CN105277893A - 实时电池估计 - Google Patents

Abstract

本公开涉及实时电池估计。车辆系统和方法可包括牵引电池和控制器，控制器用于实现状态估计器，状态估计器被配置为：使用电压和内电阻的离散电池测量值来输出基于牵引电池的内电阻的电池状态以及牵引电池的系统动态特性估计，并且控制器根据状态估计器的输出操作牵引电池。例如，控制器可使用在预定义时间段内测量的电池输入电流曲线和电池输出电压曲线辨识牵引电池的系统动态特性模型；通过特征分解将辨识的系统动态特性模型转换为具有对角系统矩阵的状态空间模型，对角系统矩阵由系统特征值构成；从转换后的系统动态特性模型估计电池电流限制和可用功率限制；根据使用估计的电池电流限制和可用功率限制而辨识的系统动态特性模型操作牵引电池。

Description

实时电池估计

技术领域

各种实施例涉及一种电动车辆以及用于估计电池状态的方法，更具体地讲，所述方法用于实时估计电池状态并使用电池估计来基于电池状态控制车辆系统。

背景技术

混合动力电动车辆(HEV)利用内燃发动机和电动马达的组合来提供动力。这种布置相对于仅具有内燃发动机的车辆而言提供改善的燃料经济性。一种在HEV中改善燃料经济性的方法是在发动机运转效率低且不被另外需要推进车辆期间关闭发动机。在这些情况下，电动马达用于提供推进车辆所需的全部动力。当驾驶员动力需求增加使得电动马达不再能够提供足以满足所述需求的动力时，或者在诸如电池荷电状态(SOC)下降至某一水平的其它情况下，发动机为车辆提供动力。

HEV包括电池管理系统，所述电池管理系统估计描述电池组和/或电池单元的当前操作状况的值。电池组和/或电池单元操作状况包括：电池SOC、电力衰减、容量衰减以及瞬时可用功率。电池管理系统应能够在电池组的整个生命周期中由于电池单元老化而改变电池单元特性期间估计所述值。对部分值的精确估计可改善性能和稳健性，并可根本地延长电池组的使用寿命。

发明内容

一种车辆可包括：牵引电池，包括多个电池单元；至少一个控制器，被配置为实现状态估计器。所述状态估计器可被配置为：输出基于牵引电池的内电阻的电池状态以及牵引电池的系统动态特性估计，其中，所述系统动态特性估计使用电压和内电阻的离散电池测量值，并且所述至少一个控制器根据所述状态估计器的输出来操作牵引电池。在示例中，所述系统动态特性估计将子空间辨识算法应用于近似系统矩阵。

在示例中，所述控制器使用所述近似系统矩阵来推导电流限制表达式。所述控制器可使用估计的状态变量和估计的内电阻来输出电池电流限制。在示例中，计算出的内电阻使用一个时间段期间的电池输入电流和从所述时间段内的端电压估计的状态变量而被估计。

在示例中，所述控制器可估计一个时间段期间的内电阻，通过使用在预定义时间段内收集的电池电流输入曲线和电池端电压曲线的子空间辨识算法来辨识离散状态空间模型，将离散状态空间模型转换为连续状态空间模型，执行连续状态空间模型的系统矩阵的特征分解，通过特征分解来转换状态空间模型，并推导用于计算预定义时间段内的电池电流限制的解析表达式。

所述控制器还可确定额外的电池模型参数是否需要被更新，并且如果额外的电池模型参数需要被更新，则针对额外的电池模型参数重复上述处理。

在示例中，车辆可包括至少一个控制器，所述至少一个控制器被配置为：使用在预定义时间段内测量的电池输入电流曲线和电池输出电压曲线来辨识牵引电池的系统动态特性模型；通过特征分解将辨识的系统动态特性模型转换为具有对角系统矩阵的状态空间模型，其中，所述对角系统矩阵由系统特征值构成；从转换后的系统动态特性模型估计电池电流限制和可用功率限制；根据使用估计的电池电流限制和可用功率限制而辨识的系统动态特性模型来操作牵引电池。

根据本发明，一种车辆包括：牵引电池，包括多个电池单元；至少一个控制器，被配置为：根据来自通过对牵引电池的系统动态特性模型进行特征分解而推导出的状态空间模型的电池电流限制和可用功率限制，来操作牵引电池，其中，所述系统动态特性模型具有由系统特征值构成的对角系统矩阵，并经由在预定义时间段内测量的电池输入电流曲线和电池输出电压曲线而被辨识。

