CN104049216B - 车辆、控制车辆的方法和估计电池包荷电状态的方法 - Google Patents

Abstract

本发明提供一种车辆、控制车辆的方法和估计电池包荷电状态的方法。该车辆具有被分为小组的电池单体的电池包和被编程为对电池包充电和放电的至少一个控制器。基于在车辆启动时每个电池单体的初始荷电状态和从车辆启动开始每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷进行推导的电池包荷电状态来产生控制输出。在该估计电池包荷电状态的方法中，通过识别具有相似的特性的电池单体的小组、并计算每个小组中的少于该小组中的所有的电池单体的电池单体积累或消耗的电荷，来计算电池包荷电状态。基于积累或消耗的平均电荷来计算所有的电池单体的电池单体荷电状态。电池包荷电状态基于所有的电池单体荷电状态。

Description

车辆、控制车辆的方法和估计电池包荷电状态的方法

技术领域

本公开涉及电池包荷电状态的确定。

背景技术

现代的混合动力和电动车辆利用电池包来提供用于牵引的能量并存储再生的能量。电池包通常由可以以并联、串联或它们的某种组合进行连接的多个独立的电池单体构成。电池包的一种特性在于荷电状态(SOC)。电池包SOC是余留在电池包中的总荷电的分数的度量，并可以被视为与燃料表类似。SOC对于确定何时与如何对电池包进行充电或放电来说是重要的。SOC对于向驾驶员提供诸如车辆驱动范围的信息以及对于操作车辆来说也是重要的。

发明内容

公开了一种包括具有被分为小组的电池单体的电池包和被编程为对电池包充电或放电的至少一个控制器的车辆。电池包的充电和放电基于通过在车辆启动时的每个电池单体的初始荷电状态和从车辆启动开始每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷而确定的电池包SOC。每个小组中的电池单体具有落入特定的值的范围内的特定组的电池单体参数值，其中，每个小组具有不同的值的范围。电池单体参数值可以包括特定范围的温度、初始荷电状态或容量、或者电池寿命。电池单体可以被分为小组以使电池单体分散遍及电池包。

公开了一种控制包括电池包的车辆的方法。步骤包括：识别具有相似的参数值的电池单体的小组、以及计算由每个小组中的少于该小组中的所有的电池单体的电池单体积累或消耗的电荷。相似的参数值可以包括特定范围的温度、初始电池单体荷电状态或电池单体寿命范围。在一个可能的实施例中，可以为每个小组中的一个电池单体来计算积累或消耗的电荷。基于每个小组的积累或消耗的电荷来计算电池包的积累或消耗的平均电荷。根据积累或消耗的平均电荷来计算电池包的每个电池单体的电池单体荷电状态。基于所有电池单体荷电状态来计算电池包荷电状态。基于电池包荷电状态来产生车辆的控制输出。识别小组的步骤可以在车辆启动时或在车辆驱动循环期间执行。

公开了一种估计电池包荷电状态的方法，其中，电池包的电池单体被分为小组。基于每个电池单体在车辆启动时的初始荷电状态和每个小组中的少于该小组中的所有电池单体的电池单体的自车辆启动开始积累或消耗的电荷来计算电池包荷电状态。将电池包荷电状态用于输出信息以进行车辆控制或显示。可以基于温度、初始荷电状态、容量和电池单体寿命来进行小组分组。一种控制车辆的方法，包括：识别形成电池包的多个小组的电池单体，其中，每个小组中的电池单体具有落入特定的值的范围内的特定组的电池单体参数值，每个小组的特定的值的范围不同；基于电池单体荷电状态数据来计算由每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷；基于由每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷来计算由电池包积累或消耗的平均电荷；基于由电池包积累或消耗的平均电荷来计算每个电池单体的电池单体荷电状态；基于电池单体荷电状态来计算电池包荷电状态；基于电池包荷电状态来产生车辆的控制输出。

基于电池单体荷电状态数据来计算由每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷的步骤包括：计算由每个小组中的不超过一个电池单体积累或消耗的电荷。

特定组的电池单体参数值包括特定的温度范围。

特定组的电池单体参数值包括特定的初始荷电状态或容量范围。

特定组的电池单体参数值包括特定的电池寿命范围。

在车辆启动时执行识别的步骤。

在车辆的驱动循环期间周期性地执行识别的步骤。

一种估计电池包荷电状态的方法，包括：将电池包中的电池单体分为多个小组；基于在车辆启动时每个电池单体的初始荷电状态和从车辆启动开始由每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷来计算电池包荷电状态；输出基于电池包荷电状态的信息以进行车辆控制或显示。

