CN108508366A

CN108508366A - 铅酸电池的模型参数的在线确定以及soc和soh的计算

Info

Publication number: CN108508366A
Application number: CN201810166322.1A
Authority: CN
Inventors: H.N.辛赫; J.R.尼拉姆; M.舜穆加维尔
Original assignee: Honeywell International Inc
Current assignee: Honeywell International Inc
Priority date: 2017-02-28
Filing date: 2018-02-28
Publication date: 2018-09-07
Also published as: US20180246173A1

Abstract

公开了铅酸电池的模型参数的在线确定以及SOC和SOH的计算。提供了用于在线估计用于确定电池的荷电状态（SoC）和健康状态（SoH）的电池模型参数的方法和装置。利用了使用在可编程的间隔的电压、电流和温度采样来估计RC电池模型参数的数学方法，从而降低了计算要求以使得能够进行在线环境中的SoC的实时估计。SoC估计利用具有扩展卡尔曼滤波器（EKF）的最优估计器以降低对处理噪声和测量误差的敏感度。在放电或充电操作之后，还能够根据需要估计和更新SoH。

Description

铅酸电池的模型参数的在线确定以及SOC和SOH的计算

技术领域

本发明一般而言涉及用于确定电池SoC（荷电状态）和SoH（健康状态）的装置和方法。更特别地，本发明涉及用于电池的模型参数的在线确定以及SoC和SoH的计算的装置和方法。

背景技术

诸如铅酸电池的电池是用于汽车应用的被最广泛地使用的动力源之一，其提供用于启动、照明和点火的电力。此外，铅酸电池被用于电力和混合动力车辆中的传动电力。为了提供充足的电力以转动曲柄发动汽车引擎，铅酸电池通常被设计为具有大量的薄板以提供大的表面面积用于使电流输出最大化。然而，当发生深度放电操作时，在该薄板设计中可能发生不可逆的损坏。为了避免深度放电操作，必要的是知道电池的状态，电池的状态可以用SoC来表达。

以百分数表达的SoC表示在电池中的剩余电量。因为不能直接地计算SoC，所以精确的SoC估计是在行业中要解决的主要问题之一。精确的SoC估计允许电池被使用达到其全部潜能，增加电池寿命、性能和可靠性。附加地，在混合动力车辆中，更精确的SoC估计使车辆的主计算机能够在电池和内燃（IC）引擎之间切换动力源以更可靠地避免深度放电。

SoH是描述电池的状况的数字。因此，SoH提供关于当与新的电池比较时电池的存储和递送能量的能力的信息。从用户的角度来看，精确的SoH测量提供关于电池的维护和更换的有帮助的预先警报。从制造商的角度来看，精确的SoH测量使得能够进行关于服务和保修承诺的明智的商业决定。

与SoC相似，不能直接地计算SoH。相应地，SoC和SoH估计通常利用基于模型的方法以基于电池的模型来确定电池的参数。一旦参数已知，那么就可以利用参数来估计SoC和SoH。

用于估计电池参数的已知的基于模型的方法遭受若干个缺点。首先，现存的方法通常要求大量的计算时间和/或存储器占用量。对于其中电池是在使用中并且必须实时地执行计算的在线应用而言，计算效率成为首要的关注。第二，特定的电池参数可能根据不同的电池并且根据电池用法和日历寿命而变化。现存的方法可能使用通用的方法来表征电池，该通用的方法不考虑对于每个单独的电池而言的制造特征和电池耗损状态。