在示例中，系统动态特性模型可包括系统动态特性矩阵、输入矩阵和输出矩阵。可使用子空间辨识算法来辨识系统动态特性模型。在示例中，子空间辨识算法使用从电池输出电压曲线减去电池内电阻两端的电压降而被操纵的电压曲线。可使用预定时间段内的电池输入电流曲线和所述时间段内测量的端电压曲线来估计计算出的内电阻。

根据本发明的一个实施例，可使用一个时间段期间的电池输入电流曲线和所述时间段期间测量的电池输出电压曲线来估计计算出的内电阻。

在车辆或控制器中，系统动态特性模型被实时更新。

可利用车辆和控制器来执行各个方法。在示例中，用于车辆控制的方法包括：使用在预定义时间段内测量的电池输入电流曲线和电池输出电压曲线来辨识牵引电池的系统动态特性模型；通过特征分解将辨识的系统动态特性模型转换为具有对角系统矩阵的状态空间模型，其中，所述对角系统矩阵由系统特征值构成；从转换后的系统动态特性模型估计电池电流限制和可用功率限制；根据使用估计的电池电流限制和可用功率限制而辨识的系统动态特性模型来操作牵引电池。

根据本发明，一种用于车辆控制的方法包括：使用在一时间段内测量的电池输入电流曲线和电池输出电压曲线来辨识牵引电池的系统动态特性模型；通过特征分解将辨识的系统动态特性模型转换为具有对角系统矩阵的状态空间模型，其中，所述对角系统矩阵由系统特征值构成；从所述状态空间模型估计电池电流限制和可用功率限制；根据估计的电池电流限制和可用功率限制来操作牵引电池。

在示例中，辨识系统动态特性模型的步骤包括辨识系统动态特性矩阵、输入矩阵和输出矩阵。

在示例中，辨识系统动态特性模型的步骤包括使用子空间辨识算法。

在示例中，辨识系统动态特性模型的步骤包括：使用从电池输出电压曲线减去电池内电阻两端的电压降而被操纵的电压曲线。

在示例中，辨识系统动态特性模型的步骤包括：使用预定时间段期间的电池输入电流曲线和所述时间段期间测量的端电压曲线来估计计算出的内电阻。

根据本发明的一个实施例，辨识系统动态特性模型的步骤包括：使用一个时间段期间的电池输入电流曲线和所述时间段期间测量的端电压曲线来估计内电阻。

在示例中，辨识系统动态特性模型的步骤包括：实时辨识系统动态特性模型。

附图说明

图1是可使用描述的系统和方法的混合动力电动车辆。

图2是用于混合动力电动车辆的电池的详细示图。

图3是系统控制器的示意图。

图4是根据各种示例的方法的流程图。

图5是根据各种示例的方法的流程图。

图6A至图6D是根据示例的实际的车辆参数和估计的车辆参数的各种曲线图。

图7A至图7B是根据示例的实际的车辆参数和估计的车辆参数的各种曲线图。

图8A至图8B是根据示例的实际的车辆参数和估计的车辆参数的各种曲线图。

图9示出用于车辆的计算装置的示意图。

具体实施方式

在此描述本公开的实施例。然而，应理解的是，所公开的实施例仅为示例，并且其它实施例可采用各种可替代形式。附图不必按比例绘制；可夸大或最小化一些特征以示出特定部件的细节。因此，在此公开的具体结构和功能细节不应被解释为限制，而仅为用于教导本领域技术人员以多种形式利用本发明的代表性基础。如本领域普通技术人员将理解的，参考任一附图说明和描述的各种特征可与一个或更多个其它附图中说明的特征组合以产生未明确说明或描述的实施例。说明的特征的组合提供用于典型应用的代表实施例。然而，与本公开的教导一致的特征的多种组合和变型可被期望用于特定应用或实施方式。

本公开的实施例总体上提供了多个电路或其它电子装置。当提及所述电路和其它电子装置以及由它们中的每一个提供的功能时，都不意在限于仅涵盖在此示出和描述的内容。虽然特定标号可被分配给公开的各种电路或其它电子装置，但是这样的标号不意在限制所述电路和其它电子装置的操作范围。可基于所期望的特定类型的电实现方式，按照任何方式将所述电路和其它电子装置彼此组合和/或分离。应该认识到，在此公开的任何电路或其它电子装置可包括任意数量的微处理器、集成电路、存储装置(例如，闪存、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或上述项的其它适当变型)和软件，它们彼此协作以执行在此公开的操作。此外，任意一个或更多个电子装置可被配置为执行在非暂时性计算机可读介质中实现的计算机程序，其中，计算机程序被编写为用于执行公开的任意数量的功能。