每个小组中的所有的电池单体具有落入特定的值的范围内的特定组的电池单体参数值，其中，每个小组的特定的值的范围不同。

特定组的电池单体参数值包括特定的温度范围。

特定组的电池单体参数值包括特定的初始荷电状态或容量范围。

特定组的电池单体参数值包括特定的电池寿命范围。

在车辆启动时将电池单体分为多个小组。

附图说明

图1是示出典型的传动系和能量存储组件的混合动力电动车辆的示图。

图2是由多个电池单体构成的、并被电池控制模块监视和控制的可能的电池包排列的示图。

图3是示例性电池单体等效电路的示图。

图4是基于温度和电池单体的荷电状态的取样电池单体分组的图表。

图5是典型的电池单体的可能的开路电压(Voc)与电池的荷电状态(SOC)关系的曲线图。

图6是确定电池的SOC的算法的流程图。

具体实施方式

在此描述本公开的实施例。然而，应该理解的是，公开的实施例仅为示例且其他的实施例可以采用不同的和可选择的形式。附图不是必须按照比例的；可能夸大或最小化了一些特征以示出特定组件的细节。因此，这里公开的特定的结构性和功能性的细节不应被解释为进行限制，而仅作为用于教导本领域技术人员以不同地实现本发明的代表性基础。如本领域普通技术人员应该理解的，参照附图中的任意一幅进行示出和描述的多种特征可以与在一幅或多幅其他的附图中示出的特征进行组合，以产生未被明确地示出或描述的实施例。示出的特征的组合为典型性应用提供了代表性的实施例。然而，与本公开的教导一致的特征的多种组合和修改可能期望用于特定的应用或实施方式。

图1示出了典型的混合动力电动车辆。典型的混合动力电动车辆2可以包括机械地连接到混合动力传动系3的一个或多个电动机4。另外，混合动力传动系6机械地连接到发动机8。混合动力传动系6还机械地连接到与轮12机械地连接的驱动轴10。电动机4可以在发动机8打开或关闭时提供牵引和减速能力。电动机4还可以用作发电机，并可以通过回收在摩擦制动系统中通常将作为热而损失掉的能量来提供燃料经济性的优点。电动机4还可以减少污染排放，这是因为混合动力电动车辆2可以在某些情况下以电动模式进行操作。

电池包14存储可被电动机4所使用的能量。车辆的电池包14通常提供高电压DC输出。电池包14电连接到功率电子模块16。功率电子模块16也电连接到电动机4，并能够在电池包14和电动机4之间双向传递能量。例如，典型的电池包14可以在电动机4可能需要三相AC电流以运行的同时提供DC电压。功率电子模块16可以将DC电压转换为电动机4所需的三相AC电流。在再生模式下，功率电子模块16将来自用作发电机的电动机4的三相AC电流转换为电池包14所需的DC电压。这里描述的方法可等同地应用于纯电动车辆或使用电池包的任何其他装置。

除了提供用于牵引的能量之外，电池包14还可以提供用于其他车辆电动系统的能量。典型的系统可以包括将电池包14的高电压DC输出转换为与其他的车辆负载兼容的低电压DC输入的DC/DC转换器模块18。可以在不使用DC/DC转换器模块18的情况下直接连接其他的高电压负载。在典型的车辆中，低电压系统电连接到12V电池20。

可以以各种化学配方来构造电池包。典型的电池包化学配方为铅酸、镍金属氢化物(NIMH)或锂离子。图2示出了N个电池单体32的简单串联构造的典型的电池包30。然而，其他的电池包可以由以串联或并联或它们的某种组合进行连接的任何数量的独立的电池单体构成。典型的系统可以具有一个或更多个控制器，诸如监视和控制电池包30的性能的电池控制模块(BCM)36。BCM36可以监视诸如电池包电流38、电池包电压40和电池包温度42的几种电池包水平特性。

除了这样的电池包水平特性之外，还可存在需要测量和监视的电池单体水平特性。例如，可以测量每个电池单体的温度和端子电压、电流。系统可以使用传感器模块34来测量电池单体的特性。基于能力，传感器模块34可以测量一个或更多个电池单体32的特性。电池包30可以利用多达Nc个传感器模块34来测量所有的电池单体32的特性。每个传感器模块34可以将测量结果发送到BCM36以进行进一步的处理和协调。传感器模块34可以将模拟或数字的形式的信号发送到BCM36。

对电池系统的一项重要的测量可以为电池包的SOC。电池包的SOC指示在电池包中余留多少电荷的指示。可以输出电池包的SOC以通知驾驶员在电池包中余留了多少电荷，这与燃料表相似。电池包的SOC还可以用于控制电动或混合动力电动车辆的操作。可以通过多种方法来完成对电池包的SOC的计算。计算电池包的SOC的一个可能的方法为执行电池包的电流与时间的积分。该方法即为本领域公知的安培-小时积分。该方法的一个可能存在的缺点在于电流测量可能受噪声的影响。可因这样的受噪声影响的信号与时间的积分而出现可能的荷电状态的不准确性。

