CN105607009A

CN105607009A - 一种基于动态参数模型的动力电池soc估计方法和系统

Info

Publication number: CN105607009A
Application number: CN201610070670.XA
Authority: CN
Inventors: 田勇; 田劲东; 李东; 夏必忠
Original assignee: Shenzhen University
Current assignee: Shenzhen University
Priority date: 2016-02-01
Filing date: 2016-02-01
Publication date: 2016-05-25
Anticipated expiration: 2036-02-01
Also published as: CN105607009B

Abstract

本发明公开了一种基于动态参数模型的动力电池SOC估计方法，包括以下步骤：进行放电-静置实验，拟合出SOC-OCV的关系表达式；进行脉冲放电-静置实验，辨识出电池等效电路模型的参数值；建立电池系统离散状态空间模型；对电池参数进行在线辨识；得到电池动态参数模型；对电池SOC进行在线估计。一种基于动态参数模型的动力电池SOC估计系统，包括：电池SOC-OCV关系表达式确定模块；电池参数离线辨识模块；电池参数在线辨识离散状态空间模型确定模块；电池参数在线辨识模块；电池动态参数确定模块；电池SOC估计离散状态空间模型确定模块；SOC估计模块。其提高了电池模型的精度，计算复杂度更低，可广泛应用于电动汽车动力电池管理系统领域。

Description

一种基于动态参数模型的动力电池SOC估计方法和系统

技术领域

本发明涉及电动汽车动力电池管理系统领域，具体为一种基于动态参数模型的动力电池SOC估计方法和系统。

背景技术

动力电池作为电动汽车的动力源，是电动汽车最为关键的核心部件之一，直接影响到电动汽车的续航里程、加速能力以及最大爬坡度等性能指标。电池管理系统(BatteryManagementSystem，BMS)，负责对电池的状态监测、电量均衡、热管理、能量分配等诸多方面进行协调管理，对延长电池使用寿命、提高电池安全性、降低电池全生命周期使用成本等具有重要意义。荷电状态(StateofCharge，SOC)是反映电池剩余电量及做功能力的一项重要指标，是电池充放电控制、健康状态监测、能量分配以及电量均衡等的重要依据。然而，电池SOC受温度、电流、循环次数等诸多因素的影响，具有明显的不确定性和很强的非线性，因此SOC在线估计被认为是电池管理系统研究与设计的核心和难点技术。

目前，国内外报道的动力电池SOC估计方法主要包括：内阻法、安时积分法(也称库仑计量法)、开路电压法、神经网络法、卡尔曼滤波法和观测器法等。其中，内阻法依据电池内阻和SOC之间的函数关系，通过检测电池内阻来计算电池SOC，然而在线、准确地测量电池内阻存在困难，限制了该方法在实际工程中的应用。安时积分法虽然原理简单、易于实现，但是无法消除SOC的初始误差以及因电流测量不准确而引起的累计误差。开路电压法根据开路电压(Open-CircuitVoltage，OCV)和SOC的对应关系来计算电池SOC，需要将电池充分静置后才能测量OCV，因此不适用于SOC的在线估计。神经网络法，需要大量的训练样本，在实际应用中我们不可能得到能够覆盖所有实际工况的样本数据，因此其精度将受到一定的影响，而且该方法计算量大难以在硬件中实现。卡尔曼滤波法和观测器法，都能很好地修正电池SOC的初始误差，且具有良好的抗噪能力，然而它们对模型精度的要求非常高，且卡尔曼滤波的计算开销相对较大。动力电池是个复杂的非线性动力系统，电池参数明显受到温度、电流、老化等诸多因素的影响，因此卡尔曼滤波和观测器法在实际工况下的精度难以保证。

综上可知，现有的电池SOC估计方法在实际应用中，都不同程度地存在一定不便和缺陷，因此有必要做进一步的改进。其中，卡尔曼滤波和观测器法具有较好的误差修正能力和抵抗噪声能力，然而它们的精度都明显地依赖于电池模型的精度。

