CN104890526A - 车辆、系统和方法 - Google Patents

Abstract

本发明提供一种车辆、系统和方法，所述车辆可包括电池的电池单元和至少一个控制器，所述至少一个控制器被配置为：基于与电池相关联的状态观测，根据电池模型参数而控制车辆，所述电池模型参数从车辆外部的计算装置被接收，并且是对于被发送至计算装置的与电池单元的电池模型相关的测量值的响应。

Description

车辆、系统和方法

技术领域

本公开涉及通过利用云计算资源来卸载缓慢变化的参数的参数识别。

背景技术

现代的混合动力车辆和电动车辆利用电池组来提供用于推进的能量以及储存再生的能量。电池组通常包括多个单独的电池单元，电池单元可按照并联、串联或者并联与串联的特定组合而连接。电池组的一个特性是荷电状态(SOC)。电池组SOC是保留在电池组中的那部分总电荷的测量值，并且可被认为类似于燃料表。对于确定何时及如何对电池组充电或放电而言，SOC可以是重要的。对于向驾驶者提供信息(诸如车辆可行驶里程)以及操作车辆而言，SOC也可以是重要的。

发明内容

在第一示例性实施例中，一种车辆包括：牵引电池；控制器，被配置为基于电池的模型参数而操作车辆，其中，所述模型参数在驾驶循环期间从车辆外部的计算装置被接收，并且是对于在驾驶循环期间通过控制器被发送至计算装置的与电池模型相关的测量值的响应。根据本发明的一个示例性实施例，所述测量值包括电池电压的测量值、电池电流的测量值和电池温度的测量值。

根据本发明的一个示例性实施例，所述控制器还被配置为周期性地收集电池的测量值，其中，所述测量值包括预定数量的周期性地收集的测量值。

根据本发明的一个示例性实施例，所述模型包括电池等效电路模型，其中，所述控制器还被配置为：执行状态观测，以估计电池开路电压(OCV)；基于电池OCV至电池荷电状态(SOC)的映射，估计电池SOC。

根据本发明的一个示例性实施例，所述测量值还包括电池OCV的先前估计值。

根据本发明的一个示例性实施例，控制器还被配置为执行下列操作中的至少一种：(i)根据SOC而在车辆的用户接口中提供可用的电池电荷的指示；(ii)利用SOC来设置车辆的混合动力传动系的操作。

根据本发明的一个示例性实施例，所述控制器还被配置为：当(i)还没有接收到模型参数时或当(ii)模型参数的存在时间大于预定的存在时间阈值时，默认利用安培小时积分来计算SOC。

根据本发明的一个示例性实施例，所述状态观测包括功率容量确定和电池健康监测中的至少一个。

在第二示例性实施例中，一种系统包括计算装置，所述计算装置被配置为：在车辆的驾驶循环期间通过通信网络从车辆接收与车辆的电池单元的电池模型相对应的电池单元测量值；在驾驶循环期间通过通信网络将响应于所述测量值的电池单元的电池模型参数传送至车辆。

根据本发明的一个示例性实施例，所述测量值包括电池单元电压的测量值、电池单元电流的测量值和电池单元温度的测量值。

根据本发明的一个示例性实施例，所述测量值包括预定数量的周期性地收集的电池测量值。

根据本发明的一个示例性实施例，所述电池模型包括：电池等效电路模型，被配置为供应电池等效电路模型参数以估计电池开路电压(OCV)。

根据本发明的一个示例性实施例，所述测量值还包括电池OCV的先前估计值。

根据本发明的一个示例性实施例，所述测量值还包括当收集到至少一子集的电池单元测量值时的时间指示，其中，所述计算装置还被配置为发送所述时间指示和电池模型参数。

在第三示例性实施例中，一种方法包括：基于与车辆的电池相关联的状态观测，根据电池的电池单元的电池模型参数而控制车辆，所述模型参数在车辆驾驶循环期间由车辆控制器从车辆外部的计算装置接收，并且是对于在驾驶循环期间从控制器被发送至计算装置的与电池单元的电池模型相关的测量值的响应。

根据本发明的一个示例性实施例，所述测量值包括电池单元电压的测量值、电池单元电流的测量值和电池单元温度的测量值。

根据本发明的一个示例性实施例，所述方法还包括周期性地收集电池单元的测量值，其中，所述测量值包括预定数量的周期性地收集的测量值。

根据本发明的一个示例性实施例，电池模型包括电池等效电路模型，所述方法还包括：

执行状态观测，以估计电池开路电压(OCV)；

基于电池OCV至电池荷电状态(SOC)的映射，估计电池SOC。

根据本发明的一个示例性实施例，所述测量值还包括电池OCV的先前估计值。

根据本发明的一个示例性实施例，所述方法还包括下列操作中的至少一种：(i)根据SOC而在车辆的用户接口中提供可用的电池电荷的指示；(ii)利用SOC来设置车辆的混合动力传动系的操作。

附图说明

图1是示出了动力传动系和能量储存组件的混合动力电动车辆的示意图；

图2是示出了包括多个电池单元且由电池控制模块监测与控制的可能的电池组布置的示意图；

图3是示例性的电池单元等效电路的示意图；

图4是用于从车辆卸载(offload)参数识别任务的基于云的架构的示意图；

图5是利用用于卸载参数识别任务的基于云的架构的荷电状态观测器架构的示意图；

图6是示例的电池开路电压与电池荷电状态之间的关系曲线的示意图；

图7是示出了示例的车辆的电池控制模块与云计算资源之间的利用云模块交互的时序图(timing diagram)；

图8至图10是用于将参数识别任务从车辆卸载到基于云的架构的方法的示意图。

具体实施方式

根据需要，在此公开了本发明的具体实施例，然而，应该理解的是，所公开的实施例仅为本发明的示例，并且本发明可以以多种和替代形式实施。附图不一定按百分比绘制；可放大或缩小一些特征以示出特定组件的细节。因此，在此所公开的具体结构和功能性细节不应解释为限制，而仅为用于教导本领域技术人员多样地采用本发明的代表性基础。