一些当前的SOC估计方法使用诸如卡尔曼滤波(Kalmanfiltering)的基于模型的方法，以确定更准确的SOC。基于模型的方法使用电池单体的模型，然后基于一些实际测量的值来预测电池单体的内部状态。估计的内部状态可以包括但不限于电压、电流或SOC。典型的方法为对电池包的每个电池单体应用卡尔曼滤波，然后使用这些电池单体的值来计算整个电池包的特性。这需要控制器执行次数等于电池包中存在的电池单体的数量的卡尔曼滤波。电池包中的电池单体的数量是可变的，但是当前车辆的电池包可以由80个或更多个电池单体构成。

图3示出了典型的电池单体等效电路模型。电池单体可以被建模为具有与其相关的电阻(52和54)和电容56的电压源(Voc)50。因为电池单体的阻抗，导致端电压V58通常与开路电压Voc50不同。开路电压Voc50是不容易测量的，这是因为仅可以测量电池单体的端电压58。因为Voc50不容易测量，所以基于模型的方法可以用于估计这样的值。任何模型将需要已知或估计电阻和电容的值。注意，电池单体模型可能依赖于电池化学配方。电池单体的精确的模型选择对于所描述的方法来说不是关键的。

使用基尔霍夫电流电压定律和电路元件的公知性能，可以通过下面的等式来表示图3的等效电路：

V_oc(t)＝R×I(t)+V_c(t)+V_c(t)+V(t)(1)

$C\×\frac{{\mathrm{dV}}_c\left(t\right)}{dt}=I\left(t\right)-\frac{V_c\left(t\right)}{R_c}---\left(2\right)$

使用下面的关系式

$\frac{\mathrm{dSOC}}{\mathrm{dt}}=-\frac{\mathrm{\ηI}}{Q}$ 和 $\frac{{\mathrm{dV}}_{\mathrm{oc}}}{\mathrm{dt}}=\frac{{\mathrm{dV}}_{\mathrm{oc}}}{\mathrm{dSOC}}\×\frac{\mathrm{dSOC}}{\mathrm{dt}},$

可以如下表示Voc的推导：

$\frac{{\mathrm{dV}}_{oc}\left(t\right)}{dt}=-\frac{{\mathrm{dV}}_{oc}}{dSOC}\×\frac{\mathrm{\η}I}{Q}---\left(3\right)$

其中

n为充电/放电效率，

Q为电池单体荷电容量。

I是流入和流出电池的电流。在这样的情况下，放电电流(流出电池的电流)为正值。

通过式(1)至式(3)可以得到下式：

$\left[\begin{array}{c}\frac{{\mathrm{dV}}_{OC}}{dt}\\ \frac{{\mathrm{dV}}_C}{dt}\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{C\×R_C}\end{array}\right]\×\left[\begin{array}{c}{V}_{OC}\\ V_C\left(t\right)\end{array}\right]+\left[\begin{array}{c}\frac{-\frac{{\mathrm{dV}}_{OC}}{dSOC}\×\mathrm{\η}}{Q}\\ \frac{1}{C}\end{array}\right]\×I---\left(4\right)$

$V\left(t\right)=\[\begin{array}{cc}1& -1\end{array}\]\×\left[\begin{array}{c}{V}_{OC}\left(t\right)\\ V_c\end{array}\right]+\[-R\]\×I---\left(5\right)$

由式(4)和式(5)可以得到下式：

$\left[\begin{array}{c}\frac{d{\hat{V}}_{OC}}{dt}\\ \frac{d{\hat{V}}_C}{dt}\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{C\×R_C}\end{array}\right]\×\left[\begin{array}{c}{\hat{V}}_{OC}\\ {\hat{V}}_C\left(t\right)\end{array}\right]+\left[\begin{array}{c}\frac{-\frac{d{\hat{V}}_{OC}}{dSOC}\×\mathrm{\η}}{Q}\\ \frac{1}{C}\end{array}\right]\×I+L\×\left(V\right(t)-\hat{V}(t\left)\right)---\left(6\right)$

$\hat{V}\left(t\right)=\[\begin{array}{cc}1& -1\end{array}\]\×\left[\begin{array}{c}{\hat{V}}_{OC}\left(t\right)\\ {\hat{V}}_C\left(t\right)\end{array}\right]+\[-R\]\×I---\left(7\right)$