总体而言，本公开描述了用于确定牵引电池的参数并控制车辆的系统和方法。有时不能执行对电池参数的直接测量。电池系统模型用于估计电池参数。本公开描述了用于构建电池系统模型的各种系统和方法。这种电池系统模型可用于实时辨识电池参数。更具体地讲，本公开的示例提出了一种方法，所述方法用于通过子空间辨识方法来辨识电池系统，以提高辨识准确度并降低辨识的系统阶次，其中，所述子空间辨识方法结合有分开的纯动态部分和控制输入输出(throughput)部分。获得的离散状态空间模型被转换为连续状态空间模型，然后，连续状态空间模型可用于推导用于电池电流限制计算的表达式。然后因式分解(例如，谱分解或特征分解)可用于处理连续状态空间模型并推导用于电池电流限制预测的通用表达式。

示例包括使用子空间辨识方法来构建电池系统模型。子空间辨识方法可提供一些优点，例如，可从测量的数据中找出状态向量x(k)和初始值x(0)，可确定线性系统阶次，不需要非线性最优化并且不需要噪声信息。另一益处在于，与其它递归辨识方法(诸如，扩展卡尔曼滤波器(EKF)技术)相比，子空间辨识对噪声不太敏感。此外，由于噪声效应被固有辨识，因此子空间辨识的辨识性能比EKF的辨识性能更稳健。相反地，噪声协方差矩阵应在EKF中被确定以获得期望的辨识性能。

图1描绘了混合动力电动车辆(例如，插电式混合动力电动车辆)102的示例，插电式混合动力电动车辆102可包括机械连接至混合动力传动装置106的一个或更多个电动马达104。此外，混合动力传动装置106机械连接至发动机108。混合动力传动装置106还可以机械连接至驱动轴110，驱动轴110机械连接至车轮112。当发动机108开启时电动马达104能向车轮提供扭矩。电动马达104消耗电能(例如，来自电池114的电能)以提供用于推进车辆102的扭矩。当发动机108关闭时电动马达104能提供减速能力。电动马达104可被构造为发电机并且能通过回收在摩擦制动系统中通常将作为热量损失掉的能量而提供燃料经济性效益。由于在特定条件下混合动力电动车辆102可以以电动模式运转，因此电动马达104还可以减少污染排放。

牵引电池或电池组114储存电动马达104可以使用的能量。车辆电池组114通常可提供高电压DC输出。响应于电池功率需求而产生电池输出，其中，可根据作为驾驶员功率需求和发动机功率需求的函数的前馈电池功率值来计算电池功率需求，其中，驾驶员功率需求和发动机功率需求可相应地基于转速和扭矩被确定。电池组114电连接至电力电子模块116。电力电子模块116还电连接至电动马达104并且在电池组114和电动马达104之间提供双向传输能量的能力。例如，示例性的电池组114可以提供DC电压而电动马达104可能需要三相AC电来运转。电力电子模块116可以将DC电压转换为电动马达104需要的三相AC电。在再生模式下，电力电子模块116将来自作为发电机的电动马达104的三相AC电转换为电池组114所需要的DC电压。在此描述的方法同样适用于纯电动车辆或者使用电池组的任何其它装置。电池114可在车辆的特定使用期间经历退化。一种发生退化的使用是在高的荷电状态(SOC)下存放。温度也可能是退化的因素。电池退化针对特定类型的电池而被个体化。电池退化可包括电池114无法保持一定量的电荷(例如，在电池114中存储较少的千瓦小时或安培小时的电荷量)。

电池(或电池组)114除了提供用于推进的能量之外，还可以提供用于其它车辆电子系统的能量。示例性系统可以包括DC/DC转换器模块118，DC/DC转换器模块118将电池组114的高电压DC输出转换为与其它车辆负载兼容的低电压DC供应。其它高电压负载(诸如压缩机和电加热器)可以直接连接至从电池组114引出的高电压总线。在示例性车辆中，低电压系统可电连接至12V电池120。全电动车辆可以具有类似的配置，而只是没有发动机108。

