CN106814329A - 一种基于双卡尔曼滤波算法的电池soc在线估计方法 - Google Patents

Abstract

本发明公开了一种基于双卡尔曼滤波算法的电池SOC在线估计方法，包括：S1、获取电池SOC的初始值；S2、建立电池等效电路模型，并得到电池的状态方程和输出方程；S3、以电池SOC的初始值作为输入状态量，电池等效电路模型所对应的电压方程为输出方程，利用扩展卡尔曼滤波算法进行电池SOC估算；S4、以扩展卡尔曼滤波算法估算的电池SOC为输入状态量，安时积分法为输出方程，利用卡尔曼滤波算法进行电池SOC估算得到电池SOC的估算值。本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法能更精确地得到SOC估计值；不过于依赖电池模型，也减小了对电流精度的要求。本发明作为一种基于双卡尔曼滤波算法的电池SOC在线估计方法，可广泛应用于电池辨识估计领域。

Description

一种基于双卡尔曼滤波算法的电池SOC在线估计方法

技术领域

本发明涉及电池辨识估计领域，尤其是一种基于双卡尔曼滤波算法的电池SOC在线估计方法。

背景技术

近几年来，以电池为主要动力来源的纯电动车和混合动力车被广泛投入使用。这种新兴交通工具以其低碳排放，节能轻便的特点受到人们的重视。然而现阶段电动车的发展很大程度上受限于动力电池的稳定性，安全性和使用寿命等因素。在电动车运行过程中，驾驶人员需要随时了解电池剩余电量多少以判断可续航里程。电池荷电状态即SOC(Stateof Charge)是电池可用能量和总能量的比值，是电池不可直接测量的重要参数，其取值范围为0～1，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。电池的荷电状态在电池的应用中处于核心的地位，准确估计电池的SOC有以下意义：

(1)保护动力电池。对于动力电池而言，过充和过放都可能对电池造成永久性的损害，严重减少电池的使用寿命。如果可以提供准确的SOC值，整车控制策略可以将SOC控制在一定的范围内(如20％～80％)，起到了防止对电池过充或过放的作用，从而保证电池的正常使用，延长电池的使用寿命。

(2)提高整车性能。在没有提供准确的SOC值的情况下，为了保证电池的安全使用，整车控制策略需要保守地使用电池，防止电池出现过充和过放的情况。这样不能充分发挥电池的性能，因而降低了整车的性能。

(3)降低对动力电池的要求。在准确估计SOC的前提下，电池的性能可以被充分使用。选用电池时，针对电池性能设计的余量可以大大减小。

电池的荷电状态SOC为电池的剩余容量与总的可用容量的比值。其定义式如下：

SOC＝Qr/Qtot；其中Qr为电池剩余容量，Qtot为电池最大可用容量。

由于电池的SOC不像电流、电压和温度可以通过传感器直接测量得到，SOC只能通过估计的方法得到，一般常用的估计方法主要有：电荷累积法(也称安时积分法)、开路电压法和卡尔曼滤波法。安时法是将电流送入积分器中用于进行电量消耗的测量，再通过简单的计算得到电池的SOC值。此方法实现简单，但是容易产生累积误差。开路电压是指电池经过长时间静置稳定后的电压值，开路电压在数值上接近电池电动势，但是开路电压需要长时间静置获得，而一般电池SOC估计都是动态估计；卡尔曼滤波法是将电池看成一个动力系统，并对动力系统的状态做出最小意义上的最优估计，此方法可以滤去固定噪声并得到SOC的准确估值，虽然扩展卡尔曼滤波算法对输入干扰有较好的过滤性，对初始状态误差有较强的修正性，能够使估计值很快地收敛至真值附近，但其对电池模型的依赖性较大，对电池模型参数精度要求较高。

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电池SOC估算速度快、精度高且不依赖与电池模型的基于双卡尔曼滤波算法的电池SOC在线估计方法。