如可以看到的那样，存在针对如下的装置和方法的需求：用于电池的模型参数的精确确定、以及还适合于在线环境的SoC和SoH的计算。

发明内容

在本发明的一个方面中，提供了一种用于在线估计用于确定电池的荷电状态（SoC）的电池模型参数的方法，该方法包括：发起对电池的操作，操作包括充电和放电中的一个；基于在操作的开始时刻的电压改变除以电流改变，估计串联欧姆电阻（R_s）；基于电池的温度和从R_s确定的SoH，更新温度系数（a₀）；直到对电池的操作完成为止，执行：针对多个更新间隔中的每个：针对多个取样间隔中的每个：更新电池的采样，其中采样包括电压、电流和温度；使用采样的安培小时（Ah）计数来估计SoC；基于温度系数和所估计的SoC来更新电池的串联欧姆电阻（R_s）；计算跨电池的RC电路的RC模型电压（V₀）、电池的RC模型电阻（R₀）和电池的RC模型电容（C₀），其中V₀是基于采样的电压和电流、更新的R_s和用于电池的普克特（Peukert）常数而得到的极化电压；使用从多个取样间隔的V₀构造的极化电压曲线来估计和更新R₀和C₀；使用具有包括采样、R_s、R₀和C₀的输入的最优估计器来估计和更新SoC。

在本发明的另一个方面中，提供了一种用于在线估计用于确定电池的荷电状态（SoC）的电池模型参数的装置，该装置包括一个或多个处理器，该一个或多个处理器被配置为：发起对电池的操作，操作包括充电或放电中的一个；基于在操作的开始时刻的电压改变除以电流改变，估计串联欧姆电阻（R_s）；基于电池的温度和从R_s确定的SoH，更新温度系数（a₀）；和直到对电池的操作完成为止，执行：针对多个更新间隔中的每个：针对多个取样间隔中的每个：更新电池的采样，其中采样包括电压、电流和温度；使用采样的安培小时（Ah）计数来估计SoC；基于温度系数和估计的SoC来更新电池的串联欧姆电阻（R_s）；计算跨电池的RC电路的RC模型电压（V₀）、电池的RC模型电阻（R₀）和电池的RC模型电容（C₀），其中V₀是基于采样的电压和电流、更新的R_s和用于电池的普克特常数而得到的极化电压；使用从多个取样间隔的V₀构造的极化电压曲线来估计和更新R₀和C₀；使用具有包括采样、R_s、R₀和C₀的输入的最优估计器来估计和更新SoC。

在本发明的进一步的方面中，提供了一种用于在线估计用于确定电池的荷电状态（SoC）的电池模型参数的计算机可读的非暂时性介质，该计算机可读的非暂时性介质存储一个或多个指令，当被一个或多个处理器执行时，该一个或多个指令引起：发起对电池的操作，操作包括充电或放电中的一个；基于在操作的开始时刻的电压改变除以电流改变，估计串联欧姆电阻（R_s）；基于电池的温度和从R_s确定的SoH，更新温度系数（a₀）；直到对电池的操作完成为止，执行：针对多个更新间隔中的每个：针对多个取样间隔中的每个：更新电池的采样，其中采样包括电压、电流和温度；使用采样的安培小时（Ah）计数来估计SoC；基于温度系数和所估计的SoC来更新电池的串联欧姆电阻（R_s）；计算跨电池的RC电路的RC模型电压（V₀）、电池的RC模型电阻（R₀）和电池的RC模型电容（C₀），其中V₀是基于采样的电压和电流、更新的R_s和用于电池的普克特常数而得到的极化电压；使用从多个取样间隔的V₀构造的极化电压曲线来估计和更新R₀和C₀；使用具有包括采样、R_s、R₀和C₀的输入的最优估计器来估计和更新SoC。

参照随后的附图、描述和权利要求，本发明的这些和其它的特征、方面和优点将变得更好理解。

附图说明

图1是根据本发明的示例性实施例的利用荷电状态（SoC）的在线估计的示例性电池供电系统的框图；

图2是示例性1-RC电池模型的电路图；

图3是用于通过使用放电操作的电压和电流轮廓来估计电池的串联欧姆电阻的示例性示图。

图4是用于通过使用放电操作的电压和电流轮廓来估计电池的模型参数的示例性示图。

图5是展示由于电池动力学所致的电压轮廓的电池电压曲线的示例性示图；

图6A和图6B是用于在线估计用于确定电池的荷电状态（SoC）的电池参数的示例性方法的流程图。

具体实施方式

随后的详细的描述具有执行本发明的示例性实施例的目前最好的预期的模式。因为本发明的范围是由所附的权利要求来最佳地限定的，所以描述不应被以限制的意义来看待而是仅仅为了说明本发明的一般原理的目的而做出的。