电池组114可通过外部电源126进行再充电。电池电荷存储状态可作为荷电状态而被测量。外部电源126可以经由充电端口124通过电连接向车辆102提供AC或DC电力。充电端口124可以是被配置为从外部电源126向车辆102传输电力的任何类型的端口。充电端口124可以电连接至电力转换模块122。电力转换模块可以调节来自外部电源126的电力，以向电池组114提供适合的电压和电流水平。在一些应用中，外部电源126可以配置为向电池组114提供适合的电压和电流水平，因此，电力转换模块122可能不是必需的。在一些应用中，电力转换模块122的功能可以设置在外部电源126中。车辆发动机、变速器、电动马达、电池、电力转换器件以及电力电子器件可由动力传动系统控制模块(PCM)128控制。

除了示出插电式混合动力车辆之外，如果去除组件108，则图1可示出电池电动车辆(BEV)。同样，如果去除组件122、124和126，则图1可示出传统的混合动力电动车辆(HEV)或动力分流式混合动力电动车辆。图1还示出包括电动马达、电力电子模块116、DC/DC转换器模块118、电力转换模块122和电池组114的高电压系统。高电压系统和电池组包括高电压组件，高电压组件包括汇流条、连接器、高电压线以及电路中断装置。

车辆100还包括显示器130，显示器130可显示关于车辆状态(例如，电子系统和电池114的状态)的数据以及车辆使用/未使用的数据。数据产生器135可连接至显示器以计算并组织用于显示器130的数据。在示例中，显示器130可以显示如上所述而估计或确定的电池状态。

可以通过多种化学配方构建电池组中的独立电池单元。典型的电池组化学物质可包括但不限于铅酸、镍镉(NiCd)、镍金属氢化物(NIMH)、锂离子或锂离子聚合物。图2示出了N个电池单元模块202简单串联配置的示例电池组200。电池单元模块202可包含单个电池单元或并联电连接的多个电池单元。然而，电池组可以由串联、并联或它们的特定组合连接的电池单元模块以及任意数量的独立电池单元组成。示例系统可以具有监测并控制电池组200的性能的一个或更多个控制器，例如，电池控制模块(BCM)208。BCM208可以监测多个电池组水平特性，诸如由电流传感器206测量的电池组电流、电池组电压210以及电池组温度212。为了构建可靠的电池监测系统，在特定布置中，电流传感器206的性能可能是关键的。电流传感器的准确度对于估计电池荷电状态和容量可以是有用的。电流传感器可利用基于物理原理的多种方法来检测电流，电流传感器包括霍尔效应IC传感器、变压器或电流钳、电阻器(在电阻器中，电压与经过其的电流成正比)、利用干涉仪来测量由磁场产生的光的相位变化的光纤或罗氏线圈(Rogowskicoil)。在电池单元正在充电或放电使得进入或流出电池单元的电流超过阈值的事件中，电池控制模块可通过使用诸如熔断器或断路器的电路中断装置而使电池单元断开连接。

除了电池组的水平特性外，还可存在需要测量和监测的电池单元的水平特性。例如，可以测量每个电池单元的端电压、电流和温度。系统可利用传感器模块204来测量一个或更多个电池单元模块202的特性。该特性可包括电池单元电压、温度、寿命、充电/放电循环的次数等。典型地，传感器模块将测量电池单元电压。电池单元电压可以是单个电池的电压或者并联或串联电连接的一组电池的电压。电池组200可利用多达Nc个传感器模块204来测量所有电池单元202的特性。每个传感器模块204可以将测量结果传输至BCM208以进一步处理和协调。传感器模块204可以将模拟或数字形式的信号传输至BCM208。电池组200还可包含电池配电模块(batterydistributionmodule,BDM)214，BDM214控制电流流入电池组200和从电池组200流出。

图3示出参数估计的示意图300。电流i301被提供给电池从而产生参考电压v_ref303。参考电压v_ref303是电池的实际参考电压。电流301还被提供给可使用上述方法而被辨识的电池的辨识模型310，以输出估计电压由于估计电压313代表在车辆的特定状况下的估计值，因此估计电压313可在针对车辆的控制方案中被使用。辨识模型310可被存储在车辆的车载存储器中并被用于计算(例如，在模块或处理器中计算)，以估计电池114的状态。例如，模型310可确定估计的电池电流限制和可用功率限制。

