池状态的方法的示意流程图。在图2中，每一个操作的主题可以是上述电池状态估计设备的部件。

如在图2中所示，根据本公开的用于估计电池状态的方法测量电池的端子电压、充电/放电电流和电流偏移值（S110）。这里，不必同时地测量电池的端子电压、充电/放电电流和电流偏移值。特别地，在步骤S120之前测量电池的端子电压或者电流偏移值不是必须的。

接着，包括电池的SOC和过电位作为状态变量的状态方程即系统方程被设定并且向其输入所测量的电流值以预测状态变量（S120）。此时，在第一阶段，电池的初始参数可以被输入为状态变量。

另外，预测状态变量被输入到包括电池的端子电压的状态方程作为输出变量，即输出方程，以预测输出变量（S130）。

接着，如上预测的输出变量被与使测量的输出变量相比较以校正所预测的状态变量（S160）。换言之，在步骤S130中预测的电池的端子电压被与在步骤S110中测量的电池的端子电压相比较，并且可以根据步骤S120中的比较结果校正所预测的状态变量。

为此，在步骤S130之后，可以预测所估计的误差分散P_k（S140），并且可以利用所估计的误差分散结果将卡尔曼增益K_k计算为增益因子（S150）。另外，在步骤S150中计算的卡尔曼增益可以与在步骤S130中预测的端子电压和在步骤S110中测量的端子电压一起地被用于在步骤S160中校正状态变量。

如果如上所述地校正状态变量，则利用所校正的状态变量估计SOC（S170）。然而，所校正的状态变量可以包括关于电池的SOC的状态变量和关于电池的过电位的状态变量，并且在步骤S170中可以选择这些状态变量之一以估计电池的SOC。此时，可以根据在步骤S110中测量的电流偏移值选择状态变量。换言之，在步骤S170中，根据电池的电流偏移值选择单一状态变量以估计电池的SOC，并且利用所选择的状态变量估计电池的SOC。例如，如果在步骤S110中测量的电流偏移值大于基准值，则在步骤S170中，可以利用所校正的过电位估计SOC。

同时，在步骤S160中校正的状态变量可以在步骤S120中被输入为前值并且被用于预测下一个阶段的状态变量。

另外，在步骤S160之后，所估计的误差分散可以被进一步校正（S180）。换言之，可以根据在步骤S150中计算的卡尔曼增益校正在步骤S140中预测的所估计的误差分散值，并且如上所述地校正的所估计的误差分散值可以在步骤S140中被输入为前值并且被用于预测下一个阶段的所估计的误差分散。

已经详细描述了本公开。然而，应该理解，虽然指出了本公开的优选实施例，但是详细说明和具体示例是仅仅通过示意给出的，因为根据该详细说明，对于本领域技术人员而言，在本公开的精神和范围内的各种改变和修改将变得显而易见。

同时，即使已经在说明书中使用了术语“单元”，但是如对于本领域技术人员而言明显地，术语“单元”只是代表逻辑部件而不限于能够物理地辨识的部件。

Claims

1.一种用于估计电池状态的设备，所述设备包括：

测量单元，所述测量单元用于测量电池的端子电压、充电/放电电流和电流偏移值；

预测单元，所述预测单元用于通过使用扩展卡尔曼滤波的状态方程来预测状态变量和输出变量，所述状态方程包括所述电池的荷电状态(SOC)和过电位作为状态变量并且包括所述电池的端子电压作为输出变量；

校正单元，所述校正单元用于通过比较所预测的输出变量与由所述测量单元所测量的输出变量来校正所预测的状态变量；

SOC估计单元，所述SOC估计单元用于利用所校正的状态变量来估计所述电池的SOC；和

控制单元，所述控制单元用于根据所测量的电流偏移值来选择单一状态变量以估计所述电池的SOC，使得所述SOC估计单元利用所选择的状态变量来估计所述电池的SOC，

其中，当所测量的电流偏移值大于基准值时，所述控制单元选择所述过电位作为用于估计所述SOC的状态变量，使得所述SOC估计单元利用所校正的过电位来估计所述电池的SOC，以及

