CN110646737B - 基于多模型的电池soc动态估算方法、系统及存储介质 - Google Patents

Abstract

本发明公开了基于多模型的电池SOC动态估算方法、系统及存储介质，方法包括：采用开路电压‑内阻模型构建电池基准模型；根据电池基准模型，生成多个随机模型；对于每个随机模型，采用Luenberger观测器进行初步SOC估算；采用梯度校正法确定各个随机模型的权值；将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果。本发明采用了轻量级的梯度校正法，降低了复杂度和计算量，另外，本发明对每个随机模型采用独立的Luenberger观测器进行状态估计，最后得到逼近真实的荷电状态，提高了估算精度，可广泛应用于电池状态检测技术领域。

Description

基于多模型的电池SOC动态估算方法、系统及存储介质

技术领域

本发明涉及电池状态检测技术领域，尤其是基于多模型的电池SOC动态估算方法、系统及存储介质。

背景技术

在化石能源日益枯竭的今天，发展新能源汽车，特别是电动汽车是解决人类对化石能源过渡依赖的重要途径。电池是电动汽车的动力源，虽然各类新型电池不断涌现，但是锂电池以其优越的性能和成熟的技术仍会成为未来十年新能源汽车用动力单元的首选。锂电池必须配备专用的电池管理系统，才能保障电池安全、可靠、高效的运行。

现有的电池技术决定了电池在使用过程中，不可避免的会出现老化现象。电动汽车使用的动力电池因老化而容量衰减达到20％左右后，无法再满足用户对车辆续航的期望而会被更换，这个时间段一般是5-8年。在这个期间内，实时精准估计电池的剩余电量(SOC)对保障车辆使用安全、决策合理的充电时间以及延长电池寿命都具有重要意义，可以说，在考虑电池老化的前提下，精确的估计电池的剩余电量是电池管理系统的基本需求，也是电池管理系统的核心功能之一。

现有的SOC估计算法大致可以分为两类：基于电流积分的开环算法和基于模型的闭环算法。前者通常会受到积分漂移的作用，且无法对电池的老化和环境的变化做出恰当的响应；相比之下，基于模型的算法是更加具有吸引力的。早期的基于模型的算法主要集中于采用不同种算法对电池的SOC进行估计，这些算法包括卡尔曼滤波类算法、最小二乘类算法、比例积分滤波、状态观测器、滑膜观测器、粒子滤波等。一般认为，复杂度低于扩展卡尔曼滤波的算法更加适用于嵌入式BMS，而更复杂的粒子滤波等算法往往具有更高的精度，但是其计算量难以依托商用BMS硬件承载。

基于模型的算法都需要精准的电池模型作为支撑，为了避免对电池模型的过渡依赖，科研工作者们提出了一批自适应观测器算法，典型的有基于最小二乘-自适应扩展卡尔曼滤波的算法、多时间尺度卡尔曼滤波算法、双比例积分算法等。这些算法的基本思路是交替的估计电池的模型参数和电池状态变量，从而获得更好的效果。然而，这类算法的复杂度通常较高，而且，并非所有的电池模型都是全局能观的，这导致了模型自适应观测器对初始值的选择和系统噪声都非常敏感。为了克服自适应观测器类算法的不足，现有技术还提出了多模型混合算法，这类算法采用多个固定模型来对电池状态进行观测，并通过一系列不同的评价指标，来确定每一个模型的权重，这类算法的弊端在于它的复杂度至少是普通基于模型算法的几倍，且性能受限于所采用的模型。

发明内容

有鉴于此，本发明实施例提供一种复杂度较低且精度高的，基于多模型的电池SOC动态估算方法、系统及存储介质。

第一方面，本发明实施例提供了一种基于多模型的电池SOC动态估算方法，包括以下步骤：

采用开路电压-内阻模型构建电池基准模型；

根据电池基准模型，生成多个随机模型；

对于每个随机模型，采用Luenberger观测器进行初步SOC估算；

采用梯度校正法确定各个随机模型的权值；

将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果。

进一步，所述采用开路电压-内阻模型构建电池基准模型这一步骤中，所述电池基准模型为：

其中，V_k表示k时刻电池的端电压；R表示电池的等效内阻；I_k表示电池在k时刻的电流；a₀、a₁、a₂、a₃、a₄是模型的待辨识参数；x_k表示k时刻的SOC值。