随着电动车辆(诸如电池电动车辆(BEV)和插电式混合动力电动车辆(PHEV))获得越来越大的电池，SOC的估计已经变得更加重要。一种用于计算电池SOC的可能的方法是安培小时积分，其中，控制器执行电池组电流测量值关于时间的积分。然而，由于包括电流测量信号中的噪声、电流传感器偏差、初始SOC值确定中的误差的因素可能导致估计的SOC的不准确性，并且由于电池老化可能导致容量值衰减。

更准确的SOC估计可利用基于模型的方法(诸如卡尔曼滤波)来确定SOC。基于模型的方法通过限定电池单元的模型而运行，接着，基于特定的实际测量值而预测电池单元的内部状态。所估计的内部状态可包括(但不限于)电压、电流或SOC。典型的方法是针对电池组的每个电池单元应用卡尔曼滤波器，接着，利用这些电池单元值计算总的电池组特性。这可能需要电池控制模块和存储器，电池控制模块能够执行数量等于电池组中存在的多个电池单元的数量的多个卡尔曼滤波器，存储器能够存储被建模的电池单元中的每个的状态信息。电池组中的电池单元的数量不同，现代的车辆电池组可包括60至100个或者更多个电池单元。

另一种用于SOC估计的基于模型的方法包括将卡尔曼滤波的状态观测和参数识别分为单独的任务。例如，参数识别模块可接收输入(诸如电池的电压、电流、温度和最后估计的开路电压(在此可互换地称作OCV或V_OC))，并且可利用那些输入来确定将要被提供至OCV估计模块的电池等效电路模型参数。OCV估计模块可根据从参数识别模块接收的模型参数来执行状态观测，以估计电池的至少一个状态(诸如电池OCV)。SOC计算模块可从OCV估计模块接收估计的电池OCV，并根据OCV到SOC的映射来确定电池SOC。

虽然基于模型的方法产生更准确的电池参数估计值，但是随着电池的电池单元的数量增加，这样的方法需要更多的计算量和存储器资源，因而这样的方法可能需要增大车辆成本的更新的车辆处理硬件。

不是仅仅由车辆单独地执行SOC估计，而是各方面的SOC计算可卸载到车辆外部的计算服务。一个这样的外部计算服务可包括通过从车辆到因特网的网络连接可访问的基于云的计算服务器。例如，利用基于模型的方法进行SOC估计包括参数识别和状态观测的分离，参数识别任务可卸载到外部服务，从而减少计算量以及将要由车辆保持状态。在这一方法中，车辆可收集关于车辆电池的输入信息(例如，电压、电流、温度、OCV等)，将所述信息转存到外部服务，并且从所述外部服务接收将在OCV估计中被使用的模型参数(例如，电池等效电路模型)，以完成SOC计算。

由于电池等效电路模型参数是相对缓慢变化的变量，所以由远程服务器进行的参数的计算中的延迟仍可在SOC估计中提供可接受的准确性。此外，由于利用电池等效电路模型参数的状态观测比参数估计具有相对较低的计算强度，所以可在不需要更新的车辆处理硬件的情况下改善SOC估计。

虽然在此关于SOC的确定描述了卸载到车辆外部的计算服务的参数计算，但是应该注意的是，作为一些其他示例，在此描述的技术同样适用于参数计算部分可以与建模计算的观测器部分相分离的其他类型的计算(诸如电池容量计算和电池健康估计)。此外，在此描述的技术同样适用于除了电池等效电路模型之外的其他类型的模型。例如，具有要实时获知的参数的电化学模型参数识别或另一面向控制的模型可以类似地被卸载到外部计算资源。

图1描绘了混合动力电动车辆2。典型的混合动力电动车辆2可包括机械地连接至混合动力变速器6的一个或更多个电动机4。此外，混合动力变速器6机械地连接至发动机8。混合动力变速器6还机械地连接至驱动轴10，驱动轴10机械地连接至车轮12。当发动机8开启或关闭时，电动机4可提供推进力和减速能力。电动机4也用作发电机，并且可通过回收在摩擦制动系统中通常将作为热损失掉的能量而提供燃料经济性效益。由于混合动力电动车辆2可在特定状况下按照电动模式运转，电动机4还可以提供减少的污染物排放。

电池组14储存可以由电动机4使用的能量。车辆电池组14通常提供高压直流(DC)输出。电池组14电连接至电力电子模块(power electronics module)16。电力电子模块16还电连接至电动机4，并且提供在电池组14与电动机4之间双向传输能量的能力。例如，典型的电池组14可以提供DC电压，而电动机4可能需要三相交流(AC)电流来运转。电力电子模块16可以将DC电压转换为电动机4所需要的三相AC电流。在再生模式下，电力电子模块16将来自用作发电机的电动机4的三相AC电流转换为电池组14所需要的DC电压。在此所描述的方法同样可应用于纯电动车辆或者利用电池组的任何其它装置。

电池组14除了提供用于推进的能量之外，还可以提供用于其它的车辆电气系统的能量。典型的系统可包括将电池组14的高压DC输出转换为与其它的车辆负载兼容的低压DC电源的DC/DC转换器模块18。其它高压负载可直接连接，而不使用DC/DC转换器模块18。在典型的车辆中，低压系统电连接至12V电池20。