发明内容

为了解决上述技术问题，本发明的目的是提供一种精准度高、适应性强、计算量小的动力电池SOC估计方法和系统。

本发明所采用的技术方案是：一种基于动态参数模型的动力电池SOC估计方法，包括以下步骤：

对动力电池进行间歇性放电-静置实验，根据所得实验数据拟合出SOC-OCV的关系表达式；

在不同的SOC处对电池进行恒定电流的脉冲放电-静置实验，记录期间的电压响应，根据所得电压响应曲线辨识出不同SOC值所对应的电池等效电路模型的参数值；

建立用于参数在线辨识的电池系统离散状态空间模型；

根据所述离散状态空间模型对电池参数进行在线辨识；

得到电池的动态参数模型；

建立用于SOC估计的电池系统离散状态空间模型；

对电池SOC进行在线估计。

作为该技术方案的改进，所述电池参数采用无迹卡尔曼滤波器进行在线辨识。

作为该技术方案的改进，所述无迹卡尔曼滤波器的系数矩阵包括过程噪声协方差矩阵和测量噪声协方差矩阵。

作为该技术方案的改进，所述在线辨识得到的电池参数进行滤波处理。

作为该技术方案的进一步改进，所述滤波方法采用滑动均值滤波。

作为该技术方案的进一步改进，所述SOC估计的算法采用自适应非线性观测器进行在线估计。

作为该技术方案的进一步改进，所述自适应非线性观测器的增益矩阵的取值根据系统观测误差自适应地进行调整。

作为该技术方案的进一步改进，所述SOC估计是基于电池动态参数模型来实现的。

本发明还提供一种基于动态参数模型的动力电池SOC估计系统，包括：

动力电池SOC-OCV关系表达式确定模块，用于对动力电池进行间歇性放电-静置实验，根据所得实验数据拟合出SOC-OCV的关系表达式；

动力电池参数离线辨识模块，用于在不同的SOC处对电池进行恒定电流的脉冲放电-静置实验，记录期间的电压响应，根据所得电压响应曲线辨识出不同SOC值所对应的电池等效电路模型的参数值；

动力电池参数在线辨识离散状态空间模型确定模块，用于建立用于参数在线辨识的电池系统离散状态空间模型；

电池参数在线辨识模块，用于根据所述离散状态空间模型对电池参数进行在线辨识；

电池动态参数确定模块，用于得到电池的动态参数模型；

动力电池SOC估计离散状态空间模型确定模块，用于建立用于SOC估计的电池系统离散状态空间模型；

动力电池SOC估计模块，用于对电池SOC进行在线估计。

本发明的有益效果是：本发明采用了基于动态参数模型的动力电池SOC估计策略，其中，电池的动态参数模型是根据电池的离散状态空间模型并采用无迹卡尔曼滤波器对模型参数进行在线辨识得到，电池SOC的估计值是根据电池的离散状态空间模型并采用自适应非线性观测器计算得到；相较于传统的参数离线辨识方法和传统的卡尔曼滤波、滑模观测器和神经网络等方法，本发明提高了电池模型的精度，同时降低了算法的复杂程度和计算开销。

附图说明

下面结合附图对本发明的具体实施方式作进一步说明：

图1是本发明第一实施例的电池SOC估计方法的流程图；

图2为本发明第二实施例电池SOC和OCV之间的关系曲线；

图3为本发明第三实施例电池一阶RC等效电路模型的示意图；

图4为本发明第四实施例电池参数在线辨识和离线辨识结果的欧姆电阻图；

图5为本发明第五实施例电池参数在线辨识和离线辨识结果的极化电阻图；

图6为本发明第六实施例电池参数在线辨识和离线辨识结果的极化电容图；

图7为本发明第七实施例电池变电流放电电流曲线图；

图8为本发明第八实施例电池变电流放电电压曲线图；

图9为本发明第九实施例电池SOC估计结果图；

图10为本发明第十实施例电池SOC估计结果的误差图；

图11为本发明第十一实施例电池SOC估计装置的功能模块图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

参照图1是本发明第一实施例的电池SOC估计方法的流程图。一种基于动态参数模型的动力电池SOC估计方法，包括以下步骤：

建立用于参数在线辨识的电池系统离散状态空间模型；

根据所述离散状态空间模型对电池参数进行在线辨识；

得到电池的动态参数模型；

建立用于SOC估计的电池系统离散状态空间模型；

对电池SOC进行在线估计。

具体为：

S101、在室温条件下对动力电池进行间歇放电-静置实验，根据所得实验数据拟合出SOC-OCV的关系表达式并作为SOC估计过程中求取不同SOC值对应的OCV值的基准。