本发明所采用的技术方案是：一种基于双卡尔曼滤波算法的电池SOC在线估计方法，包括以下步骤：

S1、获取电池SOC的初始值；

S2、建立电池等效电路模型，并得到电池的状态方程和输出方程；

S3、以电池SOC的初始值作为输入状态量，电池等效电路模型所对应的电压方程为输出方程，利用扩展卡尔曼滤波算法进行电池SOC估算；

S4、以扩展卡尔曼滤波算法估算的电池SOC为输入状态量，安时积分法为输出方程，利用卡尔曼滤波算法进行电池SOC估算得到电池SOC的估算值。

进一步地，所述电池等效电路模型为双RC环等效电路模型，所述双RC环等效电路模型包括电池的开路电压、电池内阻、极化电阻、极化电容、双电层电阻和双电层电容，

所述电池的开路电压的正极与电池内阻的左端连接，所述电池内阻的右端与极化电阻的左端连接，所述极化电阻的右端与双电层电阻的左端连接，所述极化电容与极化电阻并联，所述双电层电容与双电层电阻并联，所述双电层电阻的右端、电池的开路电压的负极分别作为等效电路的正负输出端。

进一步地，所述基于双卡尔曼滤波算法的电池SOC在线估计方法还包括步骤S5：

S5、重复步骤S1-S4对电池组中多个电池单体进行电池SOC值估算，并将多个电池SOC估算值中的最小值作为电池组的电池SOC估算值。

进一步地，所述步骤S1包括以下步骤：

S11、获取电池组的断电时长；

S12、判断电池组的断电时长是否大于预定时长，若大于预定时长，则获取电池组中电压最低的单体的SOC作为电池SOC的初始值；否则，则将断电前的电池组的电池SOC估算值为电池SOC的初始值。

进一步地，所述电池的状态方程为

所述电池的输出方程为

U_(bat)k+1＝-U_b-U_p+[-R_o]i_k+U_oc+V_k；

其中，U_oc＝f_uoc(SOC(k))；

k为循环批次数，Wk和Vk分别为k批次时的系统过程噪声和系统测量噪声；Ts为系统采样时间；R_b和C_b分别为电池的双电层电阻和双电层电容，τ_b为双电层电容C_b、双电层电阻R_b组成的RC环时间常数，其值为R_b*C_b；R_p和C_p分别为电池的极化电阻和极化电容，τ_p为电容C_p、电阻R_p组成的RC环时间常数，值为R_p*C_p；η为电池库伦效率，用于描述电池放电容量所占的比例；SOC为电池荷电状态值；U_b和U_p分别为b、p两个RC环两端的电压值大小；C_b和C_p为电容C_b和C_p的电容值大小；C_n为电池容量；i为通过电池的电流，充电时电流为正值，放电时为负值；U_bat表示电池端电压，Ro为电池内阻，Uoc为电池的开路电压。

进一步地，所述步骤S3包括以下步骤：

S31、以电池SOC的初始值作为输入状态量，电池等效电路模型所对应的电压方程为输出方程，定义电池状态方程和输出方程，设定初始状态估计值和初始状态误差协方差；

S32、得到当前时刻状态量及协方差和的函数关系；

S33、得到当前时刻的卡尔曼增益矩阵；

S34、利用通过状态方程计算得到的输出和测量得到的输出对先验估计值进行校正，得到当前时刻的更新状态值和协方差；

S35、更新状态量和协方差的值，得到利用扩展卡尔曼滤波算法估算的当前时刻的电池SOC值，返回步骤S31重新迭代，利用扩展卡尔曼滤波算法进行下一时刻的SOC值估算。

进一步地，所述步骤S4包括以下步骤：

S41、以扩展卡尔曼滤波算法估算的电池SOC为输入状态量，安时积分法为输出方程，定义电池状态方程和输出方程，设定初始状态估计值和初始状态误差协方差；

S42、得到当前时刻状态量及协方差和的函数关系；

S43、得到当前时刻的卡尔曼增益矩阵；

S44、利用通过状态方程计算得到的输出和测量得到的输出对先验估计值进行校正，得到当前时刻的更新状态值和协方差；

S45、更新状态量和协方差的值，得到基于双卡尔曼滤波算法估算当前时刻的电池SOC值，返回步骤S41重新迭代，利用卡尔曼滤波算法进行下一时刻的SOC值估算。

进一步地，当电池组充至满电时，将电池SOC值强制校准为100％；当电池组放电至电压低于预定阈值时，将电池SOC值强制校准为0。

本发明的有益效果是：本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法，结合扩展卡尔曼滤波法和安时积分法，将两种算法估计得到的SOC结果再经过卡尔曼算法进行加权计算，得到一个结合两种算法优势的双卡尔曼滤波算法，能更精确地得到SOC估计值；还可以快速地通过输入信号提取估计出内部参数SOC值，不过于依赖电池模型，同时也减小了对电流精度的要求。

