CN105842627A - 基于数据模型融合的动力电池容量和荷电状态的估计方法 - Google Patents

Abstract

本发明涉及动力电池参数和状态的估计领域，尤其涉及一种基于数据模型融合的动力电池容量和荷电状态的估计方法。为提高电动车辆动力电池荷电状态的估计精度，本发明提出一种基于数据模型融合的动力电池容量和荷电状态的估计方法，对动力电池进行老化实验，得出由动力电池在不同老化程度下的开路电压、荷电状态和可用容量形成的三维响应面关系，建立动力电池的等效电路模型，输入动力电池的实测端电压和充放电电流到动力电池的模型方程中，辨识出动力电池的等效电路模型的模型参数以及动力电池的最大可用容量和荷电状态初始值，估计出动力电池的荷电状态。本发明方法可对不同老化程度的动力电池的容量和荷电状态进行估计，实用性强，估计精度较高。

Description

基于数据模型融合的动力电池容量和荷电状态的估计方法

技术领域

本发明涉及动力电池参数和状态的估计领域，尤其涉及一种基于数据模型融合对电动车辆的车载动力电池的容量和荷电状态进行估计的方法。

背景技术

以电动车辆为主的新能源汽车是我国战略新兴产业之一，也是“中国制造2025”重点推进的领域之一。动力电池是电动车辆的核心部件，因此，动力电池的参数及状态的估计精准度直接影响电动车辆应用的安全性和可靠性。

近年来，动力电池的荷电状态(state of charge，简称SOC)的估计一直是学术界和工业界研究的热点，并且已经取得了一定的成就。但是，目前，对动力电池的荷电状态SOC进行估计时，多是采用确定的最大可用容量对动力电池的荷电状态进行估计，而在实际使用过程中，动力电池的最大可用容量会随着动力电池的老化而逐渐退化，所以，利用确定的最大可用容量对动力电池的荷电状态SOC进行估计，难以保证估计结果的合理性和可靠性，进而易因荷电状态SOC估计不准确而导致动力电池过充、过放以及滥用，甚至发生安全故障。

发明内容

为提高电池车辆的动力电池的荷电状态的估计精度低，本发明提出一种基于数据模型融合的动力电池容量和荷电状态的估计方法，该方法包括如下步骤：

步骤1，建立由所述动力电池在不同的老化程度下的开路电压、荷电状态和可用容量形成的三维响应面

在相同温度下，对所述动力电池进行老化实验，采集所述动力电池在不同老化程度下的开路电压U_OC以及与该开路电压U_OC相对应的荷电状态z和可用容量，建立由所述动力电池在不同老化程度程度下的开路电压U_OC以及与该开路电压U_OC相对应的荷电状态z和可用容量形成的三维响应面，且U_OC＝f(z,Q_max)，

其中，

f为所述动力电池的开路电压函数，

Q_max为所述动力电池的最大可用容量；

步骤2，建立所述动力电池的等效电路模型；

步骤3，估计所述动力电池的最大可用容量Q_max和荷电状态z

首先，根据所述动力电池的等效电路模型建立所述动力电池的模型方程；

然后，在所述动力电池充放电过程中，在一段连续时间段T内对所述动力电池的实测端电压U和充放电电流I进行采样，采样时间间隔为Δt；

接着，将z＝g(z₀，Q_max)和U_OC＝f(z，Q_max)带入到所述动力电池的模型方程中，并将采样得到的实测端电压U和充放电电流I输入到所述动力电池的模型方程中，辨识出所述动力电池的等效电路模型的模型参数以及所述动力电池的最大可用容量Q_max和荷电状态初始值z₀，

其中，g为所述动力电池的荷电状态函数；

最后，根据所述动力电池的最大可用容量Q_max和荷电状态初始值z₀估计出所述动力电池的荷电状态z。

本发明方法对动力电池的最大可用容量和荷电状态进行离线估计时，利用由动力电池在不同老化程度下的开路电压以及与该开路电压相对应的荷电状态、可用容 量形成的三维响应面和动力电池的等效电路模型配合，并在对动力电池的等效电路模型的模型参数进行辨识时，直接辨识得出动力电池的最大可用容量和荷电状态初始值，并根据动力电池的最大可用容量和荷电状态初始值估计出动力电池的荷电状态，计算简单，计算量小，且估计精度较高。