其中，

V(t)是测量的电池单体的端电压，

是估计的电池单体的端电压，

是估计的电池单体的开路电压，

是估计的跨容性元件的电压，

L是选择的增益矩阵，从而动态误差在所有条件下是稳定的。

基于卡尔曼滤波的递归参数估计方案可以用于估计式(6)和式(7)的结果的参数(R、Rc、C)。这些参数的离散形式可以表示为系统状态的函数，如下：

$\begin{array}{c}\[\frac{T_S}{2}\×\left(V_{OC}\right(k+1)-V(k+1)+V_{OC}(k)-V(k\left)\right)\]=\\ \[\begin{array}{ccc}\left(V\right(k+1)-V_{OC}(k+1\left)\right)& \frac{T_S}{2}\×\left(I\right(k+1)+I(k\left)\right)& I(k+1)\end{array}\]\×\left[\begin{array}{c}{R}_C\×C\\ R+R_C\\ R\×R_C\×C\end{array}\right]\end{array}---\left(8\right)$

卡尔曼滤波递归参数估计可以通过以下面的形式来表示式(8)来实现：

Y(k)＝φ^T(k)×θ(k)(9)

然后，可以通过下式来表示卡尔曼滤波估计方案：

$\widehat{\mathrm{\θ}}(k+1)=\widehat{\mathrm{\θ}}\left(k\right)+K\left(k\right)\×\left(Y\right(k+1)-{\mathrm{\φ}}^T(k)\×\widehat{\mathrm{\θ}}(k\left)\right)---\left(10\right)$

K(k+1)＝Q(k+1)×φ(k+1)(11)

$Q(k+1)=\frac{P\left(k\right)}{R_2+\left({\mathrm{\φ}}^T\right(k+1)\×P(k)\×\mathrm{\φ}(k+1\left)\right)}---\left(12\right)$

$P(k+1)=P\left(k\right)+R_1-\frac{P\left(k\right)\×\mathrm{\φ}\left(k\right)\×{\mathrm{\φ}}^T\left(k\right)\×P\left(k\right)}{R_2+\left({\mathrm{\φ}}^T\right(k+1)\×P(k)\×\mathrm{\φ}\left(k+1\right))}---\left(13\right)$

其中，是来自式(8)的参数的估计，如所示出地计算K、Q和P，R₁和R₂是常数。在使用卡尔曼滤波算法计算参数之后，可以在式(6)和式(7)中使用参数，以得到估计的状态变量。一旦估计出了Voc，则可以确定SOC的值。

将描述的方法也可以应用于其他的基于模型的方法。通过式(1)至式(13)描述的上述滤波方案仅为基于模型的估计方案的一个示例。这样的算法可以应用于执行内部状态计算以计算荷电状态的任何实施方式。可以直接或间接地使用内部状态计算来计算荷电状态。内部状态的选择可以不同，且仍可以应用这样的方法。另一种可能在于使用SOC作为一种内部状态，并直接对该值进行估计。在这样的情况下描述的方法计算内部电压状态并然后从这些电压预测来推导SOC。使用的模型和状态可以依赖于使用的具体的电路模型，其中，在图3中示出的电路模型为一个示例。

出于典型的电池单体的考虑，在SOC和Voc之间存在Voc＝f(SOC)的关系。图5示出了将Voc显示为SOC的函数的典型的曲线96。SOC和Voc之间关系可以通过对电池性质进行分析或通过测试电池单体来确定。一旦已知了估计的Voc的值，则可以使用SOC和Voc之间的关系来确定估计的电池单体的SOC。这可以被实现为查找表或等效的式子。前面的描述仅为用于计算SOC的基于模型的方案的一个可能的实施方式。描述的方法也可以应用于其他的基于模型的方案。

卡尔曼滤波方法的优点在于其可以实现比可通过安培-小时积分算法得到的精度更优良的精度。然而，必须为每个独立的单体来执行卡尔曼滤波可需要比控制器可用的存储器和计算时间更多的存储器和计算时间。问题可能随着电池包中的电池单体的数量更多而变得更为明显。依赖于可用的计算资源，存在的可用资源可能不足以对每个电池单体有效地进行卡尔曼滤波。

计算时间问题在考虑用于车辆应用的典型的微控制器时变得更为明显。为了保持成本效率，以有限的量的静态和动态存储器来选择微控制器。另外，对于时钟速度的限制可能使微控制器的处理速度受限。诸如诊断和通信的其他功能也可能在控制器中执行，这进一步缩短了可用于荷电状态算法的计算时间。最终结果为，仅有限的微控制器资源可用于执行荷电状态算法。

在某种情况下，目标之一可以在于为了计算电池的SOC而提供更有效的计算结构。该方法可以通过减少将使用诸如前面描述的卡尔曼滤波的可计算的复杂算法进行处理的电池单体的数量来实现这样的目标。该方法尝试将具有相似参数的电池单体设置为小组，然后对该小组的成员中的代表性成员应用基于模型的计算。然后，该小组的其他的电池单体可以使用代表性成员的计算的值。该算法允许在将计算负载和存储器使用保持在微处理器的限制条件的同时估计准确的荷电状态。该方法可以用用于任何构造的电池单体，并可以被扩展至计算电池单体的SOC的不同的方法。