以下描述了各种创新的特征，每个创新的特征可以被相互独立地使用或者与其它特征组合使用。

宽泛地讲，本发明涉及用于确定电池的荷电状态（SoC）和健康状态（SoH）的电池参数的在线估计。通过利用精简的数学方法，从而计算要求被降低以使得能够在在线环境中进行SoC的实时的估计，该精简的数学方法使用电压、电流和温度采样以估计1-RC电池模型参数。不要求存储冗长的查找表，从而减少存储器占用量。SoC估计使用利用扩展卡尔曼滤波（EKF）的最优估计器以降低对处理噪声和测量误差的敏感度。在放电或充电操作之后，在必要时还可以估计和更新SoH。虽然在此说明的示例是针对铅酸电池的，但是SoC和SoH估计也可以应用于可以使用RC模型建模的任何电池化学作用。

通过如在此描述那样的在处于在线环境的同时精确地估计电池的SoC和SoH的技术解决方案来解决改善电池技术的性能、可靠性、维护和诊断的技术问题。电池参数的精确的估计允许车辆更好地管理电池，例如通过根据所估计的SoC和SoH来设定阈值，以避免可能不利地影响电池的深度放电操作。在混合动力车辆中，例如，如果越过阈值，则可以将动力源从电池切换到内燃引擎。进一步地，如以上在背景技术中描述的那样，精确的SoC和SoH还使得能够进行对于终端用户而言有用的维护通知，并且允许电池制造商更好地制定他们的保修和顾客服务承诺。

在讨论数学方法的详情之前，对电池供电的系统的宽泛概述可能对于提供背景情境是有帮助的。相应地，图1是根据本发明的示例性实施例的利用荷电状态（SoC）的在线估计的示例性电池供电系统的框图。图1包括数据取样模块110、处理模块120、接触器130A、接触器130B、充电器140、负载150和电池组160。数据取样模块110包括采样112。采样112包括电压114、电流116和温度118。处理模块120包括处理器121、R_s估计器122、R₀C₀估计器124、SoC/SoH估计器126和各值128。

处理器121可以包括采用任何合适的配置的一个或多个通用的或定制的处理器，其包括微处理器、微控制器、片上系统和其它。可以使用软件和硬件的任何组合来实现R_s估计器122、R₀C₀估计器124、SoC/SoH估计器126，该软件和硬件的任何组合可以包括用于由处理器121执行的存储在非暂时性计算机可读介质上的计算机可读指令。

电池组160可以包括以串联和/或并联组合来连接的一个或多个电池单元。在该特定的示例中，电池组160是铅酸电池，但是电池组160可以利用可以使用RC模型建模的任何的电池化学作用。充电器140用于给电池组160充电，并且负载150用于给电池组160放电。例如，充电器140可以对应于发电机，该发电机连接到引擎轴或者连接到从车辆的再生制动所接收的动力，并且负载150可以对应于用于转动曲柄发动引擎的电动马达或者对应于用于电动车辆的加速的电动马达。

处理模块120可以利用处理器121开始发起对电池组160的充电或放电操作。如果要求充电操作，例如来自连接到引擎轴的发电机的电力可用或者由于用户对车辆施加制动，则那么处理器121可以指示闭合接触器130A并且打开接触器130B，以允许充电器140给电池组160充电。相似地，如果要求放电操作，例如为了转动曲柄发动引擎或者由于用户对于电动车辆踩踏加速踏板，则那么处理器121可以指示打开接触器130A并且闭合接触器130B以允许负载150给电池组160放电。处理器121还可以指示动力源在电池组160和诸如内燃引擎或不同的电池组的替换的能量源之间切换。

一旦发起了充电或放电操作，那么数据取样模块110就可以例如通过使用传感器或其它部件以规则的周期性间隔来收集采样112。除了其它的考虑之外，还可以根据所要求的粒度和存储器约束来设定该规则的周期性间隔。如在图1中所示出的那样，采样112包括电压114、电流116和温度118，其可以对应于电池组160在特定时间的经取样的电压、电流和温度值。

