CN104573401A - 一种电池荷电状态估计方法及装置 - Google Patents

Abstract

本申请公开了一种电池荷电状态估计方法及装置，方法为：针对预先获取的不同倍率下放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系，利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程，在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。申请采用粒子滤波的方式进行SOC的估计，充分利用了粒子滤波在求解非线性问题上的优越性，并且通过重采样抑制了粒子滤波算法身存在的粒子退化的问题，进一步，在重采样过程引入遗传算法，使得粒子的多样性得到了保留，有效的提高了SOC估计精度。

Description

一种电池荷电状态估计方法及装置

技术领域

本申请涉及电池管理技术领域，更具体地说，涉及一种电池荷电状态估计方法及装置。

背景技术

在国际能源危机与环境污染日益严重的形势下，以蓄电池为动力的电动汽车因其低能耗、零排放和较高性价比特点，逐渐成为当前新能源汽车研究和应用的主流。锂离子电池具有高电压平台、高能量密度和较长的循环寿命，其逐步发展为最具有竞争力的动力电池。动力电池是电动汽车能量来源，决定着整车系统安全性能，运行效率和可靠性，因此需要对电池进行必要的管理和控制。

电池荷电状态(state of charge，SOC)是电池管理系统(battery managementsystem，BMS)中最重要的参数之一，通过估计电池的SOC能判断电池组之间性能差异，避免电池出现过充过放，并且能估计出电动汽车的续驶里程，因此对电池SOC进行准确的估计是非常必要的，具有重要的现实意义。

由于SOC不能直接测量，并且电动汽车运行时电池呈现出很强的非线性变化，造成现有的SOC估计算法的准确性普遍偏低。

发明内容

有鉴于此，本申请提供了一种电池荷电状态估计方法及装置，用于解决现有SOC估计算法不准确的问题。

为了实现上述目的，现提出的方案如下：

一种电池荷电状态估计方法，包括：

针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系；

利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程；

在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。

优选地，在对所述放电数据进行拟合时，使用四阶至九阶多项式方法进行拟合。

优选地，所述利用所述函数关系建立电池系统的状态空间模型，包括：

根据SOC的定义来建立初始状态方程：

$\mathrm{SOC}\left(t\right)={\mathrm{SOC}}_0-\underset{0}{\overset{t}{\∫}}\mathrm{idt}/Q_{\mathrm{ac}}\left(r\right)$

其中，Q_ac是电池实际有效容量，SOC₀是初始SOC值，i(t)是放电电流；

对所述初始状态方程进行离散化，得到：

SOC_k＝SOC_k-1-(Δt/Q_ac(r))i_k-1

选用组合模型作为状态空间模型的初始观测方程：

y_k＝k₀-R_ii_k-k₁/SOC_k-k₂SOC_k+k₃ln(SOC_k)+k₄ln(1-SOC_k)

其中，y_k是电池端电压，k₀是开路电压，R_i是电池内阻，k₁是极化内阻，k₂,k₃,k₄是模型匹配参数；

设置过程噪声为w_k，观测噪声为v_k，将k-1时刻的SOC值加上噪声扰动确定为k时刻的SOC值，将离散化后的初始状态方程和初始观测方程加入噪声，再离散化后得到：

状态方程：x_k＝x_k-1-(Δt/Q_ac)i_k-1+w_k-1

观测方程：y_k＝k₀-R_ii_k-k₁/x_k-k₂x_k+k₃ln(x_k)+k₄ln(1-x_k)+v_k

x_k是k时刻电池的SOC值，Δt为采样时间，k₀,k₁,k₂,k₃,k₄通过递推最小二乘法确定。

优选地，所述采用遗传重采样粒子滤波的方式确定电池荷电状态SOC，包括：

设置SOC初始值，所需要的粒子数目；

采用随机数方法产生所需要的粒子集；

建立初始粒子集其中i＝1,2,…,N,为k＝0时刻第i个粒子的SOC值，为k＝0时刻第i个粒子的权重值，设置每个粒子初始k＝0时刻的权重为1/N；

利用所述状态方程预测k时刻的值；

利用下述方程确定k时刻各粒子的权重值：

$w_k^i=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(y_k-y_k^i)}^2}{2{\mathrm{\σ}}^2}}$

对各粒子的权重值进行归一化：

$w_k^i=w_k^i/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^i$

计算有效粒子数N_eff：

$N_{\mathrm{eff}}=1/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(w_k^i\right)}^2$