初始的步骤为确定控制器可以有效地处理的代表性电池单体的数量。可以通过执行期望的算法并测量该算法的执行时间来确定处理一个代表性电池单体的运行时间需求。可以从编译器和链接器输出文件来确定静态和动态存储器需求。基础执行时间由R_base表示，基础动态存储器需求由M_base表示。图6示出了一种算法的可能的实施方式的高级流程图。初始的第一步骤100可以为离线确定由可由控制器处理的电池单体计算的数量。

分配给荷电状态算法的最大运行时间和存储器可以为系统设计限制的函数。注意，如果在存储器或处理速度方面不存在限制，则可不需要寻找可计算的有效的荷电状态估计方案。可仅对每个电池单体来执行该算法，而不考虑存储器或运行时间。对于运行时间和动态存储器的限制可以分别表示为R_max和M_max。基于运行时间限制的可处理的电池单体的最大数量为N_r＝R_max/R_base。基于动态存储器限制的可处理的电池单体的最大数量为N_m＝M_max/M_base。为了得到在系统限制内可以处理的电池单体的最大数量N_g，可以选择N_r和N_m中的最小值。该描述考虑了动态存储器，但是可以以相同的方式来处理静态处理器需求。事实上，可以以这样的方案来考虑关于可以处理多少电池单体的任何其他的限制。

一旦确定了在系统限制内可处理的可能的小组的数量(N_g)，则可以确定将电池单体分成小组的方法。作为确定小组的一种可能的方法，可以基于诸如电池的物理特性、化学特性、寿命、温度或SOC的电池单体参数来分析电池单体。每个电池单体可以被参数化，并可以基于它们的测量的参数而被分成小组。每个小组的电池单体可以具有落入一定的值的范围内的一定的组的电池单体参数值，且每个小组的这样的一定的值的范围可以是不同的。对于每个电池单体来说，不同的测量结果或值可以是可用的，诸如温度数据、电压数据和初始荷电状态数据。用于对电池单体分组的一个可能的方法为考虑下面的因素：电池寿命、温度和初始SOC。构思在于具有相同的寿命、温度和SOC的电池单体可以相似地操作。

确定小组的一种可能的方法为首先将电池单体分为N_T个小组，其中，N_T<N_g。可以基于电池单体通电时的温度来进行这样的分组。可以限定N_T个温度范围。可以通过k平均分簇来实现这样的分组，其中，基于公知的统计算法将多个数据点分为k(N_T)个簇。一旦根据温度范围对电池单体进行分组，则随后可以根据SOC来对每个小组进行分组。可以在当前限定SOC范围的数量。再一次地，这可以通过根据温度确定的每个小组的SOC的k平均分簇来实现。如果组的总数小于N_g，则可以完成该步骤，或可以重复该步骤直到确定了N_g个小组。对于可如何执行分组或分簇没有限制。可以选择小组的预定的温度范围或荷电状态范围。任何其他的统计学、数学或几何学方法可以用于将具有相似的参数值的电池单体分簇到相同的小组中。

电池单体所处的小组不依赖于电池包内的位置。小组中的电池单体可以分散在电池包各处。以这样的方式来执行小组的分组，即，具有相似参数的电池单体在给定的小组内。因此，使用小组内的任意的电池单体来进行计算可以得到对于小组内的所有其他的电池单体来说是可靠的结果。

本发明的一个可能的实施方式在于在系统通电时确定小组。可以基于在通电时计算的它们的初始温度和初始SOC值来对电池单体进行分组。可以基于特定范围的初始SOC或特定范围的电池单体温度来确定小组。对于锂离子电池，可以在初始时确定电池单体的SOC。如果电池包已经停用达一段时间，则电池单体的端电压将与电池单体的开路电压相同。图6示出了在系统通电时执行确定分组100的方法。

图4示出了包括十个电池单体(A-J)的电池包的示例性分组。在该示例中，电池单体被分为五组。在这样的情况下的第一步为基于温度70、72、74(由椭圆绘示)将电池单体分为三个小组。温度分组创建了三个小组{A,E,H,I}、{C,G,J}和{B,D,F}。本示例中的下一个步骤为基于初始SOC76、78、80(由圆角矩形绘示)将电池单体分为三个小组。然后，对基于温度和SOC的小组进行分析得出任意交叉点，并可以将这些交叉点选择为最终的小组。在该示例中，存在由矩形绘示的在温度和SOC小组之间清晰的交叉点。在图4中的示例性分组示出了电池单体被分组为{A,I}82、{C,G,J}84、{E,H}86、{D}88和{B,F}90。确定小组的方法可以依赖于其是否将使用软件中实现的算法实时完成还是将离线完成。