作为本发明的一个实施例，图2给出了采用5阶多项式算子拟合得到的SOC-OCV关系曲线与实验结果，其中，采用5阶多项式拟合得到的SOC-OCV关系表达式为：

SOC＝12.5801×SOC⁵-35.3081×SOC⁴+36.3924×SOC³-

16.7012×SOC²+4.0110×SOC+3.2030

S102、参照图3，在不同的SOC处采用恒定电流值对电池进行脉冲放电-静置实验，记录期间的电压响应，根据所得电压响应曲线辨识出不同SOC值对应的电池等效电路模型的各参数值；

作为本发明的一个实施例，参照图4—图6，其采用了指数拟合方法离线辨识得到电池等效模型的各参数。指数拟合的原理和使用方法是本领域技术人员所能理解和掌握的，在此不再赘述。

S103、建立用于电池参数在线辨识的离散状态空间模型1；

作为本发明的一个实施例，参照图3，根据电池的一阶RC等效电路模型建立电池参数在线辨识的离散状态空间模型的过程为：

步骤(3.1)推导出电池一阶RC等效电路模型的传递函数：

G (s) = \frac{V_{o c} (s) - V_{t} (s)}{I_{t} (s)} = \frac{V_{d} (s)}{I_{t} (s)} = R_{o} + \frac{R_{p}}{R_{p} C_{p} s}

步骤(3.2)采用双极性变换法(T_s为采样周期)对步骤(3.1)所得传递函数进行离散化：

G (z^{- 1}) = \frac{V_{d} (z^{- 1})}{I_{t} (z^{- 1})} = \frac{b_{0} + b_{1} z^{- 1}}{1 + a_{1} z^{- 1}}

其中，

a_{1} = \frac{T_{s 1} - 2 R_{p} C_{p}}{T_{s 1} + 2 R_{p} C_{p}}

b_{0} = \frac{R_{o} T_{s 1} + R_{p} T_{s 1} + 2 R_{o} R_{p} C_{p}}{T_{s 1} + 2 R_{p} C_{p}}

b_{1} = \frac{R_{o} T_{s 1} + R_{p} T_{s 1} - 2 R_{o} R_{p} C_{p}}{T_{s 1} + 2 R_{p} C_{p}}

其中，R_o为欧姆电阻，R_p和C_p分别为极化电阻和电容，T_s1为用于电池参数在线辨识的电流和电压的采样周期。

步骤(3.3)将步骤(3.2)所得离散化传递函数写成差分方程形式：

V_d(k+1)＝a₁V_d(k)+b₀I_t(k+1)+b₁I_t(k)

步骤(3.4)由步骤(3.3)所得差分方程得到电池等效电路的离散状态空间模型：

状态方程：x(k+1)＝A₁x(k)+B₁u(k+1)

输出方程：y(k+1)＝C₁x(k+1)+D₁u(k+1)

其中，u＝0，x＝[x₁x₂x₃]^T＝[a₁b₀b₁]^T，y＝V_d＝V_oc-V_t

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

C₁＝[V_d(k)I_t(k+1)I_t(k)]，B₁＝D₁＝0

其中，I_t表示电池端电流，V_t表示端电压，V_oc代表开路电压。

S104、采用无迹卡尔曼滤波器对电池等效电路模型的参数进行在线辨识，并根据与离线辨识结果之间的误差调整滤波器的参数矩阵；

步骤(4.1)根据步骤(3.4)建立的电池离散状态空间模型，采用无迹卡尔曼滤波算法对参数向量[a₁b₀b₁]进行在线辨识；

步骤(4.2)根据步骤(4.1)辨识得到的参数向量[a₁b₀b₁]，计算出电池等效电路模型参数：

R_{o} = \frac{b_{0} - b_{1}}{1 + a_{1}}

R_{p} = \frac{2 (a_{1} b_{0} + b_{1})}{1 - a_{1}^{2}}

C_{p} = \frac{T_{s} {(1 + a_{1})}^{2}}{4 (a_{1} b_{0} + b_{1})}

步骤(4.3)调整无迹卡尔曼滤波器的系数矩阵；

其中，所述用于参数在线辨识的无迹卡尔曼滤波器的系数矩阵包括过程噪声协方差矩阵Q_k和测量噪声协方差矩阵R_k，它们的取值需要根据参数在线辨识与离线辨识结果之间的均方误差大小进行反复调整，直到在线辨识结果达到指定的精度要求为止；