判断有效粒子数N_eff是否小于第一阈值，若是，则利用遗传重采样对粒子集进行优化，若否，则进入SOC值计算环节；

其中，所述利用遗传重采样对粒子集进行优化的过程为：

对k-1时刻的N个粒子进行实数编码，形成父代粒子集；

确定选择概率Ps，交叉概率Pc，变异概率Pm，并满足Ps+Pc+Pm＝1；

根据选择概率Ps从父代粒子集中选择出N*Ps个子代粒子；

在父代粒子集中按照交叉概率Pc执行(N*Pc)/2次交叉操作，得到N*Pc个子代粒子；

在父代粒子集中按照变异概率Pm执行N*Pm次变异操作，得到N*Pm个子代粒子；

对遗传操作所产生的N个子代粒子的权重值进行归一化，并使用轮盘赌方式进行粒子选择，选出N个粒子，并进入所述SOC值计算环节；

所述SOC值计算环节为：

利用下式求取SOC的平均值：

${\hat{x}}_k=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_k^i{x}_k^i$

判断种群迭代数目是否达到预设值，若是，则输出所述SOC平均值，否则令k＝k+1，返回至所述利用所述状态方程预测k时刻的值的步骤。

优选地，所述确定选择概率Ps，交叉概率Pc，变异概率Pm的过程，包括：

确定选择概率Ps为[0,1]间的常数；

确定交叉概率Pc为：

$p_c=\left\{\begin{array}{cc}\frac{p_1(f_{\max }-f_c)}{(f_{\max }-f_{\mathrm{avg}})}& f_c\&GreaterEqual;f_{\mathrm{avg}}\\ p_3& f_c<f_{\mathrm{ave}}\end{array}\right.$

确定变异概率Pm为：

$p_m=\left\{\begin{array}{cc}\frac{p_2(f_{\max }-f_m)}{(f_{\max }-f_{\mathrm{avg}})}& f_m\&GreaterEqual;f_{\mathrm{avg}}\\ p_4& f_m<f_{\mathrm{ave}}\end{array}\right.$

其中， 为第i个粒子的适应度值，P₁，P₂，P₃，P₄是不大于1的常数，f_max表示父代粒子集中个体的最大适应度值，f_c表示两个交叉个体中较大的适应度值，f_m是变异个体的适应度值，f_avg表示父代粒子集中个体适应度的平均值。

优选地，在父代粒子集中执行交叉操作时，按照如下方式进行交叉操作：

$\left\{\begin{array}{c}{\left(x_k^i\right)}^{\&prime;}=\mathrm{\&beta;}{x}_k^i+(1-\mathrm{\&beta;})x_k^i\\ {\left(x_k^j\right)}^{\&prime;}=\mathrm{\&beta;}{x}_k^j+(1-\mathrm{\&beta;})x_k^j\end{array}\right.$

其中，β是(0,1)上满足均匀分布的随机数，和是进行交叉的两个粒子，和是交叉操作后得到的新粒子。

优选地，在父代粒子集中执行变异操作时，按照如下方式进行变异操作：

${\left(x_k^i\right)}^{\&prime;}=\left\{\begin{array}{c}{x}_k^i+r^{{(1-g/G)}^{\&prime;}})(N_k-x_k^i)P\&GreaterEqual;0.5\\ x_k^i-r^{{(1-g/G)}^{\&prime;}})(x_k^i-M_k)p<0.5\end{array}\right.$

其中，是进行变异操作的粒子，是变异操作后的粒子，[M_k,N_k]是取值的范围，r和p是[0,1]上的随机数，g是当前迭代次数，G是最大迭代次数。

一种电池荷电状态估计装置，包括：

曲线拟合单元，用于针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系；

状态空间模型建立单元，用于利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程；

SOC估计单元，用于在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。

优选地，所述曲线拟合单元具体采用五阶多项式方法对预先获取的放电实验数据进行拟合。

优选地，所述状态空间模型建立单元包括：

初始状态方程建立单元，用于根据SOC的定义来建立初始状态方程：

$\mathrm{SOC}\left(t\right)={\mathrm{SOC}}_0-\underset{0}{\overset{t}{\&Integral;}}\mathrm{idt}/Q_{\mathrm{ac}}\left(r\right)$