图4示出用于电池参数估计的实施例的方法流程图400。在401，使用在某时间段内测量的电池输入电流曲线和电池输出电压曲线来辨识牵引电池的系统动态特性模型。所述时间段可被设置为一个小值，例如，100微秒或100微秒的倍数。所述时间段还可被设置为电池没有提供电流以使车辆运动或者未使车辆运动或未驱动车辆的时间。所述时间段还可被设置为电池不被充电的时间。在403，辨识的系统动态特性模型被转换为适于推导用于电池电流限制预测的显式表达式的状态空间模型。在示例中，所述状态空间模型具有对角系统矩阵，其中，对角系统矩阵基本由通过特征分解的系统特征值构成。在405，系统可使用转换后的系统动态特性模型来估计电池电流限制和可用功率限制。在407，车辆控制器可根据使用估计的电池电流限制和可用功率限制而被辨识的所述系统动态特性模型，来操作牵引电池。

图5示出用于电池参数估计的实施例的方法流程图500。在501，估计电池的内电阻R_o。可通过在先前的时间窗内获得的N个数据估计R_o。先前的时间窗可被设置为这样的时间段，在所述时间段期间，电池参数无需被更新并可基于车辆先前的测试数据或基于车辆使用历史。在示例中，R_o的估计值可以是：

$H_0={\hat{R}}_0=D=\{\begin{array}{cc}\frac{1}{N}\underset{k=1}{\overset{N}{\Σ}}(v_k-v_{k-1})/(i_k-i_{k-1}),& i_k\≠i_{k-1}\\ 0,& i_k=i_{k-1}\end{array}---\left(1\right)$

其中，v＝v_t-v_oc，v_t是电池端电压，v_oc是开路电压。然后，电池系统输

出可被表示为：状态空间模型被表示为：

x(k+1)＝A_dx(k)B_du(k)(2)

y(k)＝C_dx(k)(3)

在503，然后可应用用于子空间状态空间系统辨识的数值算法(anumericalalgorithmforsubspacestatespacesystemidentification，N4SID)。可使用其它子空间辨识算法，N4SID用作子空间辨识算法的例证。N4SID能使用测量的输入-输出数据来估计n_x阶状态空间模型。这种应用于当前电池状态确定的算法的示例等式为：

$Z_i=Y_{i|2i-1}/\left(\begin{array}{c}{U}_{0|i-1}\\ U_{i|2i-1}\\ Y_{0|i-1}\end{array}\right)=\left(\begin{array}{ccc}{L}_i^1& L_i^2& L_i^3\end{array}\right)\left(\begin{array}{c}{U}_{0|i-1}\\ U_{i|2i-1}\\ Y_{0|i-1}\end{array}\right)---\left(4\right)$

$Z_{i+1}=Y_{i+1|2i-1}/\left(\begin{array}{c}{U}_{0|i}\\ U_{i+1|2i}\\ Y_{0|i}\end{array}\right)---\left(5\right)$

其中，A/B＝AB^t(BB^t)^-1B(6)

其中，和是使用等式(6)计算出的i×j矩阵。

其中，

A/B的行空间等于A的行空间对B的行空间的投影。

在505，可通过但不限于以下过程来导出奇异值分解。

奇异值分解被导出为：

$\left(\begin{array}{cc}{L}_i^1& L_i^3\end{array}\right)\left(\begin{array}{c}{U}_{0|i-1}\\ Y_{0|i-1}\end{array}\right)=\left(\begin{array}{cc}{U}_1& U_2\end{array}\right)\left(\begin{array}{cc}{\mathrm{\Σ}}_1& 0\\ 0& 0\end{array}\right)V^t---\left(9\right)$

其中，Γ_i＝U₁Σ₁ ^1/2和Γ_i-1＝U₁Σ₁ ^1/2。

可通过以下等式计算系统矩阵：

$\left(\begin{array}{c}{\mathrm{\Γ}}_{i-1}^{*}{Z}_{i+1}\\ Y_{i|i}\end{array}\right)=\left(\begin{array}{cc}{K}_{11}& K_{12}\\ K_{21}& K_{22}\end{array}\right).\left(\begin{array}{c}{\mathrm{\Γ}}_i^{*}{Z}_i\\ U_{i|2i-1}\end{array}\right)+\left(\begin{array}{c}{\mathrm{\ρ}}_1\\ {\mathrm{\ρ}}_2\end{array}\right)---\left(10\right)$

辨识的离散状态空间模型的矩阵被确定为A_d＝K₁₁，B_d＝K₂₁，C_d和D_d分别取自K₁₂和K₂₂。

在另一示例中，可经由不同的N4SID算法(例如，近似解)确定所述矩阵。首先，例如使用以下等式来确定状态和

${\tilde{X}}_i={\mathrm{\Γ}}_i^{*}\left({\mathrm{\Γ}}_i^1{\mathrm{\Γ}}_i^3\right)\left(\begin{array}{c}{U}_{0|i-1}\\ Y_{0|i-1}\end{array}\right)---\left(11a\right)$