采样112然后可以被利用于使用可编程的更新间隔来估计各值128。注意该估计更新间隔不必与用于采样112的取样间隔相同。相应地，用于采样112的取样间隔可以与用于各值128的估计间隔相比更频繁地发生。除了其它的值之外，各值128还可以包括R_s，R₀，C₀，SoC和SoH。如在图1中所示出的那样，R_s估计器122、R₀C₀估计器124和SoC/SoH估计器126可以使用采样112作为输入。进一步地，R₀C₀估计器124可以使用R_s估计器122的输出作为输入，并且SoC/SoH估计器126可以使用R_s估计器122和R₀C₀估计器124的输出作为输入。一旦获得了各值128，那么就可以使用SoC和SoH值来帮助——例如如果SoC下降到某阈值以下，则通过从电池切换到引擎动力——防止电池组160的深度放电。为了维护和诊断目的，还可以记录和报告SoC和SoH。

如以上所讨论的，因为不能直接地计算SoC和SoH，所以通常根据电池的模型利用模型方法来估计SoC和SoH。相应地，图2是示例性1-RC电池模型的电路图。电池模型包括从属的电压源“OCV（SoC）”，也称为“Voc（SoC）”、串联电阻（R_s）和一个RC或1-RC电路（R₀，C₀）。OCV（SoC）表示在电池的SoC和OCV（静止的开路电压）之间的关系，R_s表示串联欧姆电阻，并且R₀、C₀表示在铅酸电池中观察到的动力学影响。

电池模型参数R_s、R₀和C₀根据SoC、温度和电池年龄而变化。特别是，R_s随着SoC、温度和电池老化而显著地变化。如在图1中所示出的那样，R_s估计器122的输出被用作为用于SoC/SoH估计器126的输入。因此，为了提供SoC和SoH的精确的估计，合期望的是执行R_s的在线估计以便将当前的温度、SoC和电池耗损程度作为因素考虑在内。

串联欧姆电阻（R_s）估计

为了更详细地解释R_s估计器122的操作，图3是用于通过使用放电操作的电压和电流轮廓来估计电池的串联欧姆电阻（R_s）的示例性示图。如在图3中所示出的那样，电池电压（以伏特为单位测量的并且对应于电压114的V）和电池电流（以安培或A为单位测量的对应于电流116的I）被随着时间的经过而取样。当放电操作开始时，可以测量瞬时电压降ΔV_bat和电池电流ΔI_bat。因为可以从采样直接地测量这些改变，所以可以使用欧姆定律的应用来估计串联欧姆电阻（Rs）：

等式 1

将在放电时刻的电池电压当作是对应于OCV的，那么以上估计的R_s表示针对该OCV（SoC）的R_s。因此，可以基于以下的这个关系确定温度系数：

等式 2

其中温度系数a₀=f(T, SoH)，其中T是电池的温度，并且SoH是电池的健康状态。假设电池处于T=环境温度并且SoH=100%健康（没有电池耗损），则a₀=1。因为该估计依赖于OCV或静止的开路电压，所以每次从静止的电池状况发生放电操作时，可以更新温度系数a₀。因此，可以从R_s估计器122输出初始的估计的R_s值。

电池模型参数（R₀，C₀）估计

参照图4，在R0，C0估计器124的操作的情况下继续，图4是用于通过使用放电操作的电压和电流轮廓来估计电池的模型参数的示例性示图。如以上所讨论的那样，取样频率不需要直接地对应于估计更新频率。因此，在每个时间s(i), s(i+1), s(i+2)… s(i+j), 可以从电池组160取样新的采样112。相应地，针对在时间t（n）的每次更新，可以取得j个采样。可以根据例如电池操作特征、应用程序采样数据大小和粒度要求以及存储器约束来设定取样频率j和更新频率或者在t(n)和t(n+1)之间的时间。例如，如果40个电压采样是用以精确地估计模型参数的基线最小采样大小要求，则那么当取样频率被设定为50ms时更新频率可以被设定为2秒，以提供所要求的每次更新的40个电压采样。