其中，Q_ac是电池实际有效容量，SOC₀是初始SOC值，i(t)是放电电流；

离散化处理单元，用于对所述初始状态方程进行离散化，得到：

SOC_k＝SOC_k-1-(Δt/Q_ac(r))i_k-1

初始观测方程建立单元，用于选用组合模型作为状态空间模型的初始观测方程：

y_k＝k₀-R_ii_k-k₁/SOC_k-k₂SOC_k+k₃ln(SOC_k)+k₄ln(1-SOC_k)

其中，y_k是电池端电压，k₀是开路电压，R_i是电池内阻，k₁是极化内阻，k₂,k₃,k₄是模型匹配参数；

噪声处理单元，用于设置过程噪声为w_k，观测噪声为v_k，将k-1时刻的SOC值加上噪声扰动确定为k时刻的SOC值，将离散化后的初始状态方程和初始观测方程加入噪声，再离散化后得到：

状态方程：x_k＝x_k-1-(Δt/Q_ac)i_k-1+w_k-1

观测方程：y_k＝k₀-R_ii_k-k₁/x_k-k₂x_k+k₃ln(x_k)+k₄ln(1-x_k)+v_k

x_k是k时刻电池的SOC值，Δt为采样时间，k₀,k₁,k₂,k₃,k₄通过递推最小二乘法确定。

从上述的技术方案可以看出，本申请实施例提供的电池荷电状态估计方法，针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系，利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程，在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。本申请采用粒子滤波的方式进行SOC的估计，充分利用了粒子滤波在求解非线性问题上的优越性，并且通过重采样抑制了粒子滤波算法本身存在的粒子退化的问题，进一步，在重采样过程引入遗传算法，使得粒子的多样性得到了保留，有效的提高了SOC估计精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例公开的一种电池荷电状态估计方法流程图；

图2为本申请实施例公开的一种采用遗传采样粒子滤波方式估计SOC值的流程图；

图3为本申请实施例公开的一种恒流放电工况图；

图4为本申请实施例公开的一种恒流放电工况下SOC估计算法仿真图；

图5为本申请实施例公开的一种自定义放电工况图；

图6为本申请实施例公开的一种自定义放电工况下SOC估计算法仿真图；

图7为本申请实施例公开的一种电池荷电状态估计装置结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

针对待估计荷电状态的电池，在实验数据采集过程：

在不同倍率(0.5C，1C，2C，3C，4C，5C)下对待估电池进行一系列放电实验，得出不同倍率下的电池实际放出电量值，放电电流等实验数据。进而执行下述电池荷电状态估计过程。

参见图1，图1为本申请实施例公开的一种电池荷电状态估计方法流程图。

如图1所示，该方法包括：

步骤S100、针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系；

曲线拟合时，可以选用四阶至九阶多项式方法进行拟合。例如选用五阶多项式方法进行拟合，举例如：

Q_ac(r)＝-3.0912*10^-8*r⁵+4.5046*10^-6*r⁴-0.00024323*r³+0.0058417*r²-0.061345*r+11.082

其中，r为放电倍率，Q_ac为电池实际有效容量值。

步骤S110、利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程；

步骤S120、在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。

本申请实施例提供的电池荷电状态估计方法，针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系，利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程，在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。本申请采用粒子滤波的方式进行SOC的估计，充分利用了粒子滤波在求解非线性问题上的优越性，并且通过重采样抑制了粒子滤波算法本身存在的粒子退化的问题，进一步，在重采样过程引入遗传算法，使得粒子的多样性得到了保留，有效的提高了SOC估计精度。

具体地，可以选用镍锰钴三元(LiNi_1/3Mn_1/3Co_1/3O₂)作正极材料，石墨作为负极电池，标称电压为10Ah软包型电池为待估电池。

接下来详细介绍上述步骤S110和步骤S120。

其中，引入状态量是为了对系统内部结构进行书写描述，因为SOC无法直接测量到，能测量的值只是系统的输入与输出，通过建立模型实现根据一系列的观测值y_k估计出任意时刻的状态向量x_k，在建立电池系统的状态空间模型时：

根据SOC的定义方程(1)建立初始状态方程(2)：

$\mathrm{SOC}=\frac{Q_r}{Q_{\mathrm{ac}}}\&times;100\%=\frac{Q_{\mathrm{ac}}-Q_R}{Q_{\mathrm{ac}}}\&times;100\%=\frac{Q_{\mathrm{ac}}-\underset{0}{\overset{t}{\&Integral;}}\mathrm{idt}}{Q_{\mathrm{ac}}}\&times;100\%---\left(1\right)$