其中，所述用于参数在线辨识的无迹卡尔曼滤波器的状态变量初始协方差矩阵P₀和状态变量初值x₀可以任意指定。

S105、对步骤(4.2)的参数辨识结果进行滑动均值滤波，得到电池的动态参数模型。所述电池动态参数模型是通过对电池参数进行在线辨识来获得；所述电池参数在线辨识算法采用的是无迹卡尔曼滤波器；所述用于电池参数在线辨识的无迹卡尔曼滤波器的系数矩阵的取值是通过反复调整以使参数在线辨识与离线辨识结果之间的误差达到指定的精度要求的方法来确定的；所述通过无迹卡尔曼滤波器在线辨识得到的电池参数还进一步地做了滤波处理；所述滤波方法采用的是滑动均值滤波。

作为本发明的一个实施例，图7—图8给出了用于测试电池参数在线辨识的电池端电流和电压，图4—图6给出了参数在线辨识结果与离线辨识结果的比较。

S106、建立用于电池SOC估计的离散状态空间模型2；

作为本发明的一个实施例，根据电池的一阶RC等效电路模型(附图3)建立电池SOC估计的离散状态空间模型：

状态方程：x(k+1)＝A₂x(k)+B₂u(k+1)

输出方程：y(k)＝h(x(k))+D₂u(k)

其中，u＝I_t，x＝[x₁x₂]^T＝[V_cpSOC]^T，y＝V_t，

A_{2} = [\begin{matrix} 1 - \frac{T_{s 2}}{R_{p} C_{p}} & 0 \\ 0 & 1 \end{matrix}], B_{2} = [\begin{matrix} T_{s 2} / C_{p} \\ T_{s 2} / Q_{n} \end{matrix}],

h(x)＝V_oc-V_cp＝f_ocv(SOC)-V_cp，D₂＝R_o。

其中，I_t表示电池端电流，R_o表示欧姆内阻，R_p和C_p分别表示极化内阻和极化电容，V_cp表示极化电容的端电压，V_oc代表开路电压，h(·)为电池OCV与SOC之间的非线性函数关系，Q_n为电池额定容量，T_s2为用于电池SOC估计的电流和电压的采样周期。

S107、基于电池的动态参数模型并采用自适应非线性观测器计算电池SOC的估计值。所述SOC估计是基于电池动态参数模型来实现的。

步骤(7.1)确定用于计算电池SOC估计值的自适应非线性观测器的增益矩阵系数，方法如下：

手动选取不同的增益矩阵系数计算电池SOC的估计值，直到估计值与参考值的均方误差达到期望的水平为止。

步骤(7.2)根据步骤S105得到电池等效电路模型参数，更新步骤S106中各系数矩阵A₂、B₂、C₂和D₂的值；

步骤(7.3)采用步骤(7.1)确定的自适应非线性观测器计算得到SOC的估计值。所述SOC估计算法采用的是自适应非线性观测器，所述非线性观测器的增益矩阵的取值根据系统观测误差自适应地进行调整。

作为本发明的一个实施例，图9—图10给出了在图7—图8所示工况下的电池SOC估计结果。

为便于本领域技术人员更好的理解和掌握本发明的相关方法，现将无迹卡尔滤波器(UKF)算法的详细实现步骤阐述如下：

(1)计算加权系数

W_{i}^{m} = \frac{λ}{N + λ}

W_{0}^{c} = \frac{λ}{N + λ} + (1 - α^{2} + β)

W_{i}^{m} = W_{i}^{c} = \frac{1}{2 (N + λ)}, (i = 1, 2, ..., 2 N)

λ＝α²(N+κ)-N

式中，N表示状态变量的维数，对于本发明所述方法，由于状态变量为系数矩阵[a₁b₀b₁]^T，因此N＝3；α和κ反映Sigma采样点在其均值附近的分布情况，α通常在0到1之间取值，κ的默认取值为0；β用来表示有关分布的高阶先验信息，对于高斯分布可取β＝2。

(2)生成Sigma点集

{\hat{χ}}_{k - 1}^{[0]} = {\hat{x}}_{k - 1}

{\hat{χ}}_{k - 1}^{[i]} = {\hat{x}}_{k - 1} + {(\sqrt{(N + λ) P_{k}})}_{i}, (i = 1, 2, ..., N)

{\hat{χ}}_{k - 1}^{[N + i]} = {\hat{x}}_{k - 1} - {(\sqrt{(N + λ) P_{k}})}_{i}, (i = 1, 2, ..., N)