优选地，在所述步骤1中，采集所述动力电池的可用容量、开路电压U_OC及荷电状态z时的采样时间间隔Δt'为定值，便于采集数据，且采集到的动力电池的可用容量及荷电状态z呈等量递减，便于绘制三维响应面。

优选地，在对所述动力电池进行老化实验时，所述动力电池所处老化程度为循环0次、失效状态和失效的中间状态，对多种老化程度下的动力电池进行老化实验，提高制得的三维响应面的准确性。

优选地，在所述步骤2中，所建立的所述动力电池的等效电路模型为具有一状态滞后的一阶RC网络等效电路模型，且所述模型方程为：

其中，

U_D,k为所述动力电池在充放电过程中k时刻的极化电压，

U_D,k+1为所述动力电池在充放电过程中k+1时刻的极化电压，

τ_D为所述动力电池的等效电路模型中的RC网络的时间常数，且τ_D＝R_DC_D，

R_D为所述动力电池的等效电路模型中的RC网络的极化电阻，

C_D为所述动力电池的等效电路模型中的RC网络的极化电容，

κ为衰减因子，

I_k为所述动力电池在充放电过程中k时刻的充放电电流，

h_k为所述动力电池在充放电过程中k时刻的滞后电压，

h_k+1为所述动力电池在充放电过程中k+1时刻的滞后电压，

H为所述动力电池的滞后电压的最大值，

U_k为所述动力电池在充放电过程中k时刻的实测端电压，

R_o为所述动力电池的欧姆内阻。

采用具有一状态滞后的RC网络等效电路作为动力电池的等效电路，将动力电池在充放电过程中因充放电电流的大小变化引起的滞后电压引入到动力电池的等效电路中，建立的动力电池的等效电路模型更为准确。

优选地，在所述步骤3中，

其中，t为所述动力电池进行充放电时的充放电时间。

优选地，在所述步骤3中，采用遗传算法对由所述动力电池的等效电路模型的模型参数以及所述动力电池的最大可用容量Q_max和荷电状态初始值z₀形成的优化变量进行辨识，其中，

为所述动力电池充电时的欧姆内阻，

为所述动力电池放电时的欧姆内阻，

H⁺为所述动力电池充电时的滞后电压，

H^-为所述动力电池放电时的滞后电压。

优选地，在进行辨识时，设定目标函数

其中，U_L为所述动力电池的估计端电压，

n为采样得到的所述动力电池的实测端电压U和充放电电流I数据的长度，且

设定约束条件为

其中，

C_min为所述动力电池的最大可用容量Q_max的最小值，C_max为所述动力电池的最大可用容量Q_max的最大值，

为所述动力电池的充电时的欧姆内阻的最小值，为所述动力电池充电时的欧姆内阻的最大值，

为所述动力电池放电时的欧姆内阻的最小值，为所述动力电池放电时的欧姆内阻的最大值，

κ_min为所述衰减因子κ的最小值，κ_max为所述衰减因子κ的最大值，

为所述动力电池充电时的滞后电压H⁺的最小值，为所述动力电池充电时的滞后电压H⁺的最大值，

为所述动力电池放电时的滞后电压H^-的最小值，为所述动力电池放电时的滞后电压H^-的最大值，

R_{D min}为所述动力电池的RC网络的极化电阻R_D的最小值，R_{D max}为所述动力电池的RC网络的极化电阻R_D的最大值，

τ_{D min}为所述动力电池的RC网络的时间常数τ_D的最小值，τ_{D max}为所述动力电池的RC网络的时间常数τ_D的最大值。

优选地，采用安时积分法根据所述动力电池的最大可用容量Q_max和荷电状态初始值z₀估计出所述动力电池的荷电状态z，估计步骤简单、方便。

使用本发明方法对动力电池的最大可用容量和荷电状态进行估计时，采用由动力电池在不同老化程度下的开路电压、荷电状态及可用容量形成的三维响应面和动力电池的等效电路模型配合，通过参数辨识得出动力电池的最大可用容量和荷电状态初始值，并根据动力电池的最大可用容量和荷电状态初始值估计出动力电池的荷电状态，计算简单，计算量小，且估计得出的最大可用容量的相对误差在3％以内，荷电状态初始值的相对误差在2％以内，荷电状态的相对误差在3％以内，估计精度高于现行的误差标准5％，估计精度高。另外，采用本发明方法可对处于不同老化程度下的动力电池的最大可用容量和荷电状态进行估计，具有普适性，实用性强。