$\mathrm{SOC}\left(t\right)={\mathrm{SOC}}_0-\underset{0}{\overset{t}{\&Integral;}}\mathrm{idt}/Q_{\mathrm{ac}}\left(r\right)---\left(2\right)$

其中，SOC(t)是t时刻的瞬时SOC值，SOC₀是初始SOC值，Q_r是电池剩余容量，Q_ac是电池实际有效容量，Q_R是放出的电量，i(t)是放电电流；电池的状态方程是基于安时积分法的原理，根据放电电流积分制得到一个剩余容量占实际总容量的百分比。

为了适合数值计算，对初始状态方程(2)进行离散化，得到公式(3)：

SOC_k＝SOC_k-1-(Δt/Q_ac(r))i_k-1 (3)

为更好描述电池真实端电压与SOC变化的情况，组合模型(CombineModel，CM)被选作为状态空间模型的初始观测方程(4)：

y_k＝k₀-R_ii_k-k₁/SOC_k-k₂SOC_k+k₃ln(SOC_k)+k₄ln(1-SOC_k) (4)

其中，y_k是电池端电压，k₀是开路电压，R_i是电池内阻，k₁是极化内阻，k₂,k₃,k₄是模型匹配参数，电池的观测方程描述了SOC,电流，内阻等因素与端电压的数学关系。

由于电池外特性的高度非线性，动力电池工作环境恶劣，建模更符合实际环境，设定建模过程中产生干扰是过程噪声为w_k，仪器造成的干扰设为观测噪声为v_k，将k-1时刻的SOC值加上噪声扰动确定为k时刻的SOC值，将离散化后的初始状态方程(3)和初始观测方程(4)加入噪声，得到：

状态方程：x_k＝x_k-1-(Δt/Q_ac)i_k-1+w_k-1 (5)

观测方程：y_k＝k₀-R_ii_k-k₁/x_k-k₂x_k+k₃ln(x_k)+k₄ln(1-x_k)+v_k (6)

x_k是k时刻电池的SOC值，Δt为采样时间，k₀,k₁,k₂,k₃,k₄通过递推最小二乘法确定。

在建立了电池系统的状态空间模型之后，采用遗传重采样粒子滤波的方式来估计电池荷电状态SOC值。

1)初始化时，设置SOC初始值以及所需要的粒子数目。

2)采用随机数方法产生所需要的粒子集。

3)建立初始粒子集其中i＝1,2,…,N,为k＝0时刻第i个粒子的SOC值，为k＝0时刻第i个粒子的权重值，设置每个粒子初始k＝0时刻的权重为1/N。

4)利用所述状态方程(5)预测k时刻的值。

具体地，当k取值为1时，则将已知的带入公式(5)，即可求得

5)利用下述方程(7)确定k时刻各粒子的权重值：

$w_k^i=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}{e}^{-\frac{{(y_k-y_k^i)}^2}{2{\mathrm{\&sigma;}}^2}}---\left(7\right)$

其中，y_k的取值可以利用公式(6)求取。

6)对各粒子的权重值进行归一化：

$w_k^i=w_k^i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_k^i---\left(8\right)$

7)计算有效粒子数N_eff：

$N_{\mathrm{eff}}=1/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(w_k^i\right)}^2---\left(9\right)$

8)判断有效粒子数目N_eff是否小于第一阈值，若是，则进入步骤9)：利用遗传采样对粒子集进行优化，若否，则进入步骤10)：SOC值计算环节。

其中，第一阈值可以为1/2N，或者其它常数。

9)利用遗传重采样对粒子集进行优化,重采样过程通过减少权值较小的粒子数目，把注意力集中在大权值得粒子上实现减少粒子的退化，但是带来负面影响是较大权值的粒子被多次选取，采样结果包含了许多重复点，丧失了粒子多样性，通过借鉴遗传机制在增加粒子多样性和减少权值较小的粒子数进行平衡，以下为遗传重采样具体过程：

第一，对k-1时刻的N个粒子进行实数编码，形成父代粒子集。

第二，确定选择概率Ps，交叉概率Pc，变异概率Pm，并满足Ps+Pc+Pm＝1。

具体地，选择概率Ps为[0,1]间的常数，Ps＝0时，代表所有粒子都为交叉和/或变异产生的粒子，而，Ps＝1时，代表没有新粒子的产生。

交叉概率Pc可以为：

$p_c=\left\{\begin{array}{cc}\frac{p_1(f_{\max }-f_c)}{(f_{\max }-f_{\mathrm{avg}})}& f_c\&GreaterEqual;f_{\mathrm{avg}}\\ p_3& f_c<f_{\mathrm{ave}}\end{array}\right.---\left(10\right)$