可以通过多种化学配方构建电池组14。典型的电池组14的化学成分可以是铅酸、镍金属氢化物(NIMH)或锂离子。图2示出了N个电池单元32简单串联配置的典型的电池组14。然而，其它电池组14可由任何数量的单独的电池单元按照串联或并联或它们的特定组合连接而组成。典型的系统可具有一个或更多个控制器(诸如用于监测并控制电池组14的性能的电池控制模块(BCM，battery control module)36)。BCM 36可以监测多个电池组14的水平特性(诸如电池组电流38、电池组电压40以及电池组温度42)。

除了测量和监测电池组的水平特性外，还可测量和监测电池单元的水平特性。例如，这些特性可包括电池单元的电压、电流和温度。系统可使用传感器模块34来测量电池单元的特性。根据性能，传感器模块34可以测量一个或多个电池单元32的特性。根据一些可能，传感器模块34可提供代表单个电池单元的温度或电池组的一组多个电池单元的温度的温度。电池组14可利用多达Nc个传感器模块34来测量所有电池单元32的特性。每个传感器模块34可将测量值传输至BCM 36，以进行进一步处理和协调。传感器模块34可将模拟形式或数字形式的信号传输至BCM 36。

图3示出了典型的电池单元等效电路模型。电池单元可被建模为电压源(V_oc)50，电压源(V_oc)50具有与其相关联的电阻(52和54)以及电容56。由于电池单元阻抗，端电压V 58通常不与开路电压V_oc 50相同。开路电压V_oc 50不容易被测量，而只有电池单元的端电压58易于被测量。由于开路电压V_oc 50不容易被测量，所以可以利用基于模型的方法来估计开路电压V_oc 50的值。任何模型将需要已知或估计的电阻和电容的值。注意的是，电池单元模型可取决于电池化学特性，并且为电池单元选择的精确模型不是关键的。例如，所述模型可以是电池等效电路模型、电池电化学模型或特定的电池单元或电池单元的组件的其它模型。

SOC和OCV可通过单调递增的一一对应的一阶可微函数而相关联：

V_oc＝f(SOC)    (1)

在所示出的实施例中的电池等效电路模型的状态空间等式可被表示如下。如下所示，V_oc关于时间的微分可以与SOC关于时间的微分相关联：

$\frac{d{V}_{\mathrm{oc}}}{\mathrm{dt}}=\frac{d{V}_{\mathrm{oc}}}{\mathrm{dSOC}}*\frac{\mathrm{dSOC}}{\mathrm{dt}}---\left(2\right)$

使得

$\mathrm{\α}=\frac{1}{C_c}$

$\mathrm{\β}=-\frac{1}{C_c*R_c}$

γ＝-R    (3)

根据图3中的电池等效电路模型：

V_oc(t)＝R*I(t)+V_c(t)+V(t)

$C_c*\frac{d{V}_c\left(t\right)}{\mathrm{dt}}=I\left(t\right)-\frac{V_c\left(t\right)}{R_c}---\left(4\right)$

基于等式(1)并假设函数f为一阶微分的属性：

$\frac{d{V}_{\mathrm{oc}}}{\mathrm{dt}}=-\frac{d{V}_{\mathrm{oc}}}{\mathrm{dSOC}}*\frac{\mathrm{\ηI}}{Q}---\left(5\right)$

结合等式(4)和等式(5)：

$\left[\begin{array}{c}\frac{d{V}_{\mathrm{oc}}}{\mathrm{dt}}\\ \frac{d{V}_c\left(t\right)}{\mathrm{dt}}\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{C_c*R_c}\end{array}\right]*\left[\begin{array}{c}{V}_{\mathrm{oc}}\\ V_c\left(t\right)\end{array}\right]+\left[\begin{array}{c}-\frac{\frac{d{V}_{\mathrm{oc}}}{\mathrm{dSOC}}*\mathrm{\η}}{Q}\\ \frac{1}{C_c}\end{array}\right]*I---\left(6\right)$

$V\left(t\right)=\left[\begin{array}{cc}1& -1\end{array}\right]*\left[\begin{array}{c}{V}_{\mathrm{oc}}\left(t\right)\\ V_c\left(t\right)\end{array}\right]+[-R]*I---\left(7\right)$

调用等式(3)：

$\left[\begin{array}{c}\frac{d{V}_{\mathrm{oc}}}{\mathrm{dt}}\\ \frac{d{V}_c\left(t\right)}{\mathrm{dt}}\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& \mathrm{\β}\end{array}\right]*\left[\begin{array}{c}{V}_{\mathrm{oc}}\\ V_c\left(t\right)\end{array}\right]+\left[\begin{array}{c}-\frac{\frac{d{V}_{\mathrm{oc}}}{\mathrm{dSOC}}*\mathrm{\η}}{Q}\\ \mathrm{\α}\end{array}\right]*I---\left(8\right)$

$V\left(t\right)=\left[\begin{array}{cc}1& -1\end{array}\right]*\left[\begin{array}{c}{V}_{\mathrm{oc}}\left(t\right)\\ V_c\left(t\right)\end{array}\right]+\mathrm{\γ}*I---\left(9\right)$