附图说明

图1为本发明估计动力电池的最大可用容量和荷电状态初始值的流程图；

图2为动力电池具有一状态滞后的一阶RC网络等效电路图；

图3为由试验用动力电池的开路电压与相应的荷电状态、最大可用容量形成的三维响应面图；

图4为循环0次的试验用动力电池在UDDS工况下的充放电电流随时间变化的曲线图；

图5为循环0次的试验用动力电池在UDDS工况下的实测端电压随时间变化的曲线图；

图6为从图5中截取的1000s-4600s时间段内的实测端电压随时间变化的曲线图；

图7为循环0次的试验用动力电池在图6所示对应时间段内的估计端电压随时间变化的曲线图；

图8为循环0次的试验用动力电池在图6所示对应时间段内的荷电状态的真实值和估计值随时间变化的曲线；

图9为循环200次的试验用动力电池在UDDS工况下的充放电电流随时间变化的曲线图；

图10为循环200次的试验用动力电池在UDDS工况下的实测端电压随时间变化的曲线图；

图11为从图9中截取的1000s-4600s时间段内的实测端电压随时间变化的曲线图；

图12为循环200次的试验用动力电池在图11所示对应时间段内的估计端电压随时间变化的曲线图；

图13为循环200次的试验用动力电池在图11所示对应时间段内的荷电状态的真实值和估计值随时间变化的曲线。

具体实施方式

下面结合图1-13对本发明基于数据模型融合的动力电池容量和荷电状态的估计方法进行详细说明。

如图1所示，对电动车辆的动力电池进行老化实验，得出该动力电池在不同的老化程度下的开路电压、荷电状态及最大可用容量之间的对应关系，建立由动力电池在不同老化程度下的开路电压以及与该开路电压相对应的荷电状态和可用容量形成的三维响应曲面。建立动力电池的等效电路模型，并根据设定的目标函数、约束条件辨识出动力电池的等效电路模型的模型参数、动力电池的荷电状态初始值z₀及最大可用容量Q_max，从而利用辨识得到的动力电池的最大可用容量Q_max和荷电状态初始值z₀估计出动力电池的荷电状态z。

具体步骤如下：

步骤1，建立由动力电池在不同老化程度下的开路电压和与该开路电压相对应的荷电状态、可用容量形成的三维响应面

在相同温度下，对电动车辆的动力电池进行老化实验，并对该动力电池处于不同老化程度的开路电压U_OC以及与该开路电压U_OC相对应的荷电状态z和可用容量Q进行采集，且采样时间间隔为Δt'为定值。动力电池的老化程度可表示为循环0次，失效状态和失效的中间状态，其中，循环0次的动力电池指的是新电池；处于失效状态的动力电池指的是当前状态的最大可用容量低于或等于其额定容量的80％的动力电池；处于失效的中间状态的动力电池指的是当前状态的最大可用容量大约为且额定容量的90％的动力电池。在进行老化实验时，动力电池的放电电流I的大小保持不变，每经过一个采样时间间隔Δt'后，动力电池中的可用容量Q从采样起始时刻对应的最大可用容量Q_max开始呈等量递减。也就是说，在对该动力电池进行老化实验时，采集得到的该动力电池的荷电状态z从采样起始时刻对应的荷电状态初始值z₀开始呈等量递减。根据采样数据建立由动力电池在不同老化程度的开路电压U_OC以及与该开路电压U_OC相对应的荷电状态z和可用容量Q形成的三维响应面，且U_OC＝f(z,Q_max)，其中，f为动力电池的开路电压函数。