式中，P_k为状态变量的协方差。

(3)时间更新

(χ_k)_i＝Aχ_k-1+Bu_k(i＝0,1,…,2N)

{\hat{\overset{&OverBar;}{x}}}_{k} = Σ_{i = 0}^{2 N} W_{i}^{m} {(χ_{k})}_{i}

{\overset{&OverBar;}{P}}_{k} = Σ_{i = 0}^{2 N} W_{i}^{c} ({(χ_{k})}_{i} - {\hat{\overset{&OverBar;}{x}}}_{k}) {({(χ_{k})}_{i} - {\hat{\overset{&OverBar;}{x}}}_{k})}^{T} + Q_{k}

(y_k)_i＝C(χ_k-1)_i+Du_k(i＝0,1,…,2N

{\hat{\overset{&OverBar;}{y}}}_{k} = Σ_{i = 0}^{2 N} W_{i}^{m} {(y_{k})}_{i}

式中，Q_k为过程噪声的协方差，为状态变量协方差的预测值。

(4)测量更新

{\overset{&OverBar;}{P}}_{y} = Σ_{i = 0}^{2 N} W_{i}^{c} ({(y_{k})}_{i} - {\hat{\overset{&OverBar;}{y}}}_{k}) {({(y_{k})}_{i} - {\hat{\overset{&OverBar;}{y}}}_{k})}^{T} + R_{k}

{\overset{&OverBar;}{P}}_{x y} = Σ_{i = 0}^{2 N} W_{i}^{c} ({(χ_{k})}_{i} - {\hat{\overset{&OverBar;}{x}}}_{k}) {({(y_{k})}_{i} - {\hat{\overset{&OverBar;}{y}}}_{k})}^{T}

式中，R_k为测量噪声的协方差，为输出变量协方差的预测值，为输出变量与状态变量协方差的预测值。

K_{k} = {\overset{&OverBar;}{P}}_{x y} {\overset{&OverBar;}{P}}_{y}^{- 1}

{\overset{&OverBar;}{x}}_{k} = {\hat{\overset{&OverBar;}{x}}}_{k} + K_{k} (y_{k} - {\hat{\overset{&OverBar;}{y}}}_{k})

P_{k} = {\overset{&OverBar;}{P}}_{k} - K_{k} {\overset{&OverBar;}{P}}_{y} K_{k}^{T}

式中，K_k为卡尔曼滤波增益。

为便于本领域技术人员更好的理解和掌握本发明的相关方法，现将自适应非线性观测器(ANLO)算法的详细实现步骤阐述如下：

(1)建立电池系统的状态空间模型：

系统方程：x(k+1)＝Ax(k)+Bu(k+1)

输出方程：y(k)＝h(x(k))+Du(k)

(2)计算状态和输出的估计值：其中，状态估计值：

\hat{x} (k + 1) = A \hat{x} (k) + B u (k + 1) + K (k + 1) {\overset{\cdot}{h}}^{T} (\hat{x} (k)) (y (k) - \hat{y} (k))

输出估计值：

\hat{y} (k) = h (\hat{x} (k)) + D u (k)

其中，和分别代表状态变量和输出变量的估计值，表示非线性函数矩阵h的一阶导数。

其中，非线性观测器的增益矩阵K的取值必须满足以下条件：

A^TK^-1+K^-1A＝-Q

其中，矩阵Q须满足条件：(1)与A同秩；(2)所有特征值大于零，由此可知矩阵K与K^-1均为正定矩阵。作为本发明的一个实施例，系统状态空间方程的阶数为2(即有2个状态变量)，因此K的取值有如下形式：

K = [\begin{matrix} a_{11} k_{1} & 0 \\ 0 & a_{22} k_{2} \end{matrix}]

其中，a_ij为A的第i行j列元素，k_i＝α_i+β_i×|e_y|/(|e_y|+0.01)(i＝1,2,3)，α_i和β_i为大于零的实数，需根据实际应用取值，e_y表示输出误差。

相应于上述的方法实施例，本发明实施例还提供一种基于动态参数模型的动力电池SOC估计装置，如图11所示，该动力电池SOC估计装置可以包括：

动力电池SOC-OCV关系表达式确定模块，用于对动力电池进行间歇性放电-静置实验，根据所得实验数据拟合出SOC-OCV的关系表达式；动力电池SOC-OCV关系表达式确定模块201，用于确定电池荷电状态(SOC)估计过程中根据当前SOC值计算当前开路电压(OCV)值时所需要的SOC与OCV之间的函数关系表达式。