在每个小组内，必须选择至少一个代表性电池单体。例如，在小组{C,G,J}84中，三个电池单体C、G或J之一必须被选择为代表性成员。可以使用多种方法来选择代表性成员：最靠近平均值的、SOC最高或最低的、或者温度最高或最低的。代表性成员的选择是可靠的，这是因为电池单体已经被分组且应具有相似的这些参数。当选择代表性电池单体时，可以优选地选择具有代表性非线性特性的电池单体。还可以基于任何其他的条件来进行选择而不影响公开的基础方法。图6绘示了这样的方法，其中，在系统通电时执行代表性电池单体110的确定。

小组的确定可以基于校准或初始化过程而提前执行，并可以被存储在非易失性存储器中。还可以在系统通电时确定小组。算法在何时确定小组方面是灵活的。在小组的数量在相同的点火循环期间随时间而改变的情况下，还可以在运行时动态地执行小组的选择。动态选择在例如电池单体测量存在问题的条件下特别有用。在这样的情况下，可以可选地选择功能正常的另一代表性电池单体来进行计算。动态选择允许具有不管一些测量错误而继续的能力的更为可靠的、容错的计算。对于何时确定小组方面不存在限制。在图6中，将小组的划分示出为发生在系统的初始化108期间。

通常，将仅针对每个小组中的一个电池单体来执行基于模型的计算。基于资源的可用性，可以期望的是，对小组中的多于一个成员来执行基于模型的计算。算法支持该变形，并可以基于控制器限制而进行增减。基于系统限制，可以对一个或更多个代表性电池单体来执行计算。使用多个代表性电池单体的一个可能的方式为使用代表性电池单体的平均值。

实现这样的方法的一种可能的技术为确定电池包的SOC的所需计算速率ΔT_pack。然后这样的速率被除以小组的数量N_g以得到每个小组的采样时间段ΔT_g。在这样的小时间段中，可以执行对于一个小组的基于模型的计算(参照图6中的102)。一旦完成了所有小时间段的计算，则可以计算电池包的SOC。可以在外部执行环路104中执行电池包的SOC的计算时间段，同时，可以在比外部环路运行更为频繁的内部环路102中执行独立的电池单体的基于模型的计算。当已经执行了内部环路的电池单体的SOC计算时，可以执行电池包层面的电池SOC计算。其他的实施方式是可能的，并可依赖于正在使用的硬件和操作系统。图6示出了一种将功能分为用于初始化100、处理小组102和处理电池包信息104的不同的高级任务的一种可能的划分方式。在图6中，可以在ΔT_g的间隔时执行处理组的功能102，且可以在ΔT_pack的间隔时执行处理电池包的任务104。

一旦选择了代表性电池单体，则可以使用基于模型的算法来测量和处理电池单体的特性(112)。然后，可以使用模型的值来计算每个电池单体的吞吐量(114)。吞吐量可以被定义为在给定的时间段期间进入电池或从电池出来的电荷的量或在跟定的时间段内积累或消耗的电荷的量。可以通过下式来计算吞吐量(Throughput)：

$Throughput={\&Integral;}_0^T\mathrm{\&eta;}I\left(t\right)dt---\left(14\right)$

其中，

n为充电/放电效率，

I(t)为电流。

基于模型的方法包括计算吞吐量的其他的方式。使用式(14)可能导致基于电流测量时的噪声的累积积分误差。尽管在实践中因电池单体监视硬件、电池单体平衡硬件和充电效率不同而可能存在一些区别，但是假设每个电池单体具有相同的吞吐量值。在这样的应用中采用的方法考虑到更复杂的基于模型的情况，但是这样的方法也可以应用于更简单的计算。

对于基于模型的方法来说，可以在步骤114计算每个代表性的电池单体的吞吐量。可以通过电池单体的荷电状态数据来确定吞吐量。首先(可以通过基于模型的算法112)确定每个代表性的电池单体的开路电压(V_oc)值。一旦估计的V_oc是可用的，则可以通过V_oc与SOC的关系(见图5)来确定SOC。可以通过下式来确定代表性的电池单体的吞吐量(114)：

Throughput(Cell_i)＝(SOC(0)-f^-1(V_oc(Cell_i)))×Q(Cell_i)(15)

其中

Cell_i是代表性电池单体之一，

f^-1(V_oc(Cell_i))是代表性电池单体i的通过V_oc(见图5)确定的SOC的值，

SOC(0)是在通电时的SOC，

Q(Cell_i)是代表性电池单体的荷电容量。

然后，可以如下计算组的吞吐量(116)：

$Throughput\left({\mathrm{Group}}_i\right)=\left({\mathrm{\&Sigma;}}_1^{Nrc}Throughput\right({\mathrm{Cell}}_j\left)\right)/N_{rc}---\left(16\right)$