步骤2，建立动力电池的等效电路模型

由于动力电池在进行充电和放电的过程中，存在一定的迟滞现象，故选用如图2所示的具有一状态滞后的一阶RC网络等效电路作为动力电池的等效电路模型。该等效电路除引入用来描述在充放电电流变化的时候引起的电压滞后现象的滞后电压h外，还包括电压源-OCV、欧姆内阻-R_o和RC网络三部分，其中，电压源-OCV为动力电池的开路电压U_OC；欧姆内阻-R_o表示动力电池中电极材料、电解液、隔膜电阻及其他零件的接触电阻；RC网络使用极化内阻R_D和极化电容C_D来描述动力电池的 动态特性，该动态特性包括动力电池的极化特性和扩散效应，RC网络的时间常数τ_D＝R_DC_D。

步骤3，估计出动力电池的最大可用容量和荷电状态

根据动力电池的等效电路模型建立动力电池的模型方程

其中，

U_D,k为动力电池在充放电过程中k时刻的极化电压，

U_D,k+1为动力电池在充放电过程中k+1时刻的极化电压，

κ为衰减因子，用来调整滞后电压h的大小，

I_k为动力电池在充放电过程中k时刻的充放电电流，

h_k为动力电池在充放电过程中k时刻的滞后电压，

h_k+1为动力电池在充放电过程中k+1时刻的滞后电压，

H为动力电池的滞后电压的最大值，

U_k为动力电池在充放电过程中k时刻的实测端电压。

在动力电池充放电过程中，在一段连续时间段T内对动力电池的实测端电压V和充放电电流I进行采样，采样时间间隔为Δt。

由于动力电池的荷电状态z可表示为z＝g(z₀,Q_max)，

其中，g为动力电池的荷电状态函数，

故可将z＝g(z₀，Q_max)和U_OC＝f(z，Q_max)带入到动力电池的模型方程中，并将动力电池的最大可用容量Q_max和荷电状态SOC的初始值z₀及该动力电池的等效电路模型的模型参数共同设置为优化变量χ，且其中，

为动力电池充电时的欧姆内阻，

为动力电池放电时的欧姆内阻，

H⁺为动力电池充电时的滞后电压，

H^-为动力电池放电时的滞后电压。

优选地，其中，t为动力电池充放电时间。

将采样得到的动力电池的实测端电压U和充放电电流I输入到动力电池的模型方程中，并采用遗传算法对优化变量χ进行辨识，从而辨识得出动力电池的等效电路模型的模型参数以及动力电池的最大可用容量Q_max和荷电状态初始值z₀，进而根据动力电池的最大可用容量Q_max和荷电状态初始值z₀估计出动力电池在充放电过程中的荷电状态z。在进行辨识时，设定目标函数F使动力电池的估计端电压与该动力电池的实测端电压之间的误差的平方和最小，即

其中，

U_L为动力电池的估计端电压，

n为采样得到的动力电池的实测端电压U和充放电电流I数据的长度，且

设定约束条件为

其中，

C_min为动力电池的最大可用容量Q_max的最小值，C_max为动力电池的最大可用容量Q_max的最大值，

为动力电池的充电时的欧姆内阻的最小值，为动力电池充电时的欧姆内阻的最大值，

为动力电池放电时的欧姆内阻的最小值，为动力电池放电时的欧姆内阻的最大值，

κ_min为衰减因子κ的最小值，κ_max为衰减因子κ的最大值，

为动力电池充电时的滞后电压H⁺的最小值，为动力电池充电时的滞后电压H⁺的最大值，

为动力电池放电时的滞后电压H^-的最小值，为动力电池放电时的滞后电压H^-的最大值，

R_{D min}为动力电池的RC网络的极化电阻R_D的最小值，R_{D max}为动力电池的RC网络的极化电阻R_D的最大值，

τ_{D min}为动力电池的RC网络的时间常数τ_D的最小值，τ_{D max}为动力电池的RC网络的时间常数τ_D的最大值。

约束条件中的相关参数的取值范围是根据动力电池本身的特性以及动力电池生产厂家提供的技术参数确定的。比如，动力电池的最大可用容量Q_max的取值范围根据生产厂家提供的技术参数确定的，通常不允许动力电池的最大可用容量降低至其标称容量Q_标称的80％；动力电池的荷电状态的最佳工作区间为0.3～1，故在约束条件中，动力电池荷电状态初始值的取值范围可确定为0.1～1；动力电池的欧姆电阻R_o的取值范围根据该动力电池本身的特性以及生产厂家提供的技术参数计算确定。