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是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的步骤流程图；

图2是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的算法原理图；

图3是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的一具体实施例的具体步骤流程图；

图4是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法中电池等效电路模型的一具体实施例示意图；

图5是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法中扩展卡尔曼算法的原理图。

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。

一种基于双卡尔曼滤波算法的电池SOC在线估计方法，参考图1和图2，图1是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的步骤流程图，图2是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的算法原理图，包括以下步骤：

S1、获取电池SOC的初始值；

S2、建立电池等效电路模型，并得到电池的状态方程和输出方程；

S3、以电池SOC的初始值作为输入状态量，电池等效电路模型所对应的电压方程为输出方程，利用扩展卡尔曼滤波算法进行电池SOC估算；

S4、以扩展卡尔曼滤波算法估算的电池SOC为输入状态量，安时积分法为输出方程，利用卡尔曼滤波算法进行电池SOC估算得到电池SOC的估算值。

一种基于双卡尔曼滤波算法的电池SOC在线估计方法，结合扩展卡尔曼滤波法和安时积分法，将两种算法估计得到的SOC结果再经过卡尔曼算法进行加权计算，得到一个结合两种算法优势的双卡尔曼滤波算法，能更精确地得到SOC估计值；还可以快速地通过输入信号提取估计出内部参数SOC值，不过于依赖电池模型，同时也减小了对电流精度的要求。

作为技术方案的进一步改进，基于双卡尔曼滤波算法的电池SOC在线估计方法还包括步骤S5：

S5、重复步骤S1-S4对电池组中多个电池单体进行电池SOC值估算，并将多个电池SOC估算值中的最小值作为电池组的电池SOC估算值，并反映在电池管理系统(BMS)的用户界面上。

作为技术方案的进一步改进，步骤S1包括以下步骤：

S11、获取电池组的断电时长；

S12、判断电池组的断电时长是否大于预定时长，若大于预定时长，则获取电池组中电压最低的单体的SOC作为电池SOC的初始值；否则，则将断电前的电池组的电池SOC估算值为电池SOC的初始值。

本实施例中，参考图3，图3是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的一具体实施例的具体步骤流程图，本发明提供一种基于双卡尔曼滤波算法的电动车电池SOC值在线估算方法，该方法可应用于电动车电池管理系统平台上，通过采集电动车电池组充放电过程中的电压电流数据，对其SOC值进行计算及实时更新。估算的第一步，获取电池SOC的初始值，在电动汽车未启动时，判断距离上次断电所经过的时间，若超过4小时，则电池组初始SOC值选取为电池静置一定时间后，电池组中电压最低单体的开路电压所对应的SOC值；若时间间隔低于4小时，则选取上一次电池管理系统(BMS)断电前所记录的SOC估算值作为初始值。行车期间，通过电池管理系统(BMS)实时采集所有电池单体电压和电流数据，进入步骤2-4的双卡尔曼滤波算法循环对每个电池单体的SOC分别进行估算，步骤2中，建立电池等效电路模型，使用电压源、电阻、电容组成电路模型，通过调整电路中各组成单元的物理参数模拟电池的动态特性，然后根据基尔霍夫电流电压定理得到电池的状态方程和输出方程。

作为技术方案的进一步改进，参考图4，图4是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法中电池等效电路模型的一具体实施例示意图，电池等效电路模型为双RC环等效电路模型，双RC环等效电路模型包括电池的开路电压U_OC、电池内阻R_O、极化电阻R_p、极化电容C_p、双电层电阻R_b和双电层电容C_b，

电池的开路电压U_OC的正极与电池内阻R_O的左端连接，电池内阻R_O的右端与极化电阻R_p的左端连接，极化电阻R_p的右端与双电层电阻R_b的左端连接，极化电容C_p与极化电阻R_p并联，双电层电容C_b与双电层电阻R_b并联，双电层电阻R_b的右端、电池的开路电压U_OC的负极分别作为等效电路的正负输出端，电池的输出电流为I_bat，输出端电压为U_bat。