动力电池参数离线辨识模块，用于在不同的SOC处对电池进行恒定电流的脉冲放电-静置实验，记录期间的电压响应，根据所得电压响应曲线辨识出不同SOC值所对应的电池等效电路模型的参数值；动力电池参数离线辨识模块202，用于离线计算不同SOC值对应的电池参数值，并作为用于电池参数在线辨识的无迹卡尔曼滤波器系数矩阵调整的依据；

其中，离线辨识方法可以采用指数拟合、最小二乘法等算法。

动力电池参数在线辨识离散状态空间模型确定模块，用于建立用于参数在线辨识的电池系统离散状态空间模型；动力电池参数在线辨识离散状态空间模型确定模块203，用于建立用于电池参数在线辨识的电池系统离散状态空间方程。

电池参数在线辨识模块，用于根据所述离散状态空间模型对电池参数进行在线辨识；无迹卡尔曼滤波器系数矩阵调整及电池参数在线辨识模块204，用于在线辨识动力电池参数；

其中，电池参数在线辨识方法采用的是无迹卡尔曼滤波器；

其中，无迹卡尔曼滤波器的系数矩阵(包括过程噪声协方差矩阵Qk和测量噪声协方差矩阵Rk和状态变量初始协方差矩阵P0)的取值需要根据参数在线辨识与离线辨识结果之间的均方误差大小进行反复调整，直到在线辨识结果达到指定的精度要求为止；

其中，无迹卡尔曼滤波器的状态变量初始协方差矩阵P0和状态变量初值x0可以任意指定。

电池动态参数确定模块，用于得到电池的动态参数模型；动力电池参数滑动均值滤波模块205，用于对电池参数的在线辨识结果作滤波处理，以减少噪声的影响、提高电池参数的稳定性。

动力电池SOC估计离散状态空间模型确定模块，用于建立用于SOC估计的电池系统离散状态空间模型；动力电池SOC估计离散状态空间模型确定模块206，用于建立用于电池SOC估计的离散状态空间方程。

动力电池SOC估计模块，用于对电池SOC进行在线估计。动力电池SOC估计模块207，用于计算电池SOC的估计值；

其中，所述电池SOC的估计算法采用的是自适应非线性观测器；

其中，所述非线性观测器的增益矩阵K能够根据观测误差作自适应调整；

其中，所述电池SOC估计值的计算是基于动态参数模型的。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种基于动态参数模型的动力电池SOC估计方法，其特征在于，包括以下步骤：

建立用于参数在线辨识的电池系统离散状态空间模型；

根据所述离散状态空间模型对电池参数进行在线辨识；

得到电池的动态参数模型；

建立用于SOC估计的电池系统离散状态空间模型；

对电池SOC进行在线估计。

2.根据权利要求1所述的基于动态参数模型的动力电池SOC估计方法，其特征在于：所述电池参数采用无迹卡尔曼滤波器进行在线辨识。

3.根据权利要求2所述的基于动态参数模型的动力电池SOC估计方法，其特征在于：所述无迹卡尔曼滤波器的系数矩阵包括过程噪声协方差矩阵和测量噪声协方差矩阵。

4.根据权利要求3所述的基于动态参数模型的动力电池SOC估计方法，其特征在于：所述在线辨识得到的电池参数进行滤波处理。

5.根据权利要求4所述的基于动态参数模型的动力电池SOC估计方法，其特征在于：所述滤波方法采用滑动均值滤波。

6.根据权利要求5所述的基于动态参数模型的动力电池SOC估计方法，其特征在于：所述SOC估计的算法采用自适应非线性观测器进行在线估计。

7.根据权利要求6所述的基于动态参数模型的动力电池SOC估计方法，其特征在于：所述自适应非线性观测器的增益矩阵的取值根据系统观测误差自适应地进行调整。

8.根据权利要求7所述的基于动态参数模型的动力电池SOC估计方法，其特征在于：所述SOC估计是基于电池动态参数模型来实现的。

9.一种基于动态参数模型的动力电池SOC估计系统，其特征在于，包括：

电池动态参数确定模块，用于得到电池的动态参数模型；

动力电池SOC估计模块，用于对电池SOC进行在线估计。