在图4中的放电操作期间观察到的电压降是由于欧姆电阻、电量递送现象和扩散现象的组合所致。然而，可以在图4中看到的是，在两个估计点（例如t(n)和t(n+1)）之间的电压降显现为几乎是线性的。一个原因是，对于贯穿SoC操作范围而保持恒定的按每Ah的所递送电量而下降的铅酸电池电压而言，SoC-OCV关系是几乎线性的。另一个原因是，电阻由于放电操作（其可能是由于线性的IR₀下降）而改变（增加）。在时刻t(n)和t(n+1)之间的电压轮廓可以由随后的等式给出：

等式 3

等式 4

其中：

V(t)是在时间t的电池电压

I(t)是在时间t的电池电流

是在第i个采样时刻，使用库伦计数技术基于SoC而估计的串联欧姆电阻

R₀是电量传递电阻

dt是更新间隔“t(n+1)-t(n)”

（RC时间常数）

表示按根据普克特常数的所递送的每一Ah的电压降的常数

普克特容量 (当以1A放电时电池的Ah 容量 )

K=普克特指数

因为目标是针对特定的电池估计R₀和C₀的值，所以电量递送现象和线性IR_s下降的影响被分离开，以关注于电池动力学的影响上。参照图5，图5是展示由于电池动力学所致的电压轮廓的电池电压曲线的示例性示图。图5中的电压轮廓是由随后的等式给出的：

等式 5

因此，返回参照图4，针对在t(n)和t(n+1)之间获取的每个采样s(i)，s(i+1)，s(i+2)…s(i+j)，可以使用以上的等式来计算对应的电压V₀(t)。然后可以将电压曲线V₀(t)与指数项“”进行比较，以计算电池参数R₀和C₀。因此，R₀，C₀估计器124可以基于从t(n)到t(n+1)搜集的采样在时间t(n+1)之后更新R₀和C₀。

使用最优估计器和1-RC模型的SoC估计

在R_s估计器122和R₀，C₀估计器124的输出现在是可利用的情况下，可以将注意力转到SoC/SoH估计器126的工作。具体地，SoC/SoH估计器126利用最优估计器以估计电池组160的SoC。最优估计器可以是递归的，并且可以利用扩展卡尔曼滤波（EKF）以消除由于测量噪声和处理噪声所致的误差。在此描述的特定的最优估计器使用用于电池组160的1-RC模型。

最优估计器对电池的参数——包括在电池的状态描述中的未知的参数——进行建模，从而允许最优估计器估计时变动力学系统的当前的值。首先，在预测步骤或时间更新中，最优估计器预测当前状态的值，其由此包括系统输出和误差协方差。第二，在校正步骤或测量更新中，将估计的系统输出与实际的物理系统输出进行比较，从而允许校正状态估计和误差协方差。以下提供了系统的示例空间—状态模型：

等式 6

等式 7

针对初始化，k=0：

初始状态，

误差协方差

针对计算，k=1：

（等式 8）状态估计时间更新：

（等式 9）误差协方差时间更新：

（等式 10）卡尔曼增益矩阵：

（等式 11）系统输出估计：

（等式 12）状态估计测量更新：

（等式 13）误差协方差测量更新：

其中：

w _k—处理噪声

v _k —测量噪声

∑ _w—处理噪声协方差矩阵

∑ _v—测量噪声协方差矩阵

用于电池系统的滤波器等式是如下的：

等式14 – 状态等式

等式15 – 输出等式

其中：

使用标称的容量和SoC的SoH估计

在使用以上描述的最优估计器来计算出SoC之后，可以在时间t(n+1)之后在各值128中更新SoC值。常规地，可以通过对诸如电池单元阻抗的特定参数进行取样并且将经取样的参数与从新近的或新的电池测量的控制参数进行比较来测量SoH。这可能要求计算OCV，计算OCV要求电池在静止状态中开始。然而，在其中电池是在使用中的在线环境中，因为电池可能是持续地充电和放电，所以达到静止状态可能是困难的。