其中

N_rc是在小组中使用的代表性电池单体的数量。

注意，式(16)计算小组的代表性电池单体的平均值。在每个小组仅存在一个代表性电池单体的情况下，不需要式(16)，这是因为不需要计算仅一个值的平均值。当对多于一个代表性值来计算吞吐量时，也可以使用除了平均之外的统计学方法。可能的是，在诸如充电或放电的不同的条件下，优选地可以替代性地选择最大或最小的代表性值。

在电池包的值之前计算小组的值的实施方式中，可以在从计算小组的时间至计算电池包的SOC的时间中存在计算延迟。可以通过对于这样的时间段添加估计的吞吐量来补偿这些延迟(118)。假设每ΔT_pack秒计算电池包的SOC。现在，假设每ΔT_g＝ΔT_pack/N_g秒来计算小组。基本构思为在确定了电池单体的吞吐量的时间和将计算电池的SOC的时间之间的时间执行安培-小时积分。因为这是一个很短的时间段，所以几乎不存在引入来自电流测量的过量的噪声的风险。可以使用下式来在计算延迟中补偿每个电池单体的吞吐量：

$\begin{array}{c}Throughput({\mathrm{Group}}_j,t(K+1\left)\right)\\ =Throughput({\mathrm{Group}}_j,t(K)+j\&times;{\mathrm{\&Delta;T}}_g)+{\&Integral;}_{t\left(K\right)+j\&times;{\mathrm{\&Delta;T}}_g}^{t(K+1)}\mathrm{\&eta;}I\left(t\right)dt\end{array}---\left(17\right)$

其中

i是组号(1至N_g)。

可以如下计算平均电池包吞吐量(AverageThroughput)(120)

$AverageThroughput=\frac{{\mathrm{\&Sigma;}}_1^{Ng}Thriughput\left({\mathrm{Group}}_i\right))}{N_g}---\left(18\right)$

然后可以如下计算每个电池单体的SOC(122)

SOC(Cell_i,t)＝SOC(Cell_i,0)-(AverageThroughput/Q(Cell_i))(19)

最后，可以通过独立的电池单体的SOC的值来确定电池包的SOC(124)。存在几种通过独立的电池单体的SOC的值来确定电池包的SOC的方法。对于较高的电池包的SOC的值，可以使用最高的电池单体的SOC来防止任意的电池单体的过充电。对于较低的电池包的SOC的值，可以选择最低的电池包的SOC来防止任意的电池单体的完全放电。在这之间，可以选择电池单体SOC的值的平均值作为电池包的SOC。描述的算法将用于通过独立的值来计算电池包的SOC的任一方法。可以基于为电流选择的符号规则来调节描述的式子。

控制器可以基于计算的电池包的SOC来产生输出。可以将输出通信传输到用于控制车辆的操作的其他控制模块。在混合动力电动车辆中，电池包的SOC可以用于确定用于诸如在应该运行发动机时选择合适的操作模式的控制输出。还可以部分地基于电池包的SOC的值来确定诸如发动机启动请求或电机扭矩请求的车辆控制输出。作为另一个示例，电池包的SOC输出可以用于控制电池包的充电和放电。控制器可以将电池包的SOC输出到驾驶员显示模块，从而可以通知驾驶员在电池包中余留的电荷。

可以通过一个或多个控制器来执行描述的算法，且这样的算法可以在系统通电时重复。可以在停止向控制器供电时停止计算。在必要情况下，系统可以将值存储至非易失性存储器，以用于下一次的通电循环。

描述的方法提供一种在有限的计算资源的情况下实现特定的复杂算法的有计算效率的方式。这样的方法不必须受限于上述的电池的荷电状态的实施方式。这样的方法被应用于存在由可以被特征化并被分组的相似的元件构成的系统的其他的领域。

这里公开的过程、方法或算法可以传递给可以包括任何现有的可编程电子控制单元或专用的电子控制单元的处理装置、控制器或计算机/由可以包括任何现有的可编程电子控制单元或专用的电子控制单元的处理装置、控制器或计算机实施。相似地，这样的过程、方法或算法可以被以许多形式(包括但不限于永久地存储在诸如ROM装置的不可写入的存储介质上的信息和可被改变地存储在诸如软盘、磁带、CD、RAM装置和其他磁介质和光介质写入的存储介质上的信息)存储为可由控制器或计算机执行的指令和数据。这样的过程、方法或算法也可以以软件可执行对象来实现。可选择地，可以整体地或部分地使用合适的硬件组件(诸如专用集成电路(ASIC)、场可编程门阵列(FPGA)、状态机、控制器或其他硬件组件或装置)或硬件、软件和固件组件的组合来实施这样的过程、方法或算法。