变异概率Pm可以为：

$p_m=\left\{\begin{array}{cc}\frac{p_2(f_{\max }-f_m)}{(f_{\max }-f_{\mathrm{avg}})}& f_m\&GreaterEqual;f_{\mathrm{avg}}\\ p_4& f_m<f_{\mathrm{ave}}\end{array}\right.---\left(11\right)$

其中， 为第i个粒子的适应度值，P₁，P₂，P₃，P₄是不大于1的常数，f_max表示父代粒子集中个体的最大适应度值，f_c表示两个交叉个体中较大的适应度值，f_m是变异个体的适应度值，f_avg表示父代粒子集中个体适应度的平均值。

通过设置Ps+Pc+Pm＝1，使得遗产处理后所得的粒子的数目仍为N。

第三，根据选择概率Ps从父代粒子集中选择出N*Ps个子代粒子。

第四，在父代粒子集中按照交叉概率Pc执行(N*Pc)/2次交叉操作，得到N*Pc个子代粒子。

具体地，每次交叉操作选择两个父代粒子产生两个子代粒子，(N*Pc)/2次交叉操作共计产生N*Pc个子代粒子。

交叉操作时，遵循如下方程：

$\left\{\begin{array}{c}{\left(x_k^i\right)}^{\&prime;}=\mathrm{\&beta;}{x}_k^i+(1-\mathrm{\&beta;})x_k^i\\ {\left(x_k^j\right)}^{\&prime;}=\mathrm{\&beta;}{x}_k^j+(1-\mathrm{\&beta;})x_k^j\end{array}\right.---\left(12\right)$

其中，β是(0,1)上满足均匀分布的随机数，和是进行交叉的两个粒子，和是交叉操作后得到的新粒子。

第五，在父代粒子集中按照变异概率Pm执行N*Pm次变异操作，得到N*Pm个子代粒子。

具体地，每次变异操作选择一个父代粒子产生一个子代粒子，N*Pm次变异操作共计产生N*Pm个子代粒子。

变异操作时，遵循如下方程：

${\left(x_k^i\right)}^{\&prime;}=\left\{\begin{array}{c}{x}_k^i+r^{{(1-g/G)}^{\&prime;}})(N_k-x_k^i)P\&GreaterEqual;0.5\\ x_k^i-r^{{(1-g/G)}^{\&prime;}})(x_k^i-M_k)p<0.5\end{array}\right.---\left(13\right)$

其中，是进行变异操作的粒子，是变异操作后的粒子，[M_k,N_k]是取值的范围，r和p是[0,1]上的随机数，g是当前迭代次数，G是最大迭代次数。

由上可知，新粒子是由交叉和变异操作产生的，新粒子总共有N个，粒子总数保持不变。

粒子集通过变异运算产生新的粒子，引入变异算子可以提供初始种群不含的基因，或者找回选择过程中丢失的基因，为种群提供新的内容。根据变异概率Pm随机选择变异父代，父代经非均匀变异操作产生子代。

第六，对遗传操作所产生的N个子代粒子的权重值进行归一化，并使用轮盘赌方式进行粒子选择，并进入所述SOC值计算环节10)。

具体地，由公式12和13可知N个子代粒子的SOC值，将其带入观测方程6，并结合权重计算公式7可以确定N个子代粒子各自的权重值，进一步将权重值归一化。

其中，使用轮盘赌方式选取N个粒子时，主要是依次累加子代粒子中的个体适应度值(也即权重值)，得到相应的累积值S_i，最后一个累积值为S_n(S_n为1)，然后产生一个在区间[0,S_n]上服从均匀分布的随机数R，依次用S_i与R进行比较：选取首个满足S_i-1<R<S_i的子代粒子i。然后重复过程“产生一个在区间[0,S_n]上服从均匀分布的随机数R，依次用S_i与R进行比较：选取首个满足S_i-1<R<S_i的子代粒子i”，直至选取出N个粒子为止。

10)SOC值计算环节：

利用下式求取SOC的平均值：

${\hat{x}}_k=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_k^i{x}_k^i---\left(14\right)$