${\tilde{X}}_{i+1}={\mathrm{\Γ}}_{i+1}^{*}\left({\mathrm{\Γ}}_{i+1}^1{\mathrm{\Γ}}_{i+1}^3\right)\left(\begin{array}{c}{U}_{0|i}\\ Y_{0|i}\end{array}\right)---\left(11b\right)$

然后最小二乘解被应用：

$\left(\begin{array}{c}{\tilde{X}}_{i+1}\\ Y_{i|i}\end{array}\right)=\left(\begin{array}{cc}{\tilde{L}}_{11}& {\tilde{L}}_{12}\\ {\tilde{L}}_{21}& {\tilde{L}}_{22}\end{array}\right)\·\left(\begin{array}{c}{\tilde{X}}_i\\ U_{i|i}\end{array}\right)+\left(\begin{array}{c}{\mathrm{\ρ}}_1\\ {\mathrm{\ρ}}_2\end{array}\right)---\left(12\right)$

在507，所述矩阵可近似为：

$\left(\begin{array}{cc}{A}_d& B_d\\ C_d& D_d\end{array}\right)=\left(\begin{array}{cc}{\tilde{L}}_{11}& {\tilde{L}}_{12}\\ {\tilde{L}}_{21}& {\tilde{L}}_{22}\end{array}\right)---\left(13\right)$

这样，现在状态空间矩阵A_d、B_d、C_d和D_d已被辨识。通过这些矩阵，电池的电流限制的表达式可被辨识。

在509，离散状态空间矩阵被转换为连续矩阵。

通过连续状态表达式：

$\begin{array}{c}\stackrel{\·}{x}=Ax+Bu\\ y=Cx+Du\end{array}---\left(14\right)$

离散模型被表示为：

x_k+1＝(I+AΔt)x_k+BΔtu_k

＝A_dx_k+B_du_k

y_k＝Cx_k+Du_k(15)

＝C_dx_k+D_du_k

根据辨识的A_d、B_d、C_d和D_d，连续状态空间模型被推导为：

A＝(A_d-I)/Δt，B＝B_d/Δt，C＝C_d，D＝D_d。

一旦被转换为连续形式，则在511执行特征分解。用于特征分解的等式可以是：

A＝QΛQ^-1(16)

其中，Q是n×n矩阵，其第i列是基本特征向量q_i。Λ是对角矩阵，其对角元素是相应的特征值。

通过x来计算由特征向量表示的转换后的状态向量。

在513，通过以下等式来确定转换后的状态空间矩阵：

$\tilde{A}=\mathrm{\Λ}---\left(17a\right)$

$\tilde{B}=Q^{-1}B---\left(17b\right)$

$\tilde{C}=CQ---\left(17c\right)$

$\tilde{D}=D---\left(17d\right)$

其中，

例如，在515，既然转换后的状态空间矩阵被设置，则电池模型被辨识。可利用下面的等式来进行上述处理：

${\stackrel{\·}{\tilde{x}}}_i=-{\mathrm{\λ}}_i{\tilde{x}}_i+{\tilde{B}}_{i,1}u---\left(19a\right)$

$y=\underset{i}{\Σ}{\tilde{C}}_{1,i}{\tilde{x}}_i+\tilde{D}u---\left(19b\right)$

其中，y＝v_oc-v_t＝v₁+v₂，u＝i。

结果，在515，可通过以下等式来计算持续时间t＝t_d内的电池电流限制。

$i=\frac{v_{OC}-v_{\lim }-\underset{i}{\overset{n}{\mathrm{\Σ}}}{\tilde{C}}_{1,i}{\tilde{x}}_{i,0}{e}^{-{\mathrm{\λ}}_i{t}_d}}{R_0-\underset{i}{\overset{n}{\mathrm{\Σ}}}{\tilde{C}}_{1,i}\left(1-e^{-{\mathrm{\λ}}_i{t}_d}\right)\frac{{\tilde{B}}_{i,1}}{{\mathrm{\λ}}_i}}---\left(20\right)$