基于等式(4)，目的是识别模型参数，并且同时(通过OCV)估计SOC。在本发明的实施例中，可基于等式(8)和等式(9)设计观测器：

$\begin{array}{c}\left[\begin{array}{c}\frac{d{\hat{V}}_{\mathrm{oc}}}{\mathrm{dt}}\\ \frac{d{\hat{V}}_c\left(t\right)}{\mathrm{dt}}\end{array}\right]\\ L*(V\left(t\right)-\hat{V}\left(t\right))\end{array}=\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{C_c*R_c}\end{array}\right]*\left[\begin{array}{c}{\hat{V}}_{\mathrm{oc}}\\ {\hat{V}}_c\left(t\right)\end{array}\right]+\left[\begin{array}{c}-\frac{\frac{d{V}_{\mathrm{oc}}}{\mathrm{dSOC}}{\hat{V}}_{\mathrm{oc}}^{\mathrm{\η}}}{Q}\\ \frac{1}{C_c}\end{array}\right]*I+---\left(10\right)$

$\hat{V}\left(t\right)=\left[\begin{array}{cc}1& -1\end{array}\right]*\left[\begin{array}{c}{\hat{V}}_{\mathrm{oc}}\left(t\right)\\ {\hat{V}}_c\left(t\right)\end{array}\right]+[-R]*I---\left(11\right)$

在所示出的实施例中，上述观测器可用于解决间接适用观测问题。应该理解，观测器的细节可根据应用而变化。

在所示出的实施例中，下面的方法用于参数识别，从等式(4)和等式(5)得到：

$\frac{d{V}_{\mathrm{oc}}}{\mathrm{dt}}=-\frac{d{V}_{\mathrm{oc}}}{\mathrm{dSOC}}*\frac{\mathrm{\ηI}}{Q}$

$C_c*\frac{d{V}_c\left(t\right)}{\mathrm{dt}}=I\left(t\right)-\frac{V_c\left(t\right)}{R_c}$

V(t)＝V_oc(t)-V_c(t)-R_r*I(t)    (12)

通过获得参数与系统变量之间的关系，接着使所述关系离散化：

$[V\left(t\right)-V_{\mathrm{oc}}\left(t\right)]=[\frac{d{V}_{\mathrm{oc}}\left(t\right)}{\mathrm{dt}}-\frac{\mathrm{dV}\left(t\right)}{\mathrm{dt}}I\left(t\right)\frac{\mathrm{dI}\left(t\right)}{\mathrm{dt}}]*\left[\begin{array}{c}{R}_c*C_c\\ R+R_c\\ R*R_c*C_c\end{array}\right]---\left(13\right)$

离散形式为：

$\begin{array}{c}[\frac{T_s}{2}*(V_{\mathrm{oc}}(k+1)-V(k+1)+V_{o}c\left(k\right)-V\left(k\right))]=\\ [(V(k+1)-V\left(k\right))-(V_{\mathrm{oc}}(k+1)-V_{\mathrm{oc}}\left(k\right))\frac{T_s}{2}*\\ (i(k+1)+i\left(k\right))i(k+1)-i\left(k\right)]*\left[\begin{array}{c}{R}_c*C_c\\ R+R_c\\ R*R_c*C_c\end{array}\right]\end{array}---\left(14\right)$

对于缓慢变化的参数识别而言，广泛使用的一种方法是卡尔曼滤波器方法。卡尔曼滤波器方法是递归参数估计方法的族中的一部分。

首先，等式(14)可被重新写为：

$Y\left(k\right)={\mathrm{\Φ}}^T\left(k\right)*\mathrm{\Θ}\left(k\right)---\left(15\right)$

接着，基于卡尔曼滤波器的递归参数估计方案可被表示为：

$\widehat{\mathrm{\Θ}}(k+1)=\widehat{\mathrm{\Θ}}\left(k\right)+K\left(k\right)*(Y(k+1)-{\mathrm{\Φ}}^T\left(k\right)*\widehat{\mathrm{\Θ}}\left(k\right))$

K(k+1)＝Q(k+1)*Φ(k+1)

$Q(k+1)=\frac{P\left(k\right)}{R_2+\mathrm{\Φ}{(k+1)}^T*P\left(k\right)*\mathrm{\Φ}(k+1)}$

$P(k+1)=P\left(k\right)+R_1-\frac{P\left(k\right)*\mathrm{\Φ}\left(k\right)*\mathrm{\Φ}{\left(k\right)}^T*P\left(K\right)}{R_2+\mathrm{\Φ}{(k+1)}^T*P\left(k\right)*\mathrm{\Φ}(k+1)}---\left(16\right)$

其中，是估计的参数矢量，K、Q和P是相关的中间变量(矩阵)，R1和R2是常数(校准变量)。

应该理解的是，用于参数识别的卡尔曼滤波器方法是可以被使用的一种可能的方法。在可替换的实施例中，可使用具有变化稳健性和准确性的任何递归估计方案。

现在转向SOC估计，一旦选择了递归估计算法并且已知了电路参数，那么非线性观测器估计状态(V_OC、V_C)。

在所示出的实施例中，假设已经从等式(16)中识别了相关参数，则可利用所识别的参数来实现观测器：

$\begin{array}{c}\left[\begin{array}{c}\frac{d{\hat{V}}_{\mathrm{oc}}}{\mathrm{dt}}\\ \frac{d{\hat{V}}_c\left(t\right)}{\mathrm{dt}}\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{C_c*R_c}\end{array}\right]*\left[\begin{array}{c}{\hat{V}}_{\mathrm{oc}}\\ {\hat{V}}_c\left(t\right)\end{array}\right]+\left[\begin{array}{c}-\frac{\frac{d{V}_{\mathrm{oc}}}{\mathrm{dSOC}}{\hat{V}}_{\mathrm{oc}}^{\mathrm{\η}}}{Q}\\ \frac{1}{{\hat{C}}_c}\end{array}\right]*I+\\ L*(V\left(t\right)-\hat{V}\left(t\right))\end{array}---\left(17\right)$