相应地，估计和更新SoH的在线方法是必要的。在题为“METHOD AND APPARATUSFOR ONLINE DETERMINATION OF BATTERY STATE OF CHARGE AND STATE OF HEALTH”的美国专利申请公布号US2013/0138369（在此该美国专利申请被如同完整地包含那样通过引用合并于此）中描述了一种方法。为了概述该方法，因为电池的满容量是电池的SoH的好的指标，所以可以（基于估计的SoC）在线估计当前的满容量，并且将当前的满容量与新近的或新的电池的标称容量进行比较以确定SoH。因此，一旦SoC、电池电流和最后的充填或放电操作的持续时间是已知于各值128中的，那么就可以如以下那样估计SoH：

（等式 16）

（等式 17）

其中Q_full是估计的电池的满容量，并且Q_nom是当电池是新的时电池的标称容量。

SoC估计流程图

既然已经描述了估计器中的每个的细节，那么回顾将所有的估计器放在情境中的示例性处理可能是有帮助的。图6A和图6B是用于在线估计用于确定电池的荷电状态（SoC）的电池参数的示例性方法的流程图。图6A的处理600包括框602、框604、框606和框608。

在处理600的框602处，处理器121通过对电池组160发起操作而开始，操作包括充电和放电中的一个。如以上所讨论的那样，在汽车的情境中，充电操作可以是响应于再生制动或者当接收到来自连接到引擎轴的发电机的电力时而发起的，并且放电操作可以是响应于在加速踏板上的按压而发起的。因此，除了电池电力管理之外，处理器121还可以控制汽车（诸如电动或混合动力的车辆）的主要的功能。

在处理600的框604处，处理器121基于在操作的开始时刻的电压改变除以电流改变来估计串联欧姆电阻（R_s）。R_s估计器122因此可以紧接在框602中的操作被发起之前和之后请求来自数据取样模块110的采样112。因此，可以确认来自电池组160的在电压114和电流116上的改变，并且如以上与等式1和图3结合地讨论的那样，可以使用欧姆定律来确定R_s。

在处理600的框606处，处理器121基于电池的温度和从R_s确定的SoH来更新温度系数（a₀）。如以上与等式2结合地讨论的那样，这可以是使用来自框604的R_s、来自采样112的温度118、和OCV或者如来自框604的初始电压采样那样的静态开路电压读数而估计的。因此，在确定R_s之后，当必要时R_s估计器122可以继续确定a₀。

在处理600的框608处，处理器121根据多个更新间隔和多个取样间隔来估计和更新电池组160的SoC。因此，R_s估计器122、R₀C₀估计器124和SoC/SoH估计器126可以处理采样组，以实时地更新包括电池组160的SoC的各值128。

转向图6B，图6B进一步详细地示出用于图6A中的框608的更新间隔。因此，框608可以针对多个更新间隔中的每个而重复框610、框612和框614。如以上所讨论的那样，为了精确的数据估计，取样间隔可以与更新间隔相比更频繁地发生，以使得每个更新间隔具有最小采样大小。

针对多个取样间隔中的每个执行框610。处理器121可以通过请求数据取样模块110更新电池组160的采样112来开始，其中采样112包括电压114、电流116和温度118。

框610利用处理器121继续使用采样112的安培小时（Ah）计数来估计电池组160的SoC。如以上所讨论的那样，在更新时刻t(n)和t(n+1)之间的取样时刻t期间，可以使用等式3和等式4来估计电压和电流轮廓。因此，可以在每个取样间隔之后，使用库伦计数或Ah计数来更新电池组160的SoC：

（等式18）

框610利用处理器121继续基于温度系数（a₀）和估计的SoC（来自以上的SoCcc(i)）来更新电池的串联欧姆电阻（R_s）。因此，在每个取样间隔之后，可以如以下那样更新R_s：