其中，当所测量的电流偏移值不大于所述基准值时，所述控制单元选择SOC作为用于估计所述SOC的状态变量，使得所述SOC估计单元将所校正的SOC估计作为所述电池的SOC。

2.根据权利要求1所述的用于估计电池状态的设备，

其中，所述SOC估计单元利用所校正的过电位来计算所述电池的开路电压(OCV)并且根据所计算的OCV来估计所述电池的SOC。

3.根据权利要求1所述的用于估计电池状态的设备，

其中，所述控制单元根据所测量的电流偏移值来改变所述状态方程的系统噪声分量。

4.根据权利要求3所述的用于估计电池状态的设备，

其中，所述控制单元根据所测量的电流偏移值来改变所述系统噪声分量相对于所述状态变量的比率。

5.根据权利要求1所述的用于估计电池状态的设备，

其中，所述预测单元利用由所述校正单元所校正的所述状态变量作为前值来预测下一个状态变量和下一个输出变量。

6.根据权利要求1所述的用于估计电池状态的设备，

其中，所述测量单元进一步测量所述电池的温度，以及

其中，所述控制单元根据所述电池的所测量的温度来改变系统噪声分量相对于所述状态变量的比率。

7.根据权利要求6所述的用于估计电池状态的设备，

其中，当所述电池的所测量的温度不高于预定温度时，所述控制单元选择SOC作为用于估计所述电池的SOC的状态变量，使得所述SOC估计单元将所校正的SOC估计作为所述电池的SOC。

8.根据权利要求1所述的用于估计电池状态的设备，

其中，所述预测单元通过使用以下方程来预测所述状态变量：

[\begin{matrix} x_{1 (k + 1)} \\ x_{2 (k + 1)} \end{matrix}] = [\begin{matrix} 1 & 0 \\ 0 & C \end{matrix}] [\begin{matrix} x_{1 (k)} \\ x_{2 (k)} \end{matrix}] + [\begin{matrix} α_{e k f} & 0 \\ A & - B \end{matrix}] [\begin{matrix} u_{1 (k)} \\ u_{2 (k)} \end{matrix}] + [\begin{matrix} w_{1 (k)} \\ w_{2 (k)} \end{matrix}]

其中，x_1(k+1)和x_2(k+1)分别地代表当前阶段的SOC和过电位，x_1(k)和x_2(k)分别地代表先前阶段的SOC和过电位，u_1(k)和u_2(k)分别地代表当前的电池电流和先前的电池电流，w_1(k)和w_2(k)代表系统噪声分量，A、B和C是关于电池特性的变量，α_ekf是关于电池容量的变量，并且k代表时间步长。

9.根据权利要求1所述的用于估计电池状态的设备，

其中，所述校正单元利用增益因子、所预测的输出变量和所测量的输出变量来校正所述预测状态变量。

10.根据权利要求1所述的用于估计电池状态的设备，进一步包括SOH估计单元，所述SOH估计单元用于根据由所述SOC估计单元所估计的所述SOC来估计所述电池的SOH。

11.一种电池管理系统，所述电池管理系统包括根据权利要求1到10中任何一项所述的用于估计电池状态的设备。

12.一种车辆，所述车辆包括根据权利要求1到10中任何一项所述的用于估计电池状态的设备。

13.一种用于估计电池状态的方法，包括：

测量电池的端子电压、充电/放电电流和电流偏移值；

根据扩展卡尔曼滤波的状态方程来预测状态变量和输出变量，所述状态方程包括所述电池的SOC和过电位作为状态变量并且包括所述电池的端子电压作为输出变量；

通过比较所预测的输出变量与所测量的输出变量来校正所预测的状态变量；和

根据所测量的电流偏移值来选择单一状态变量以估计所述电池的SOC，并且利用所选择的状态变量来估计所述电池的SOC，

其中，当所测量的电流偏移值大于基准值时，选择所述过电位作为用于估计所述SOC的状态变量，以及利用所校正的过电位来估计所述电池的SOC，以及

其中，当所测量的电流偏移值不大于所述基准值时，选择SOC作为用于估计所述SOC的状态变量，以及将所校正的SOC估计作为所述电池的SOC。