$\hat{V}\left(t\right)=\left[\begin{array}{cc}1& -1\end{array}\right]*\left[\begin{array}{c}{\hat{V}}_{\mathrm{oc}}\left(t\right)\\ {\hat{V}}_c\left(t\right)\end{array}\right]+[-\hat{R}]*I---\left(18\right)$

使得

$e\left(t\right)=\left[\begin{array}{c}{V}_{\mathrm{oc}}\left(t\right)\\ V_c\left(t\right)\end{array}\right]-\left[\begin{array}{c}{\hat{V}}_{\mathrm{oc}}\left(t\right)\\ {\hat{V}}_c\left(t\right)\end{array}\right]---\left(19\right)$

$\begin{array}{c}\frac{\mathrm{de}\left(t\right)}{\mathrm{dt}}=(\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{{\hat{C}}_c*{\hat{R}}_c}\end{array}\right]-L*\left[\begin{array}{cc}1& -1\end{array}\right])*e\left(t\right)+\\ (\left[\begin{array}{c}-\frac{\frac{{\mathrm{dV}}_{\mathrm{oc}}}{\mathrm{dSOC}}{V}_{\mathrm{oc}}^{\mathrm{\η}}}{Q}\\ \frac{1}{{\hat{C}}_c}\end{array}\right]-\begin{array}{}\end{array}\left[\begin{array}{c}-\frac{\frac{{\mathrm{dV}}_{\mathrm{oc}}}{\mathrm{dSOC}}{\hat{V}}_{\mathrm{oc}}^{\mathrm{\η}}}{Q}\\ \frac{1}{{\hat{C}}_c}\end{array}\right])*I\\ =\left[\begin{array}{cc}-L_1& L_1\\ -L2& L_2-\frac{1}{{\hat{C}}_c*{\hat{R}}_c}\end{array}\right]*e\left(t\right)+\\ \left[\begin{array}{c}-\frac{(\frac{{\mathrm{dV}}_{\mathrm{oc}}}{\mathrm{dSOC}}{V}_{\mathrm{oc}}-\frac{{\mathrm{dV}}_{\mathrm{oc}}}{\mathrm{dSOC}}{\hat{V}}_{\mathrm{oc}})*\mathrm{\η}}{Q}\\ 0\end{array}\right]*I\end{array}---\left(20\right)$

假设通过适当地选择上面示出的观测器的增益L的电路参数的精确估计可以是稳定的。对于所示出的观测器，可选择固定的增益(L矩阵)，以运行通过等式(8)和等式(9)表示的整个锂离子电池族。更具体地说，可选择观测器增益L(诸如L₁>0、L₂＝0)，使得在任何操作条件下误差动态总适用于整个电池族。

特别地，由于在所描述的模型中，参数识别和状态观测是单独的任务，所以可通过与状态观测任务的计算装置不同的计算装置来执行参数识别任务。作为一个示例，可通过车辆的BCM 36执行状态观测任务，而参数估计任务可卸载到车辆外部的计算服务。由于参数识别比状态观测计算更昂贵，所以卸载参数识别任务降低了将要由车辆保持而所需的计算量和计算机存储器的量。

图4是用于从车辆卸载参数识别任务的基于云的架构70的示意图。架构70包括将车辆与云模块72通信的BCM 36，其中，云模块72被配置为使得车辆便于与云计算资源74通信。

如架构70中所示，如箭头(1)所示，BCM 36可被配置为管理电池并执行各种电池变量的电池单元测量。此外，如箭头(2)所示，BCM 36还可被配置为将测量值传送至云模块72。云模块72可被配置为接收所述测量值，对所述测量值打包，并且如箭头(3)所示，通过移动链路(例如，通过车辆远程信息处理控制器)将测量值包传送至云计算资源74。利用电池模型(诸如上面详细讨论的电池等效电路模型)，云计算资源74可被配置为基于所接收的测量值而计算电池模型参数。其他模型可用于其他类型的值的计算，诸如，用于电池健康估计的电池健康模型、用于电化学模型参数识别的电化学模型等。如箭头(4)所示，云计算资源74还可被配置为通过移动链接将包括确定的模型参数的响应返回至云模块72。云模块72可接收所述响应，并且如箭头(5)所示，将模型参数返回至BCM 36。因此，BCM 36可利用由资源74所计算的模型参数来执行状态估计。因此，通过利用基于云的架构70，车辆能够卸载模型参数的确定，所述模型参数的确定对于BCM 36利用其自身的计算能力来计算可能是代价昂贵或困难的。

图5是利用用于卸载参数识别任务的基于云的架构70的荷电状态观测器架构80的示意图。架构80包括输入90(诸如电压、电流和温度)。利用基于云的架构70实现的外部参数识别块82可被配置为接收输入90并提供模型参数。OCV估计块84可被配置为接收模型参数并估计OCV。SOC计算块92可被配置为将所估计的OCV映射到SOC。延迟块94可被配置为将所估计的OCV反馈至参数识别块82。虽然在此描述了示例性的模块化的架构80，但是应该注意的是，功能可被结合到更多、更少或不同的功能块中。

如所示出的，参数识别块82可被配置为接收将要在计算模型参数中被使用的输入90。对于电池等效电路模型而言，作为一些示例，这些输入90可包括电压、电流、温度和先前估计的OCV。输入90可包括通过BCM 36从传感器模块34接收的信息(诸如，电池单元水平电压测量值、电流测量值和温度测量值)以及由BCM 36接收的电池组14的水平特性(诸如电池组电流38、电池组电压40和电池组温度42)。