电池的状态方程为

电池的输出方程为

U_(bat)k+1＝-U_b-U_p+[-R_o]i_k+U_oc+V_k；

其中，U_oc＝f_uoc(SOC(k))；

k为循环批次数，Wk和Vk分别为k批次时的系统过程噪声和系统测量噪声；Ts为系统采样时间；R_b和C_b分别为电池的双电层电阻和双电层电容，τ_b为双电层电容C_b、双电层电阻R_b组成的RC环时间常数，其值为R_b*C_b；R_p和C_p分别为电池的极化电阻和极化电容，τ_p为电容C_p、电阻R_p组成的RC环时间常数，值为R_p*C_p；η为电池库伦效率，用于描述电池放电容量所占的比例；SOC为电池荷电状态值；U_b和U_p分别为b、p两个RC环两端的电压值大小；C_b和C_p为电容C_b和C_p的电容值大小；C_n为电池容量；i为通过电池的电流，充电时电流为正值，放电时为负值；U_bat表示电池端电压，Ro为电池内阻，Uoc为电池的开路电压。

作为技术方案的进一步改进，步骤S3包括以下步骤：

S31、以电池SOC的初始值作为输入状态量，电池等效电路模型所对应的电压方程为输出方程，定义电池状态方程和输出方程，设定初始状态估计值和初始状态误差协方差；

S32、得到当前时刻状态量及协方差和的函数关系；

S33、得到当前时刻的卡尔曼增益矩阵；

S34、利用通过状态方程计算得到的输出和测量得到的输出对先验估计值进行校正，得到当前时刻的更新状态值和协方差；

S35、更新状态量和协方差的值，得到利用扩展卡尔曼滤波算法估算的当前时刻的电池SOC值，返回步骤S31重新迭代，利用扩展卡尔曼滤波算法进行下一时刻的SOC值估算。

本实施例中，参考图5，图5是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法中扩展卡尔曼算法的原理图。以作为输入状态量矩阵，电池等效电路模型所对应的电压方程为输出方程，利用扩展卡尔曼滤波算法(EKF)循环估算电池的SOC，参考图3，图3是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的一具体实施例的具体步骤流程图，利用针对非线性系统的扩展卡尔曼滤波算法进行当前时刻的SOC值估算过程，具体地：

(1)、定义k时刻下电池状态方程和输出方程；

U_(bat)k+1＝-U_b-U_p+[-R_o]i_k+U_oc+V_k；

其中，U_oc＝f_uoc(SOC(k))；

Y_new＝U_(bat)k+1；

(2)、得到当前时刻状态及协方差和的函数关系；

P_ud＝A*P_old*A^T+Q；

(3)、得到当前时刻的增益矩阵K，其中矩阵C为开路电压对状态求偏导得到的雅克比矩阵；

K＝P_ud*C^T*(C*P_ud*C^T+R)；

(4)、用通过状态方程计算得到的输出和测量得到的输出来对先验估计值进行校正，得到当前时刻的更新状态值和协方差。

delt_Y＝Y_measure-Y_new；

X_new＝X_ud+K*delt_Y；

P_new＝(Id-K*C)*P_ud；

(5)、最后更新状态和协方差的值：

X_old＝X_new；

P_old＝P_new；

回到第1)步重新迭代运算，利用扩展卡尔曼滤波算法进行下一时刻的SOC值估算。

其中，X为包含SOC的电池状态量矩阵，Y为基于电池模型预测得到的电池端电压值；X_ud是对X_old的状态预测值，X_new是X_old的状态校正值；I为实测电流值，Y_measure为实测电池端电压值，Y_new为端电压预测值；P_ud为状态协方差预测矩阵，P_new为状态协方差更新矩阵，Id为单位矩阵；Q和R分别为过程噪声W和测量噪声V的协方差矩阵，过程噪声和测量噪声均符合高斯白噪声分布。