在对优化变量χ进行辨识时，也可以采用其他方法进行辨识，比如粒子群优化算法。

在根据动力电池的最大可用容量Q_max和荷电状态初始值z₀对动力电池在充放电过程中的荷电状态z进行估计时，可采用安时积分方法对动力电池的荷电状态z进行估计，

下面以标称容量Q_标称为25Ah、上截止电压为4.1伏特(V)、下截止电压为3.0V的三元聚合物锂电池作为试验对象，验证本发明在估计电动车辆上的动力电池的最大可用容量及荷电状态时存在的优势。

首先，对待试验的动力电池进行老化实验，实验温度为25℃。实验过程中，分别对该动力电池在不同老化程度下的开路电压及与该开路电压相对应的荷电状态和可用容量进行采集，且采集过程中，采样时间间隔Δt'为定值，并根据采集得到的数据绘制三维响应面图。具体地，在动力电池的老化程度分别为循环0次、循环100次、循环200次和循环300次时对该动力电池的开路电压、荷电状态及可用容量进行采集，且采样时间间隔Δt'为1s，采集到的部分数据如表1所示，并根据采集得到 的数据绘制形成如图3所示的三维响应面图。

表1

接着，分别以老化程度分别为循环次数为0次和循环次数为200次的动力电池为例，说明采用本发明方法对动力电池的最大可用容量和荷电状态进行估计时的估计效果，估计采用的约束条件中，且

C_min＝80％Q_标称，C_max＝110％Q_标称；

$R_{\min }^{+}={10}^{-4}\mathrm{\Ω},R_{\max }^{+}={10}^{-2}\mathrm{\Ω};$

$R_{\min }^{-}={10}^{-4}\mathrm{\Ω},R_{\max }^{-}={10}^{-2}\mathrm{\Ω};$

κ_min＝-0.1，κ_max＝0.1；

$H_{min}^{+}=-0.1V,H_{max}^{+}=0.1V;$

$H_{\min }^{-}=-0.1V,H_{\max }^{-}=0.1V;$

R_{D min}＝10^-4Ω，R_{D max}＝10^-2Ω；

τ_{D min}＝0，τ_{D max}＝300。

Eg1.老化程度为循环0次的动力电池

对该动力电池进行城市道路循环(Urban Dynamometer Driving Schedule，简称UDDS)工况测试，且环境温度为25℃，在测试过程中，电动车辆的电池能量管理系统记录的该动力电池的放电电流I和实测端电压U随时间变化的曲线分别如图4和5所示。从中截取时间点范围为1000s-4600s，即一个小时的时间段内的放电电流及端电压数据，且采用时间间隔Δt为1s，且实测端电压U随时间变化的曲线如图6所示。将采样得出的放电电流I和实测端电压U输入到该动力电池具有一状态滞后的一阶RC网络等效电路模型的模型方程中，利用遗传算法辨识得出的动力电池的最大可用容量Q_max和荷电状态初始值z₀如表2所示，并得到该动力电池的估计端电压如图7所示。

此外，通过实验测试得出，在测试时间点为1000s即采样起始时刻，该动力电池的可用容量为27.48Ah，荷电状态为85.5％，即该动力电池的最大可用容量Q_max的实测值为27.48Ah，荷电状态初始值z₀的实测值为85.5％。

表2

采用安时积分法根据辨识得出的动力电池的最大可用容量和荷电状态初始值对动力电池在放电过程中的荷电状态进行估计，估计结果随该动力电池的放电时间变化的曲线如图8中的虚线所示。而根据电动车辆的电池能量管理系统记录的该动力电池的荷电状态即动力电池的荷电状态的实测值在相应时间段内随时间变化的曲线如图8中的实线所示。经计算可知，在估计时间段内，该动力电池的荷电状态的估计值相对于该动力电池的荷电状态的实测值的最大误差为0.6％。

Eg2.老化程度为循环200次的动力电池

对该动力电池进行UDDS工况测试，且环境温度为25℃，在测试过程中，电动车辆的电池能量管理系统记录的该动力电池的放电电流I和实测端电压U随时间变化的曲线分别如图9和10所示。从中截取时间点范围为1000s-4600s，即一个小时的时间段内的放电电流及端电压数据，且采用时间间隔Δt为1s，且实测端电压U随时间变化的曲线如图11所示。将采样得出的放电电流I和实测端电压U输入到该动力电池具有一状态滞后的一阶RC网络等效电路模型的模型方程中，利用遗传算法辨识得出的动力电池的最大可用容量Q_max和荷电状态初始值z₀如表3所示，并得到该动力电池估计端电压如图12所示。