（等式19）

框610利用处理器121继续计算跨电池组160的RC电路的RC模型电压（V₀）、电池的RC模型电阻（R₀）和电池的RC模型电容（C₀），其中V₀是基于采样112的电压114和电流116、更新的R_s和用于电池的普克特常数而得出的极化电压。以上在标题“电池模型参数（R₀，C₀）估计”下面描述了特定的处理。

框612利用处理器121继续使用从多个取样间隔的V₀构造的极化电压曲线来估计和更新R₀和C₀。在完成框610之后，针对取样点中每个的各V₀值是可用的。因此，如以上所讨论的那样，等式5可以被利用于估计和更新包括R₀和C₀的电池模型参数。

框614利用处理器121继续使用具有包括采样112和各值128（其包括R_s，R₀和C₀）的输入的最优估计器来估计和更新SoC。以上在标题“使用最优估计器和1-RC模型的SoC估计”下面描述了最优估计器的特定的处理。在最优估计器完成之后，最近更新的SoC值被放置在各值128中。因此，可以在每个更新间隔之后精确地在线更新针对电池组160的SoC值。因为在使用以上所描述的利用固定大小的采样组的数学方法的情况下针对每个更新间隔的处理复杂度和存储器要求相对低，所以可以在每个更新间隔期间实时地做到对SoC的估计和更新。

如以上所讨论的那样，为了在线更新SoH，可以如以上在标题“使用标称容量和SoC的SoH估计”中所讨论的那样，将SoC与标称电池的SoC进行比较。因此，SoC和SoH两者都可以在在线情境中被精确地更新，以例如优化电池用法、避免深度放电操作、提供维护警报和记录诊断。

当然应当理解的是，前文涉及本发明的示例性实施例，并且可以在不脱离如在随后的权利要求中所阐述的本发明的精神和范围的情况下做出修改。

Claims

1.一种用于在线估计用于确定电池（160）的荷电状态（SoC）的电池模型参数的方法，所述方法包括：

发起对电池的操作，操作包括充电和放电中的一个（602）；

基于在操作的开始时刻的电压改变除以电流改变来估计串联欧姆电阻（R_s）（604）；

基于电池的温度和从R_s确定的SoH来更新温度系数（a₀）（606）；以及

直到对电池的操作完成为止，执行：

针对多个更新间隔中的每个（608）：

针对多个取样间隔中的每个（610）：

更新电池的采样，其中采样包括电压、电流和温度（610）；

使用采样的安培小时（Ah）计数来估计SoC（610）；

基于温度系数和估计的SoC来更新电池的串联欧姆电阻（R_s）（610）；

计算跨电池的RC电路的RC模型电压（V₀）、电池的RC模型电阻（R₀）和电池的RC模型电容（C₀），其中V₀是基于采样的电压和电流、更新的R_s和用于电池的普克特常数而得到的极化电压（610）；

使用从所述多个取样间隔的V₀构造的极化电压曲线来估计和更新R₀和C₀(612)；以及

使用具有包括采样、R_s、R₀和C₀的输入的最优估计器来估计和更新SoC（614）;

其中所述方法是由一个或多个处理器（121）执行的。

2.根据权利要求1所述的方法，其中所述方法进一步包括：

完成对电池的操作；

基于SoC、操作的电流和操作的持续时间，估计电池的满容量；以及

使用所估计的电池的满容量和电池的标称容量来估计电池的健康状态（SoH）。

3.根据权利要求1至2中的任何一项所述的方法，其中最优估计器利用扩展卡尔曼滤波器（EKF）。

4.根据权利要求1至3中的任何一项所述的方法，其中所述多个取样间隔与所述多个更新间隔相比更频繁地发生。

5.根据权利要求1至4中的任何一项所述的方法，其中SoC的估计和更新是在所述多个更新间隔中的每个期间实时地执行的。

6.根据权利要求1至5中的任何一项所述的方法，其中V₀、R₀和C₀是针对电池的1-RC模型而计算的。

7.根据权利要求1至6中的任何一项所述的方法，进一步包括：

在电池和引擎之间切换用于负载（150）的动力源，其中切换基于估计的和更新的SoC。