作为技术方案的进一步改进，参考图3，图3是本发明一种基于双卡尔曼滤波算法的电池SOC在线估计方法的一具体实施例的具体步骤流程图，将经过第一个EKF算法循环得到的SOC估算值作为输入状态量，安时积分法作为状态方程，进入第二个针对线性系统的卡尔曼滤波算法(KF)循环中，得到SOC估算最终值，步骤S4包括以下步骤：

S41、以扩展卡尔曼滤波算法估算的电池SOC为输入状态量，安时积分法为输出方程，定义电池状态方程和输出方程，设定初始状态估计值和初始状态误差协方差；

S42、得到当前时刻状态量及协方差和的函数关系；

S43、得到当前时刻的卡尔曼增益矩阵；

S44、利用通过状态方程计算得到的输出和测量得到的输出对先验估计值进行校正，得到当前时刻的更新状态值和协方差；

S45、更新状态量和协方差的值，得到基于双卡尔曼滤波算法估算当前时刻的电池SOC值，返回步骤S41重新迭代，利用卡尔曼滤波算法进行下一时刻的SOC值估算。

具体地：

(1)、定义k时刻下KF输入状态量和输出方程，设定初始状态估计值X₂_old和初始状态误差协方差P₂_old；

X₂(k+1)＝f₂(X₂(k),I)；

Y₂(k)＝SOC_EKF(k)；

(2)、得到当前时刻状态及协方差和的函数关系；

X₂_ud＝f₂(X₂_old,I)；

P₂_ud＝P₂_old+Q₂；

(3)、得到当前时刻的增益矩阵K₂；

K₂＝P₂_ud/(P₂_ud+R₂)；

(4)、用通过状态方程计算得到的输出和测量得到的输出来对先验估计值进行校正，得到当前时刻的更新状态值和协方差。

Y₂_new＝X₂_old；

delt_Y₂＝Y₂-Y₂_new；

X₂_new＝X₂_ud+K₂*delt_Y₂；

P₂_new＝(1-K₂)*P₂_ud；

(5)、最后更新状态和协方差的值：

X₂_old＝X₂_new；

P₂_old＝P₂_new；

回到第(1)步重新迭代运算，利用卡尔曼滤波算法进行下一时刻的SOC值估算。

其中X₂为双卡尔曼滤波算法SOC估算终值，Y₂为第一个EKF算法估算所得SOC值。X₂_ud是对X₂_old的状态预测值，X₂_new是X₂_old的状态校正值。I为实测电流值，Y₂_new为端电压预测值。P₂_ud为状态协方差预测矩阵，P₂_new为状态协方差更新矩阵。Q2和R2分别为过程噪声和测量噪声的协方差矩阵。

作为技术方案的进一步改进，当电池组充至满电时，将电池SOC值强制校准为100％；当电池组放电至电压低于预定阈值时，将电池SOC值强制校准为0，从而不定期消除SOC估算系统中存在的累积误差。

本发明提供一种精度高、计算量小的适用于嵌入至电池管理系统(BMS)平台的动力锂离子电池SOC实时估计算法。通过实时采集的电流电压信息，可以实时估计电池SOC，是一种应用新型算法的新实践。

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做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 (8)

1.一种基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，包括以下步骤：

S1、获取电池SOC的初始值；

S2、建立电池等效电路模型，并得到电池的状态方程和输出方程；

S3、以电池SOC的初始值作为输入状态量，电池等效电路模型所对应的电压方程为输出方程，利用扩展卡尔曼滤波算法进行电池SOC估算；

S4、以扩展卡尔曼滤波算法估算的电池SOC为输入状态量，安时积分法为输出方程，利用卡尔曼滤波算法进行电池SOC估算得到电池SOC的估算值。

2.根据权利要求1所述的基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，所述电池等效电路模型为双RC环等效电路模型，所述双RC环等效电路模型包括电池的开路电压、电池内阻、极化电阻、极化电容、双电层电阻和双电层电容，

所述电池的开路电压的正极与电池内阻的左端连接，所述电池内阻的右端与极化电阻的左端连接，所述极化电阻的右端与双电层电阻的左端连接，所述极化电容与极化电阻并联，所述双电层电容与双电层电阻并联，所述双电层电阻的右端、电池的开路电压的负极分别作为等效电路的正负输出端。