具体地，若直接由步骤8)进入步骤10)，则步骤10)公式中的粒子SOC值及权重值为由步骤4)-6)所计算出的k时刻的各粒子的SOC值和权重值；若由步骤9)进入步骤10)，则步骤10)公式中的粒子SOC值及权重值为步骤9)所选取出的N个粒子的SOC值和权重值。

进一步地，该方法还可以包括步骤11)：

11)判断种群迭代数目是否达到预设值，若是，则输出所述SOC平均值，否则令k＝k+1，返回至步骤4)：利用所述状态方程预测k时刻的值。

具体地，预设值为我们预先设定的种群迭代数目的最大值，也即k所取的最大值。当k为1时，显然仅仅需要迭代一次即可，当k为大于1的整数时，需要令k＝k+1，返回步骤4)进行迭代。

需要说明的是，上述采用遗传重采样粒子滤波的方式来确定电池荷电状态SOC值的整个过程，可以参照图2流程所示。

本申请采用的遗传重采样粒子滤波算法利用了粒子的先验信息，对不同权值的粒子采用不同的进化概率，从而使得估计能力较差的粒子得到改善，估计能力较强的粒子得到保持，同时采用的轮盘赌方式对粒子的个体进行选择，权值大的粒子多复制，权值小的粒子少复制的重采样思想。

本申请基于遗传重采样粒子滤波的SOC估计算法，增加了粒子的多样性，有效降低了粒子退化的影响，对经过遗传操作处理过的粒子集进行重采样，得到的粒子集中有效粒子数增大，粒子集能更好表示SOC的真实状态，提高SOC估计的精确度。

为了进一步验证本申请方法的有效性，申请人通过实验的方式，对比了本申请SOC估计算法与实验采集值对比的结果如图3-图6。由仿真结果可知，本申请的SOC估计算法所得出的模拟结果能够较好的符合实验值。

下面对本申请实施例提供的电池荷电状态估计装置进行描述，下文描述的电池荷电状态估计装置与上文描述的电池荷电状态估计方法可相互对应参照。

参见图7，图7为本申请实施例公开的一种电池荷电状态估计装置结构示意图。

如图7所示，该装置包括：

曲线拟合单元71，用于针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系；

状态空间模型建立单元72，用于利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程；

SOC估计单元73，用于在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。

可选地，所述曲线拟合单元具体采用五阶多项式方法对预先获取的放电实验数据进行拟合。

可选地，所述状态空间模型建立单元可以包括：

初始状态方程建立单元，用于根据SOC的定义来建立初始状态方程：

$\mathrm{SOC}\left(t\right)={\mathrm{SOC}}_0-\underset{0}{\overset{t}{\&Integral;}}\mathrm{idt}/Q_{\mathrm{ac}}\left(r\right)$

其中，Q_ac是电池实际有效容量，SOC₀是初始SOC值，i(t)是放电电流；

离散化处理单元，用于对所述初始状态方程进行离散化，得到：

SOC_k＝SOC_k-1-(Δt/Q_ac(r))i_k-1

初始观测方程建立单元，用于选用组合模型作为状态空间模型的初始观测方程：

y_k＝k₀-R_ii_k-k₁/SOC_k-k₂SOC_k+k₃ln(SOC_k)+k₄ln(1-SOC_k)

其中，y_k是电池端电压，k₀是开路电压，R_i是电池内阻，k₁是极化内阻，k₂,k₃,k₄是模型匹配参数；

噪声处理单元，用于设置过程噪声为w_k，观测噪声为v_k，将k-1时刻的SOC值加上噪声扰动确定为k时刻的SOC值，将离散化后的初始状态方程和初始观测方程加入噪声，再离散化后得到：

状态方程：x_k＝x_k-1-(Δt/Q_ac)i_k-1+w_k-1

观测方程：y_k＝k₀-R_ii_k-k₁/x_k-k₂x_k+k₃ln(x_k)+k₄ln(1-x_k)+v_k

x_k是k时刻电池的SOC值，Δt为采样时间，k₀,k₁,k₂,k₃,k₄通过递推最小二乘法确定。

本申请实施例提供的电池荷电状态估计装置，针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系，利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程，在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。本申请采用粒子滤波的方式进行SOC的估计，充分利用了粒子滤波在求解非线性问题上的优越性，并且通过重采样抑制了粒子滤波算法本身存在的粒子退化的问题，进一步，在重采样过程引入遗传算法，使得粒子的多样性得到了保留，有效的提高了SOC估计精度。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电池荷电状态估计方法，其特征在于，包括：