其中，v_lim是电池电压限制。对于放电，v_lim＝v_lb(电池电压下限)，对于充电，v_lim＝v_ub(电池电压上限)。

当n＝2时，所述等式被表示为：

$i=\frac{v_{OC}-v_{\lim }-{\tilde{C}}_{1,1}{\tilde{x}}_{1,0}{e}^{-{\mathrm{\λ}}_1{t}_d}-{\tilde{C}}_{1,2}{\tilde{x}}_{2,0}{e}^{-{\mathrm{\λ}}_2{t}_d}}{R_0-{\tilde{C}}_{1,1}\left(1-e^{-{\mathrm{\λ}}_1{t}_d}\right)\frac{{\tilde{B}}_{1,1}}{{\mathrm{\λ}}_1}-{\tilde{C}}_{1,2}\left(1-e^{-{\mathrm{\λ}}_2{t}_d}\right)\frac{{\tilde{B}}_{2,1}}{{\mathrm{\λ}}_2}}---\left(21\right)$

可针对电池的充电状态和放电状态，通过以下等式来计算功率限制：

P_lim＝|i_min|v_ub

P_lim＝|i_max|v_lb，

其中，P_lim是功率容量，v_ub是电池电压上限，i_min是绝对最小电流。在放电状态下，i_max是可从电池引出的最大电流。这样，所述系统可计算在充电事件或放电事件期间的电池瞬时功率容量。

在517，确定电池模型参数是否需要被更新。该确定可基于自上一更新起的时间而被触发。在另一示例中，车辆状况或使用可用于触发更新。

图6A示出的输入到电池中的电池电流(作为时间的函数)的曲线图，y轴表示安培数，x轴表示时间。

图6B示出电池的电池端电压(作为时间的函数)的曲线图，y轴表示伏特数，x轴表示时间。

图6C示出估计的电池中的电池内部状态(作为时间的函数)的曲线图，y轴表示伏特数，x轴表示时间。

图6D示出估计的电池中的电池内部状态(作为时间的函数)的曲线图，y轴表示伏特数，x轴表示时间。

图7A示出电池输入电流(作为时间的函数)的曲线图。

图7B示出电池电压的曲线图，电池电压包括v_ref和模型电压二者，其中，v_ref＝v_t-v_oc–R₀*i。图7B中的y轴标签是作为时间的函数的v_t-v_oc–R₀*i。如图所示，以虚线示出的模型电压紧密跟随参考电压v_ref。例如，Y轴比例不足够大以示出辨识的电池模型与参考信号不同。

图8A示出计算出的电池最大放电电流(作为时间的函数)的曲线图。使用在此描述的结构和方法来执行所述计算。该曲线图及其底层数据可用于控制车辆(例如，HEV102)的操作。

图8B示出计算出的电池最大充电电流(作为时间的函数)的曲线图。使用在此描述的结构和方法来执行所述计算。该曲线图及其底层数据可用于控制车辆(例如，HEV102)的操作。

图9示出以计算机系统900的示例形式的机器的图示，在计算机系统900中，指令集可被执行以使机器执行在此讨论的方法、处理、操作或方法论中的任何一个或更多个。HEV102可在一个或更多个计算机系统900上运转。HEV102可包括一个或更多个计算机系统900或计算机系统900的某部分的功能。

在示例性实施例中，机器操作为独立装置或可以连接(联网)到其它机器。在联网部署中，机器可在服务器-客户端网络环境下操作为具有服务器或客户机的能力，或者可在对等(或分布式)网络环境下操作为对等机器。机器可以是类似于或者包括以下机器的组件：服务器计算机、客户端计算机、个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、web应用、网络路由器、交换机或桥接器、或者任何能够(按顺序或不按顺序)执行指定将由机器执行的动作的指令集的机器。此外，虽然仅示出了一个机器，但是术语“机器”还应包括独立或联合地执行一个或多个指令集来执行在此讨论的任何一个或更多个方法的机器的任何集合。

示例性计算机系统900包括至少一个处理器902(例如，中央处理单元(CPU)、图形处理单元(GPU)、辅助处理器或它们的组合)、主存储器908和静态存储器914，它们都通过总线928相互进行通信。计算机系统900还可包括视频显示器906(例如，液晶显示器(LCD)、发光二极管(LED)或阴极射线管(CRT))。显示器906可位于车辆驾驶员仪表板上或者安装在车辆中。计算机系统900还包括字母数字输入装置912(例如，键盘或呈现键盘的触摸板)、游标控制装置916(例如，鼠标、触摸屏、控制杆、跟踪板等)、驱动单元920、信号产生装置926(例如，扬声器、喇叭或音频发生器)和网络接口装置918。