此外，通过实验测试得出，在测试时间电为1000s即采样起始时刻，该动力电池的可用容量为25.21Ah，荷电状态为93.4％，即该动力电池的最大可用容量Q_max的实测值为25.21Ah，荷电状态初始值z₀的实测值为93.4％。

表3

采用安时积分法根据辨识得出的动力电池的最大可用容量和荷电状态初始值对动力电池在放电过程中的荷电状态进行估计，估计结果随该动力电池的放电时间变化的曲线如图13中的虚线所示。而根据电动车辆的电池能量管理系统记录的该动力电池的荷电状态即动力电池的荷电状态的实测值在相应时间段内随时间变化的曲线如图13中的实线所示。经计算可知，在估计时间段内，该动力电池的荷电状态的估计值相对于该动力电池的荷电状态的实测值的最大误差为2.3％。

综上可见，本发明所提出的估计动力电池的最大可用容量Q_max和荷电状态初始值z₀的方法具有如下优势：

1、该估计方法估计得到的动力电池的最大可用容量Q_max的相对误差在3％以内，荷电状态初始值z₀的相对误差在2％以内，荷电状态z的相对误差在3％以内，估计精度较高；

2、该估计方法可对处于不同老化程度下的动力电池的最大可用容量Q_max和荷电状态初始值z₀进行估计，且估计精度较高，具有一定的普适性，实用性强。

Claims (8)

1.一种基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，该方法包括如下步骤：

步骤1，建立由所述动力电池在不同的老化程度下的开路电压、荷电状态和可用容量形成的三维响应面

在相同温度下，对所述动力电池进行老化实验，采集所述动力电池在不同老化程度下的开路电压U_OC以及与该开路电压U_OC相对应的荷电状态z和可用容量，建立由所述动力电池在不同老化程度程度下的开路电压U_OC以及与该开路电压U_OC相对应的荷电状态z和可用容量形成的三维响应面，且U_OC＝f(z,Q_max)，

其中，

f为所述动力电池的开路电压函数，

Q_max为所述动力电池的最大可用容量；

步骤2，建立所述动力电池的等效电路模型；

步骤3，估计所述动力电池的最大可用容量Q_max和荷电状态z

首先，根据所述动力电池的等效电路模型建立所述动力电池的模型方程；

然后，在所述动力电池充放电过程中，在一段连续时间段T内对所述动力电池的实测端电压U和充放电电流I进行采样，采样时间间隔为Δt；

接着，将z＝g(z₀,Q_max)和U_OC＝f(z,Q_max)带入到所述动力电池的模型方程中，并将采样得到的实测端电压U和充放电电流I输入到所述动力电池的模型方程中，辨识出所述动力电池的等效电路模型的模型参数以及所述动力电池的最大可用容量Q_max和荷电状态初始值z₀，

其中，g为所述动力电池的荷电状态函数；

最后，根据所述动力电池的最大可用容量Q_max和荷电状态初始值z₀估计出所述动力电池的荷电状态z。

2.根据权利要求1所述的基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，在所述步骤1中，采集所述动力电池的可用容量、开路电压U_OC及荷电状态z时的采样时间间隔Δt'为定值。

3.根据权利要求2所述的基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，在对所述动力电池进行老化实验时，所述动力电池所处老化程度为循环0次、失效状态和失效的中间状态。

4.根据权利要求1-3中任意一项所述基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，在所述步骤2中，所建立的所述动力电池的等效电路模型为具有一状态滞后的一阶RC网络等效电路模型，且所述模型方程为： $\left\{\begin{array}{c}{U}_{D,k+1}=\exp (-\mathrm{\Δ}t/{\mathrm{\τ}}_D)U_{D,k}+R_D\[1-\exp (-|\mathrm{\κ}{I}_k\mathrm{\Δ}t\left|\right)\]I_k\\ h_{k+1}=\exp (-|{\mathrm{\κI}}_k\mathrm{\Δ}t\left|\right)h_k+\[1-\exp (-|{\mathrm{\κI}}_k\mathrm{\Δ}t\left|\right)\]H\\ U_k=f(z,Q_{\max })-R_o{I}_k-U_{D,k}+h_k\end{array}\right.,$