针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系；

利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程；

在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。

2.根据权利要求1所述的方法，其特征在于，在对所述放电数据进行拟合时，使用四阶至九阶多项式方法进行拟合。

3.根据权利要求1所述的方法，其特征在于，所述利用所述函数关系建立电池系统的状态空间模型，包括：

根据SOC的定义来建立初始状态方程：

$\mathrm{SOC}\left(t\right)={\mathrm{SOC}}_0-\underset{0}{\overset{t}{\&Integral;}}\mathrm{idt}/Q_{\mathrm{ac}}\left(r\right)$

其中，Q_ac是电池实际有效容量，SOC₀是初始SOC值，i(t)是放电电流；

对所述初始状态方程进行离散化，得到：

SOC_k＝SOC_k-1-(Δt/Q_ac(r))i_k-1

选用组合模型作为状态空间模型的初始观测方程：

y_k＝k₀-R_ii_k-k₁/SOC_k-k₂SOC_k+k₃ln(SOC_k)+k₄ln(1-SOC_k)

其中，y_k是电池端电压，k₀是开路电压，R_i是电池内阻，k₁是极化内阻，k₂,k₃,k₄是模型匹配参数；

设置过程噪声为w_k，观测噪声为v_k，将k-1时刻的SOC值加上噪声扰动确定为k时刻的SOC值，将离散化后的初始状态方程和初始观测方程加入噪声，再离散化后得到：

状态方程：x_k＝x_k-1-(Δt/Q_ac)i_k-1+w_k-1

观测方程：y_k＝k₀-R_ii_k-k₁/x_k-k₂x_k+k₃ln(x_k)+k₄ln(1-x_k)+v_k

x_k是k时刻电池的SOC值，Δt为采样时间，k₀,k₁,k₂,k₃,k₄通过递推最小二乘法确定。

4.根据权利要求3所述的方法，其特征在于，所述采用遗传重采样粒子滤波的方式确定电池荷电状态SOC，包括：

设置SOC初始值，所需要的粒子数目；

采用随机数方法产生所需要的粒子集；

建立初始粒子集其中i＝1,2,…,N,为k＝0时刻第i个粒子的SOC值，为k＝0时刻第i个粒子的权重值，设置每个粒子初始k＝0时刻的权重为1/N；

利用所述状态方程预测k时刻的值；

利用下述方程确定k时刻各粒子的权重值：

$w_k^i=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}{e}^{-\frac{{(y_k-y_k^i)}^2}{2{\mathrm{\&sigma;}}^2}}$

对各粒子的权重值进行归一化：

$w_k^i=w_k^i/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_k^i$

计算有效粒子数N_eff：

$N_{\mathrm{eff}}=1/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left(w_k^i\right)}^2$

判断有效粒子数N_eff是否小于第一阈值，若是，则利用遗传重采样对粒子集进行优化，若否，则进入SOC值计算环节；

其中，所述利用遗传重采样对粒子集进行优化的过程为：

对k-1时刻的N个粒子进行实数编码，形成父代粒子集；

确定选择概率Ps，交叉概率Pc，变异概率Pm，并满足Ps+Pc+Pm＝1；

根据选择概率Ps从父代粒子集中选择出N*Ps个子代粒子；

在父代粒子集中按照交叉概率Pc执行(N*Pc)/2次交叉操作，得到N*Pc个子代粒子；

在父代粒子集中按照变异概率Pm执行N*Pm次变异操作，得到N*Pm个子代粒子；

对遗传操作所产生的N个子代粒子的权重值进行归一化，并使用轮盘赌方式进行粒子选择，选出N个粒子，并进入所述SOC值计算环节；

所述SOC值计算环节为：

利用下式求取SOC的平均值：

${\hat{x}}_k=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_k^i{x}_k^i$ 2 -->

判断种群迭代数目是否达到预设值，若是，则输出所述SOC平均值，否则令k＝k+1，返回至所述利用所述状态方程预测k时刻的值的步骤。

5.根据权利要求4所述的方法，其特征在于，所述确定选择概率Ps，交叉概率Pc，变异概率Pm的过程，包括：

确定选择概率Ps为[0,1]间的常数；

确定交叉概率Pc为：

$p_c=\left\{\begin{array}{cc}\frac{p_1(f_{\max }-f_c)}{(f_{\max }-f_{\mathrm{avg}})}& f_c\&GreaterEqual;f_{\mathrm{avg}}\\ p_3& f_c<f_{\mathrm{avg}}\end{array}\right.$