3.根据权利要求2所述的基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，还包括步骤S5：

S5、重复步骤S1-S4对电池组中多个电池单体进行电池SOC值估算，并将多个电池SOC估算值中的最小值作为电池组的电池SOC估算值。

4.根据权利要求3所述的基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，所述步骤S1包括以下步骤：

S11、获取电池组的断电时长；

S12、判断电池组的断电时长是否大于预定时长，若大于预定时长，则获取电池组中电压最低的单体的SOC作为电池SOC的初始值；否则，则将断电前的电池组的电池SOC估算值为电池SOC的初始值。

5.根据权利要求2至4任一项所述的基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，所述电池的状态方程为

${\left[\begin{array}{c}{U}_b\\ U_p\\ SOC\end{array}\right]}_{k+1}=\left[\begin{array}{ccc}1-\frac{Ts}{{\mathrm{\τ}}_b}& 0& 0\\ 0& 1-\frac{Ts}{{\mathrm{\τ}}_p}& 0\\ 0& 0& 1\end{array}\right]{\left[\begin{array}{c}{U}_b\\ U_p\\ SOC\end{array}\right]}_k+\left[\begin{array}{c}\frac{Ts}{C_b}\\ \frac{Ts}{C_p}\\ -\frac{\mathrm{\η}Ts}{C_n}\end{array}\right]i_k+W_k;$

所述电池的输出方程为

U_(bat)k+1＝-U_b-U_p+[-R_o]i_k+U_oc+V_k；

其中，U_oc＝f_uoc(SOC(k))；

k为循环批次数，W_k和V_k分别为k批次时的系统过程噪声和系统测量噪声；Ts为系统采样时间；R_b和C_b分别为电池的双电层电阻和双电层电容，τ_b为双电层电容C_b、双电层电阻Rb组成的RC环时间常数，其值为R_b*C_b；R_p和C_p分别为电池的极化电阻和极化电容，τ_p为电容C_p、电阻R_p组成的RC环时间常数，值为R_p*C_p；η为电池库伦效率，用于描述电池放电容量所占的比例；SOC为电池荷电状态值；U_b和U_p分别为b、p两个RC环两端的电压值大小；C_b和C_p为电容C_b和C_p的电容值大小；C_n为电池容量；i为通过电池的电流，充电时电流为正值，放电时为负值；U_bat表示电池端电压，Ro为电池内阻，Uoc为电池的开路电压。

6.根据权利要求1至4任一项所述的基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，所述步骤S3包括以下步骤：

S31、以电池SOC的初始值作为输入状态量，电池等效电路模型所对应的电压方程为输出方程，定义电池状态方程和输出方程，设定初始状态估计值和初始状态误差协方差；

S32、得到当前时刻状态量及协方差和的函数关系；

S33、得到当前时刻的卡尔曼增益矩阵；

S34、利用通过状态方程计算得到的输出和测量得到的输出对先验估计值进行校正，得到当前时刻的更新状态值和协方差；

S35、更新状态量和协方差的值，得到利用扩展卡尔曼滤波算法估算的当前时刻的电池SOC值，返回步骤S31重新迭代，利用扩展卡尔曼滤波算法进行下一时刻的SOC值估算。

7.根据权利要求6所述的基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，所述步骤S4包括以下步骤：

S41、以扩展卡尔曼滤波算法估算的电池SOC为输入状态量，安时积分法为输出方程，定义电池状态方程和输出方程，设定初始状态估计值和初始状态误差协方差；

S42、得到当前时刻状态量及协方差和的函数关系；

S43、得到当前时刻的卡尔曼增益矩阵；

S44、利用通过状态方程计算得到的输出和测量得到的输出对先验估计值进行校正，得到当前时刻的更新状态值和协方差；

S45、更新状态量和协方差的值，得到基于双卡尔曼滤波算法估算当前时刻的电池SOC值，返回步骤S41重新迭代，利用卡尔曼滤波算法进行下一时刻的SOC值估算。

8.根据权利要求3或4所述的基于双卡尔曼滤波算法的电池SOC在线估计方法，其特征在于，当电池组充至满电时，将电池SOC值强制校准为100％；当电池组放电至电压低于预定阈值时，将电池SOC值强制校准为0。