其中，

U_D,k为所述动力电池在充放电过程中k时刻的极化电压，

U_D,k+1为所述动力电池在充放电过程中k+1时刻的极化电压，

τ_D为所述动力电池的等效电路模型中的RC网络的时间常数，且τ_D＝R_DC_D，

R_D为所述动力电池的等效电路模型中的RC网络的极化电阻，

C_D为所述动力电池的等效电路模型中的RC网络的极化电容，

κ为衰减因子，

I_k为所述动力电池在充放电过程中k时刻的充放电电流，

h_k为所述动力电池在充放电过程中k时刻的滞后电压，

h_k+1为所述动力电池在充放电过程中k+1时刻的滞后电压，

H为所述动力电池的滞后电压的最大值，

U_k为所述动力电池在充放电过程中k时刻的实测端电压，

R_o为所述动力电池的欧姆内阻。

5.根据权利要求4所述的基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，在所述步骤3中，

其中，t为所述动力电池进行充放电时的充放电时间。

6.根据权利要求4所述的基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，在所述步骤3中，采用遗传算法对由所述动力电池的等效电路模型的模型参数以及所述动力电池的最大可用容量Q_max和荷电状态初始值z₀形成的优化变量进行辨识，其中，

为所述动力电池充电时的欧姆内阻，

为所述动力电池放电时的欧姆内阻，

H⁺为所述动力电池充电时的滞后电压，

H^-为所述动力电池放电时的滞后电压。

7.根据权利要求6所述的基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，在进行辨识时，设定目标函数

其中，U_L为所述动力电池的估计端电压，

n为采样得到的所述动力电池的实测端电压U和充放电电流I数据的长度且 $n=\frac{T}{\mathrm{\Δ}t}+1;$

设定约束条件为 $s.t.\left\{\begin{array}{c}{C}_{min}\≤Q_{max}\≤C_{max}\\ 0.1\≤z_0\≤1\\ R_{min}^{+}\≤R_o^{+}\≤R_{max}^{+}\\ R_{\min }^{-}\≤R_o^{-}{R}_{\max }^{-}\\ {\mathrm{\κ}}_{min}\≤\mathrm{\κ}\≤{\mathrm{\κ}}_{max}\\ H_{\min }^{+}\≤H^{+}\≤H_{max}^{+}\\ H_{\min }^{-}\≤H^{-}\≤H_{\max }^{-}\\ R_{Dmin}\≤R_D\≤R_{Dmax}\\ {\mathrm{\τ}}_{Dmin}\≤{\mathrm{\τ}}_D\≤{\mathrm{\τ}}_{Dmax}\end{array}\right.,$

其中，

C_min为所述动力电池的最大可用容量Q_max的最小值，C_max为所述动力电池的最大可用容量Q_max的最大值，

为所述动力电池的充电时的欧姆内阻的最小值，为所述动力电池充电时的欧姆内阻的最大值，

为所述动力电池放电时的欧姆内阻的最小值，为所述动力电池放电时的欧姆内阻的最大值，

κ_min为所述衰减因子κ的最小值，κ_max为所述衰减因子κ的最大值，

为所述动力电池充电时的滞后电压H⁺的最小值，为所述动力电池充电时的滞后电压H⁺的最大值，

为所述动力电池放电时的滞后电压H^-的最小值，为所述动力电池放电时的滞后电压H^-的最大值，

R_Dmin为所述动力电池的RC网络的极化电阻R_D的最小值，R_Dmax为所述动力电池的RC网络的极化电阻R_D的最大值，

τ_Dmin为所述动力电池的RC网络的时间常数τ_D的最小值，τ_Dmax为所述动力电池的RC网络的时间常数τ_D的最大值。

8.根据权利要求7所述的基于数据模型融合的动力电池容量和荷电状态的估计方法，其特征在于，采用安时积分法根据所述动力电池的最大可用容量Q_max和荷电状态初始值z₀估计出所述动力电池的荷电状态z。