如上所述，对于执行针对缓慢变化的参数的参数识别而言，卡尔曼滤波器方法可能是有用的。由于在参数识别中的相对缓慢的变化以及所包含的计算复杂性，卡尔曼滤波器的参数识别部分可适用于被卸载至云计算资源74。因此，不是在BCM 36上执行参数识别，而是参数识别块82可被配置为将所收集的输入90提供至云模块72(例如，架构70中所示的流向2所示)，以通过云计算资源74进行处理。参数识别块82还可被配置为通过云模块72接收从云计算资源74返回的等效电路模型参数(例如，架构70中所示的流向5所示)。下面将参照图7至图10详细地讨论BCM 36与云计算资源74之间的消息传送的进一步方面。

OCV估计块84可被配置为估计电池组14的OCV。例如，可根据从参数识别块82接收的模型参数而驱动OCV估计块84的观测器。可根据模型(诸如图3中示出并在上面详细解释的电池单元等效电路模型)实现观测器。

SOC计算块92可被配置为确定电池SOC。例如，SOC计算块92可从OCV估计块84接收OCV值，并且可利用OCV至SOC的非线性映射来确定电池组14的SOC。图6示出了OCV至SOC的示例性的映射。如电池OCV与电池SOC电荷之间的关系曲线96所示，SOC与OCV可根据单调递增的一一对应的一阶可微函数(诸如上面参照等式(1)所讨论)而相关联。

返回图5，延迟块94可被配置为将所估计的OCV反馈至参数识别块82，以在下一轮的参数识别中用作最新估计的OCV值。特别地，与本地计算相比，将参数识别卸载至云计算资源74可含有附加的延迟，在输入90输入到参数识别块82之前附加的延迟块94未被示出，并且附加的延迟块94可以是可选择的或者是不必要的。

图7是示出了示例的车辆的BCM 36与云计算资源74之间的利用云模块72交互的时序图100。如所示出的，BCM 36可被配置为周期性地将电池测量值提供至云模块72。所提供的测量值可由云模块72收集成为多个最新测量值的包(例如，最后5个测量值、最后10个测量值和各个测量值等)，并被提供至云计算资源74。当云模块72完成打包时，云模块72可将完成的包传送至云计算资源74。例如，如所示出的，云模块72收集测量值，包的尺寸为5个测量值。一旦已经接收了第一组5个测量值，云模块72可将第一包测量值传送至云计算资源74。这出现在时序图100中的时间索引(time index)t＝5处。所述包也可包括其他的信息，诸如由云模块72接收的最新测量值的时间索引。

云计算资源74可接收从云模块72发送的测量值包，并且可对测量值执行模型参数识别计算。当完成计算时，响应于所接收的测量值包，云计算资源74可将模型参数结果发送至云模块72。从云计算资源74发送的响应还可包括用于确定模型参数的样本的指示。例如，作为一些可能，模型参数结果可包括用于确定模型参数的最新测量值的时间索引、由云计算资源74接收测量值的时间索引、从云模块72发送测量值的时间索引或者针对发送至车辆的每组结果而增加的序号。

由于云计算资源74计算可能需要花费一些时间(例如，超过被提供至云模块72的电池测量值之间的间隔)，所以尽管不具有从云计算资源74接收的响应，云模块72可被配置为继续接收并处理从BCM 36接收的电池测量值。

云模块72可从云计算资源74接收模型参数。如所示出的，与时间索引1-5内的测量值相对应的模型参数被示出为由云模块72在时间索引7-8之间接收。因此，云模块72开始将所接收的参数返回至BCM 36(例如，供OCV估计模块84使用)。(在一些情形下，在任何模型参数返回至云模块72之前，云模块72可对BCM 36提供更新，以指示没有任何模型参数可使用或包含默认模型参数或包含最后获知的模型参数)。在一些示例中，当没有模型参数可供BCM 36使用时，BCM 36可默认转向另一SOC计算技术(诸如安培小时积分)。如所示出的，云模块72周期性地将参数提供至BCM 36(例如，在所示的时间索引t＝[7.5,8.5,9.5]处)。应该注意，将参数返回给BCM 36的时序和间隔可变化。例如，与将所测量的变量提供至云模块72相比，可以按照更慢或更快的间隔将参数从云模块72提供至BCM 36。作为另一示例，响应于从云计算装置74接收更新的模型变量(而不是周期性的消息或者除了周期性的消息之外)，可将参数从云模块72提供至BCM 36。

云模块72还可将参数的存在时间(age)的指示随着参数一起提供至BCM36。例如，云模块72可将模型参数的存在时间确定为模型参数被提供至BCM36的时间索引与用于确定模型参数的最新捕获一组测量变量的时间索引之间的差。这一存在时间可允许BCM 36获知模型参数实际上使用了多久。如果BCM 36确定了模型参数太陈旧而不能使用，则BCM 36可默认转向另一SOC计算技术(诸如安培小时积分)。

如上面所描述，云模块72可被配置为继续接收并处理通过BCM 36提供的电池测量值。继续进行5个测量值的包的示例，在时间索引10处，云模块72可将包括针对t＝[6-10]的时间索引的变量的第二包测量值提供至云计算资源74。云计算资源74可接收第二包测量值，执行模型参数计算，并将响应提供至云模块72，所述响应包括与时间索引t＝[6-10]相对应的第二组模型参数。因此，云模块72可接收被更新的模型参数，并将所更新的模型参数供应至BCM 36。