确定变异概率Pm为：

$p_m=\left\{\begin{array}{cc}\frac{p_2(f_{\max }-f_m)}{(f_{\max }-f_{\mathrm{avg}})}& f_m\&GreaterEqual;f_{\mathrm{avg}}\\ p_4& f_m<f_{\mathrm{avg}}\end{array}\right.$

其中，为第i个粒子的适应度值，P₁，P₂，P₃，P₄是不大于1的常数，f_max表示父代粒子集中个体的最大适应度值，f_c表示两个交叉个体中较大的适应度值，f_m是变异个体的适应度值，f_avg表示父代粒子集中个体适应度的平均值。

6.根据权利要求4所述的方法，其特征在于，在父代粒子集中执行交叉操作时，按照如下方式进行交叉操作：

$\left\{\begin{array}{c}{\left(x_k^i\right)}^{\&prime;}=\mathrm{\&beta;}{x}_k^i+(1-\mathrm{\&beta;})x_k^i\\ {\left(x_k^j\right)}^{\&prime;}=\mathrm{\&beta;}{x}_k^j+(1-\mathrm{\&beta;})x_k^j\end{array}\right.$

其中，β是(0,1)上满足均匀分布的随机数，和是进行交叉的两个粒子，和是交叉操作后得到的新粒子。

7.根据权利要求4所述的方法，其特征在于，在父代粒子集中执行变异操作时，按照如下方式进行变异操作：

${\left(x_k^i\right)}^{\&prime;}=\left\{\begin{array}{c}{x}_k^i+r^{(1-g/G^{\&prime;})})(N_k-x_k^i)P\&GreaterEqual;0.5\\ x_k^i-r^{(1-g/G^{\&prime;})})(x_k^i-M_k)p<0.5\end{array}\right.$

其中，是进行变异操作粒子，是变异操作后粒子，[M_k,N_k]是取值的范围，r和p是[0,1]上的随机数，g是当前迭代次数，G是最大迭代次数。

8.一种电池荷电状态估计装置，其特征在于，包括：

曲线拟合单元，用于针对预先获取的不同倍率下的放电实验数据进行拟合，以获得电池放电倍率与电池实际有效容量值的函数关系；

状态空间模型建立单元，用于利用所述函数关系建立电池系统的状态空间模型，所述状态空间模型包括标识电池荷电状态SOC的状态方程以及观测方程；

SOC估计单元，用于在所述状态空间模型中，采用遗传重采样粒子滤波的方式确定电池荷电状态SOC。

9.根据权利要求8所述的装置，其特征在于，所述曲线拟合单元具体采用五阶多项式方法对预先获取的放电实验数据进行拟合。

10.根据权利要求8所述的装置，其特征在于，所述状态空间模型建立单元包括：

初始状态方程建立单元，用于根据SOC的定义来建立初始状态方程：

$\mathrm{SOC}\left(t\right)={\mathrm{SOC}}_0-\underset{0}{\overset{t}{\&Integral;}}\mathrm{idt}/Q_{\mathrm{ac}}\left(r\right)$

其中，Q_ac是电池实际有效容量，SOC₀是初始SOC值，i(t)是放电电流；

离散化处理单元，用于对所述初始状态方程进行离散化，得到：

SOC_k＝SOC_k-1-(Δt/Q_ac(r))i_k-1

初始观测方程建立单元，用于选用组合模型作为状态空间模型的初始观测方程：

y_k＝k₀-R_ii_k-k₁/SOC_k-k₂SOC_k+k₃ln(SOC_k)+k₄ln(1-SOC_k)

其中，y_k是电池端电压，k₀是开路电压，R_i是电池内阻，k₁是极化内阻，k₂,k₃,k₄是模型匹配参数；

噪声处理单元，用于设置过程噪声为w_k，观测噪声为v_k，将k-1时刻的SOC值加上噪声扰动确定为k时刻的SOC值，将离散化后的初始状态方程和初始观测方程加入噪声，再离散化后得到：

状态方程：x_k＝x_k-1-(Δt/Q_ac)i_k-1+w_k-1

观测方程：y_k＝k₀-R_ii_k-k₁/x_k-k₂x_k+k₃ln(x_k)+k₄ln(1-x_k)+v_k

x_k是k时刻电池的SOC值，Δt为采样时间，k₀,k₁,k₂,k₃,k₄通过递推最小二乘法确定。