虽然在上面描述了示例性实施例，但其没有意在以这些实施例来描述权利要求包括的所有可能的形式。在说明书中使用的词语是描述性的词语而非限制性的词语，且应理解的是，可以在不脱离本公开的精神和范围的情况下进行多种改变。如上所述，多种实施例的特征可以进行组合以形成本发明的可能没有明确描述或示出的进一步的实施例。虽然可能已将多种实施例描述为关于一个或更多个描述的特性相对于其他实施例或现有技术的实施方式来说提供了优点或是优选的，但是本领域普通技术人员认识到的是，一个或更多个特征或特性可以妥协以实现期望的整体系统属性，这依赖于特定的应用和实施方式。这些属性可以包括但不限于成本、强度、耐操性、寿命成本、市场性、外观、包装、尺寸、可服务性、重量、可制造性、组装容易程度等。如此，被描述为关于一个或更多个特性与其他的实施例或现有技术的实施方式相比期望度较小的实施例不超出本公开的范围且对特定的应用来说会是期望的。

Claims (20)

1.一种车辆，包括：

电池包，包括被分组为多个小组的电池单体；

控制器，被编程为根据电池包荷电状态SOC来对电池包进行充电和放电，通过在车辆启动时的每个电池单体的初始荷电状态SOC和从车辆启动开始每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷来推导电池包荷电状态SOC。

2.如权利要求1所述的车辆，其中，电池单体被分组为多个小组，从而所述小组中的一个或更多个小组中的至少一些电池单体分散遍及电池包。

3.如权利要求1所述的车辆，其中，每个小组中的所有的电池单体具有落入特定的值的范围内的特定组的电池单体参数值，其中，每个小组的特定的值的范围不同。

4.如权利要求3所述的车辆，其中，特定组的电池单体参数值包括特定的温度范围。

5.如权利要求3所述的车辆，其中，特定组的电池单体参数值包括特定的初始荷电状态SOC或容量范围。

6.如权利要求3所述的车辆，其中，特定组的电池单体参数值包括特定的电池单体寿命范围。

7.如权利要求1所述的车辆，其中，所述控制器还被编程为在车辆启动时将电池单体分组为多个小组。

8.一种控制车辆的方法，所述方法包括：

识别形成电池包的电池单体的多个小组，其中，每个小组中的电池单体具有落入特定的值的范围内的特定组的电池单体参数值，其中，每个小组的特定的值的范围不同；

基于电池单体荷电状态SOC数据来计算由每个小组中的少于该小组中的所有的电池单体的电池单体积累或消耗的电荷；

基于由每个小组中的少于该小组中的所有的电池单体的电池单体积累或消耗的电荷来计算由电池包积累或消耗的平均电荷；

基于由电池包积累或消耗的平均电荷来计算每个电池单体的电池单体荷电状态SOC；

基于电池单体荷电状态SOC来计算电池包荷电状态SOC；

基于电池包荷电状态SOC来产生车辆的控制输出。

9.如权利要求8所述的方法，其中，基于电池单体荷电状态SOC数据来计算由每个小组中的少于该小组中的所有的电池单体的电池单体积累或消耗的电荷包括：计算由每个小组中的不超过一个的电池单体积累或消耗的电荷。

10.如权利要求8所述的方法，其中，特定组的电池单体参数值包括特定的温度范围。

11.如权利要求8所述的方法，其中，特定组的电池单体参数值包括特定的初始荷电状态SOC或容量范围。

12.如权利要求8所述的方法，其中，特定组的电池单体参数值包括特定的电池单体寿命范围。

13.如权利要求8所述的方法，其中，在车辆启动时执行识别的步骤。

14.如权利要求8所述的方法，其中，在车辆的驱动循环期间周期性地执行识别的步骤。

15.一种估计电池包荷电状态SOC的方法，包括：

将电池包的电池单体分组为多个小组；

基于在车辆启动时每个电池单体的初始荷电状态SOC和从车辆启动开始由每个小组中的少于该小组中的所有的电池单体的电池单体中的每个电池单体积累或消耗的电荷来计算电池包荷电状态SOC；

输出基于电池包荷电状态SOC的信息以进行车辆控制或显示。

16.如权利要求15所述的方法，其中，每个小组中的所有的电池单体具有落入特定的值的范围内的特定组的电池单体参数值，其中，每个小组的特定的值的范围不同。

17.如权利要求16所述的方法，其中，特定组的电池单体参数值包括特定的温度范围。

18.如权利要求16所述的方法，其中，特定组的电池单体参数值包括特定的初始荷电状态SOC或容量范围。

19.如权利要求16所述的方法，其中，特定组的电池单体参数值包括特定的电池单体寿命范围。

20.如权利要求15所述的方法，其中，在车辆启动时将电池单体分组为多个小组。