类似地，在时间索引15处，云模块72可被配置为将第三包测量值提供至云计算资源74。然而，在所示出的示例中，云模块72未基于第三包测量值接收一组模型参数。这可能是由于多个原因而导致的，在一些可能下，所述多个原因诸如在将所测量的变量发送至云计算资源74的过程中的通信问题、在确定模型参数过程中在云计算资源74处的计算问题或者在从云计算资源74接收模型参数过程中的通信问题。

云模块72可被配置为针对来自云计算资源74的响应而等待长达超时时间段。如果在超时时间段内没有接收到这样的响应，则接着云模块72可被配置为发出另一计算请求。例如，如果云模块72确定在三个时间索引内(例如，超时时间段Δt＝3)从云计算资源74未接收到响应，则云模块72可向云计算资源74发出新的计算请求。然而，取代利用还未接收到其响应的原始测量的变量(例如，针对在所示出的示例中的时间索引t＝[11-15])，相反，在重新发出的请求中，云模块72可利用最新的变量(最新的变量在时间索引t＝18处针对5个测量值的包尺寸包括与时间索引t＝[14-18]相对应的测量值)。如果云计算资源74保持这样的信息，则在重新发出的请求中包括最新数据可帮助确保所计算的模型参数更具有时效性，但是可能会导致云计算资源74丢失一些历史数据(在时间索引t＝[11-13]的情形下)。

特别地，在t＝8.5-10.5以及在t＝12.5-19.5时，在云模块72与BCM 36之间传送的估计值包括模型参数，所述模型参数是分别在t＝7.5和t＝11.5时提供的模型参数的重复，但具有增长的存在时间指示值。由于BCM 36可连续地运行控制系统并且可期望“当前”输入，所以云模块72可提供这些周期性的更新值，而云计算资源74更加可以是作用于输入的基于事件的系统。因此，云模块72可通过周期性地一起提供当前变化的模型参数和其存在时间，在这两方面之间进行转换。还应该注意的是，在其他示例中，这些重复的更新可能不是必需的，反之，BCM 36可继续再使用没有更新的先前提供的模型参数。

图8是用于从车辆卸载参数识别任务的方法800的示意图。例如，可通过在BCM 36与云计算资源74之间通信的云模块72来执行方法800。

在框802处，云模块72接收电池测量值。例如，云模块72可从BCM 36接收电池测量值。例如，电池测量值可包括通过BCM 36从传感器模块34接收的电压、电流和温度测量值。电池测量值还可包括通过BCM 36接收的电池组14的水平特性(诸如电池组电流38、电池组电压40和电池组温度42)。

在判定点804处，云模块72确定是否已经达到了包尺寸。例如，可通过云模块72收集所接收的电池测量值，直到已经接收了预定数量的测量值。作为一个非限制性的示例，如图7中所示，所述预定数量可以是5。如果已经接收了预定数量的测量值，则控制进行到框806。否则，控制进行到框802。

在框806处，云模块72创建测量值包。例如，云模块72可在一个包中包括预定数量的电池测量值。所述包也可包括其他的信息，诸如最新测量值的时间索引或通过云模块72接收最新测量值的时间索引。

在框808处，云模块72将包括测量值包的消息提供至远程计算资源74。例如，云模块72可利用车辆的远程信息处理单元将所述测量值包发送至远程计算资源74的地址，远程计算资源74被配置为从车辆接收测量值包。作为一种可能，远程计算资源74可被实现为因特网可访问的云服务。

在判定点810处，云模块72确定是否已经接收到针对包括测量值包的消息的响应。例如，云模块72可被配置为对来自云计算资源74的响应而等待长达预定的超时时间段。如果在超时时间段内没有接收到这样的响应，则接着云模块72可被配置为发出另一计算请求。如果云模块72确定没有接收到响应，则控制进行到框806。特别地，取代利用来自还未接收到其响应的请求的初始测量的变量，反之，返回至框806的云模块72可在重新发出的请求中使用最新的变量。如果接收到响应，则控制进行到框812。

在框812处，云模块72将被包括在响应中的模型参数提供至BCM 36。云模块72还可在响应中包括模型参数的存在时间(即，存在时间被确定为模型参数被提供至BCM 36的时间索引与用于确定模型参数的最新捕获一组测量变量的时间索引之间的差)。因此，BCM 36可利用模型参数来执行状态观测，以估计电池的至少一个状态。作为一种可能，BCM 36可利用模型参数来执行状态观测，以估计电池OCV，并根据电池OCV到SOC的映射来估计电池SOC。在框812之后，控制进行到框802。

图9是用于从车辆卸载参数识别任务的方法900的示意图。例如，可通过与便于访问云计算资源74的云模块72通信的BCM 36来执行方法900。应该注意的是，方法900包括多个分支(例如，在判定点902、908和914处开始)，所述多个分支可作为可彼此独立运行的一个或更多个过程或流程而执行。

在判定点902处，BCM 36确定电池测量间隔时长(timeout)是否已经过去。例如，BCM 36可被配置为周期性地(例如，每秒、每15秒、每3分钟等)将电池测量值提供至云模块72。如果电池测量间隔时长已经到期，则控制行进到框904。否则，控制保持在判定点902。

在框904处，BCM 36执行电池测量。例如，BCM 36可利用车辆的传感器模块34来测量电池单元特性，诸如，可测量每个电池单元的电压、电流和温度。作为另一示例，BCM 36可测量电池组14的水平特性(诸如电池组电流38、电池组电压40和电池组温度42)。

在框906处，BCM 36将电池测量值提供至云模块72。例如，BCM 36可通过车辆总线将包括电池测量值的一个或更多个消息传送至云模块72。BCM 36还可将对于基于所利用的模型确定模型参数可能有用的其他信息(诸如根据通过BCM 36执行的先前的状态观测而确定的先前计算的OCV值)提供至云模块72。在框904处，控制进行到判定点902处。