驱动单元920包括机器可读介质922，在机器可读介质922上存储有实现在此描述的一个或更多个方法或功能的一个或更多个指令集910(例如，软件)。在计算机系统900执行指令910期间，指令910还可完全或至少部分地驻留在主存储器908和/或处理器902中。主存储器908和处理器902也构成机器可读介质。

还可经由网络接口装置918通过可对数据进行编码和解码以用于传输的通信协议在网络924上发送或接收软件(例如，指令910)。软件指令910也可通过总线928来传送。

虽然在示例实施例中，机器可读介质(例如，元件922)被示出为单个介质，但是术语“机器可读介质”应包括存储所述一个或更多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或关联的高速缓存和服务器)。术语“机器可读介质”还应包括任何能够对用于机器执行并使机器执行本发明实施例的任何一个或更多个方法的指令集进行存储、编码或运载的介质。这样的介质可包括有形介质。术语“机器可读介质”应相应地包括但不限于总线、有形载波信号、固态存储器以及光学介质和磁介质。

在电气化车辆应用中，对于防止因过度充电和过度放电而导致的电池损坏和故障模式，实时预测功率容量是重要的。电池可被建模以允许电池管理系统(例如，车辆处理器、电路、模块或控制器)减小损坏或故障的可能性。在电气化车辆应用(诸如，电动车辆(EV)、插电式混合动力电动车辆(PHEV)和全电动车辆(FHEV))中的电池管理系统可使用电池模型辨识。然而，由于模型参数变化并非持续地如此快速，因此，电池模型辨识无需被持续执行。因此，电池模型辨识可根据需要而被执行。然而，辨识处理一旦开始就应在短时间段内被实时执行，使得随着所述处理在车辆中实施而使用更简单而高效的计算方案。本公开描述了用于通过子空间辨识方法来辨识电池系统的方法。

在此描述的电池模型辨识使用了状态空间辨识(statespaceidentification，SSID)。然而，如果电池电压数据被直接用于SSID，则辨识模型的阶次会趋于更高以再现原始电池响应。如这里所描述的，可在没有电流输入输出(throughput)的情况下表示电池系统动态特性。电池系统可被建模为包括内电阻R₀，其中，内电阻R₀通常被表示为在SSID中不使用的D矩阵。通过从用于SSID的系统响应中提取内电阻R₀，相信可利用更简单的形式和提高的准确性来辨识系统模型。作为结果，辨识问题分为两部分：R₀估计和系统动态特性估计。

虽然上面描述了示例性实施例，但并不意味着这些实施例描述本发明的所有可能形式。更确切地，说明书中使用的词语是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，可将各种实现的实施例的特征进行组合以形成本发明的进一步的实施例。

Claims (6)

1.一种车辆，包括：

牵引电池，包括多个电池单元；

至少一个控制器，被配置为实现状态估计器，其中，所述状态估计器被配置为输出基于牵引电池的内电阻的电池状态以及牵引电池的系统动态特性估计，其中，所述系统动态特性估计使用电压和内电阻的离散电池测量值，并且所述至少一个控制器根据所述状态估计器的输出来操作牵引电池。

2.如权利要求1所述的车辆，其中，所述系统动态特性估计将子空间辨识算法应用于近似系统矩阵。

3.如权利要求2所述的车辆，其中，所述控制器使用所述近似系统矩阵来推导用于从转换后的系统矩阵估计电流限制的表达式，其中，根据子空间辨识算法使用特征分解将所述近似系统矩阵转换为所述转换后的系统矩阵。

4.如权利要求2所述的车辆，其中，所述控制器使用估计的电池状态变量和计算出的内电阻来输出电池电流限制。

5.如权利要求1所述的车辆，其中，内电阻通过使用一个时间段期间的电池输入电流和计算出的电压而被估计，其中，所述计算出的电压从所述时间段期间的电池端电压被估计。

6.如权利要求1所述的车辆，其中，所述控制器还被配置为：

估计一个时间段内的内电阻；

使用子空间辨识算法来计算投影；

分解计算出的投影的奇异值；

根据所述奇异值辨识离散状态空间模型；

将所述离散状态空间模型转换为连续状态空间模型；

执行所述连续状态空间模型的系统矩阵的特征分解，以产生特征分解矩阵；

利用所述特征分解矩阵来转换电池模型，以产生转换后的矩阵；

基于所述转换后的矩阵来计算电池电流限制。