在判定点908处，BCM 36确定SOC确定间隔时长是否已经过去。例如，BCM 36可被配置为周期性地确定SOC，以供车辆系统(诸如混合动力传动系)或指示当前的电荷水平的车辆的用户接口元素所使用。也可周期性地(例如，每秒、每15秒、每3分钟等)执行SOC确定。如果SOC确定间隔时长已经到期，则控制行进到框910。否则，控制保持在判定点908处。

在框910处，BCM 36根据模型参数计算电池OCV。例如，可根据从参数识别块82接收的参数而驱动BCM 36的OCV估计块84的观测器。可根据模型(诸如图3中示出并在上面详细解释的电池单元等效电路模型)而实现观测器。

在框912处，BCM 36根据OCV确定SOC。例如，BCM 36的SOC计算块92可从OCV估计块84接收OCV值，并且可利用Voc至SOC之间的关系曲线96来确定电池组14的SOC。图6示出了Voc至SOC的示例性的映射。在框912之后，控制可进行到判定点908。

在判定点914处，BCM 36确定BCM 36是否已经接收到被更新的模型参数。例如，BCM 36可识别BCM 36是否已经从云模块72接收到模型参数或者从云模块72接收到的模型参数是否比BCM 36当前所保持的模型参数更加新。BCM 36可利用模型参数的时间索引、模型参数的存在时间或模型参数的序号中的一个或更多个，以确定已接收的模型参数是否更加新。如果通过BCM 36确定的模型参数要被更新，则控制进行到框916。否则，控制保持在判定点914处。

在框916处，BCM 36更新由BCM 36所保持的模型参数。在框916之后，控制进行到判定点914处。

图10是用于从车辆卸载参数识别任务的方法1000的示意图。例如，可通过与接口连接至BCM 36的云模块72通信的云计算资源74来执行方法1000。

在判定点1002处，云计算资源74确定是否已经从车辆接收到电池测量值。例如，车辆的云模块72可将消息提供至云计算资源74(诸如上面参照方法800所讨论的)。如果接收到消息，则控制进行到框1004，以处理所述消息。否则，控制保持在判定点1002。

在框1004处，云计算资源74利用所接收的测量值计算模型参数。例如，可根据图3中示出并在上面详细解释的电池单元等效电路模型通过云计算资源74而执行参数估计。

在框1006处，云计算资源74将包括所计算的模型参数的响应提供至车辆。因此，通过利用基于云的架构70，车辆能够卸载模型参数的确定，这样的模型参数的确定对于BCM 36利用其自身的计算能力来计算可能是代价昂贵或困难的。在框1006之后，控制行进到判定点1002处。

因此，通过利用远程云计算资源74，车辆能够卸载参数识别，减少通过车辆执行的计算量以及需要保持的状态的量。此外，由于与车辆的参数估计相比，利用远程计算的模型参数的状态观测的计算强度相对较低，所以可在不需要升级的车辆处理硬件的情况下改善状态估计。

作为一种可能，所公开的卸载技术可适用于利用车辆的BCM 36执行的改善的SOC估计。作为一个示例，由于模型参数可以是相对缓慢变化的变量，所以通过远程服务器执行的模型参数的计算中的延迟仍可提供SOC估计的可接受的准确性。此外，由于与参数估计相比，利用电池模型参数的状态观测的计算强度相对较低，所以可在不需要升级的车辆处理硬件的情况下改善SOC估计。作为另一些可能，在此描述的技术同样适用于参数计算部分可与建模的计算的观测器部分相分离的其他类型的模型与计算(诸如针对电池功率容量计算与电池健康估计)。

虽然上面描述了示例性实施例，但是并不意味着这些实施例描述了本发明的所有可能的形式。更确切地说，说明书中使用的词语为描述性词语，而非限制性词语，并且应理解的是，在不脱离本发明的精神和范围的情况下，可做出各种改变。此外，可组合多个实施例的特征以形成本发明的进一步的实施例。

Claims (8)

1.一种车辆，包括：

牵引电池；

控制器，被配置为基于电池的模型参数而操作车辆，其中，所述模型参数在驾驶循环期间从车辆外部的计算装置被接收，并且是对于在驾驶循环期间通过控制器被发送至计算装置的与电池模型相关的测量值的响应。

2.根据权利要求1所述的车辆，其中，所述测量值包括电池电压的测量值、电池电流的测量值和电池温度的测量值。

3.根据权利要求1所述的车辆，其中，所述控制器还被配置为周期性地收集电池的测量值，其中，所述测量值包括预定数量的周期性地收集的测量值。

4.根据权利要求1所述的车辆，其中，所述模型包括电池等效电路模型，其中，所述控制器还被配置为：

执行状态观测，以估计电池开路电压；

基于电池开路电压至电池荷电状态的映射，估计电池荷电状态。

5.根据权利要求4所述的车辆，其中，所述测量值还包括电池开路电压的先前估计值。

6.根据权利要求4所述的车辆，其中，控制器还被配置为执行下列操作中的至少一种：(i)根据荷电状态在车辆的用户接口中提供可用的电池电荷的指示；(ii)利用荷电状态设置车辆的混合动力传动系的操作。

7.根据权利要求4所述的车辆，其中，所述控制器还被配置为：当(i)还没有接收到模型参数时或当(ii)模型参数的存在时间大于预定的存在时间阈值时，默认利用安培小时积分来计算荷电状态。

8.根据权利要求4所述的车辆，其中，所述状态观测包括功率容量确定和电池健康监测中的至少一个。