进一步，所述k时刻的SOC值由电流积分法计算得到，所述电流积分法的计算公式为：

其中，C_n为电池容量，x₀为初始SOC值；I_j表示电池在j时刻的电流；ΔT表示时间间隔(秒)。

进一步，所述采用梯度校正法确定各个随机模型的权值这一步骤，包括以下步骤：

根据预设的初始时刻权值，预测端电压值；

在接下来的每一时刻，对代价函数进行最小化处理；

根据梯度校正法和最小化处理后的代价函数，对权值进行修正。

进一步，所述对权值进行修正的计算公式为：

其中，w_k代表k时刻的权值；G是梯度校正的增益；

是2范数；V_k代表k时刻由N_s个随机模型的端电压组成的向量；V_k代表k时刻当前随机模型的端电压。

进一步，所述将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果这一步骤中，所述加权累加的计算公式为：

其中，

代表k时刻待估计的SOC值；N_s代表随机模型的个数；^jw_k代表k时刻第j个随机模型的权重；^jx_k代表k时刻第j个随机模型的SOC值。

第二方面，本发明实施例还提供了一种基于多模型的电池SOC动态估算系统，包括：

基准模型构建模块，用于采用开路电压-内阻模型构建电池基准模型；

随机模型构建模块，用于根据电池基准模型，生成多个随机模型；

初步估算模块，用于对于每个随机模型，采用Luenberger观测器进行初步SOC估算；

权值确定模块，用于采用梯度校正法确定各个随机模型的权值；

动态估算模块，用于将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果。

进一步，所述权值确定模块包括：

电压预测单元，用于根据预设的初始时刻权值，预测端电压值；

最小化处理单元，用于在接下来的每一时刻，对代价函数进行最小化处理；

权值修正单元，用于根据梯度校正法和最小化处理后的代价函数，对权值进行修正。

第三方面，本发明实施例还提供了一种基于多模型的电池SOC动态估算系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于多模型的电池SOC动态估算方法。

第四方面，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于多模型的电池SOC动态估算方法。

上述本发明实施例中的一个或多个技术方案具有如下优点：本发明的实施例根据电池基准模型，生成多个随机模型，然后采用轻量级的梯度算法确定各个随机模型的权值，最终通过加权累加得到电池SOC动态估算结果；本发明采用了轻量级的梯度校正法，降低了复杂度和计算量，另外，本发明对每个随机模型采用独立的Luenberger观测器进行状态估计，最后得到逼近真实的荷电状态，提高了估算精度。

附图说明

图1为本发明实施例的整体步骤流程图；

图2为本发明实施例的实验数据示意图；

图3为本发明实施例的SOC估算结果对比图。

具体实施方式

下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

参照图1，本发明实施例提供了一种基于多模型的电池SOC动态估算方法，包括以下步骤：

采用开路电压-内阻模型构建电池基准模型；

根据电池基准模型，生成多个随机模型；

对于每个随机模型，采用Luenberger观测器进行初步SOC估算；

采用梯度校正法确定各个随机模型的权值；

将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果。

进一步作为优选的实施方式，所述采用开路电压-内阻模型构建电池基准模型这一步骤中，所述电池基准模型为：

其中，V_k表示k时刻电池的端电压；R表示电池的等效内阻；I_k表示电池在k时刻的电流；a₀、a₁、a₂、a₃、a₄是模型的待辨识参数；x_k表示k时刻的SOC值。

进一步作为优选的实施方式，所述k时刻的SOC值由电流积分法计算得到，所述电流积分法的计算公式为：

其中，C_n为电池容量，x₀为初始SOC值；I_j表示电池在j时刻的电流；ΔT表示时间间隔(秒)。

进一步作为优选的实施方式，所述采用梯度校正法确定各个随机模型的权值这一步骤，包括以下步骤：

根据预设的初始时刻权值，预测端电压值；

在接下来的每一时刻，对代价函数进行最小化处理；

根据梯度校正法和最小化处理后的代价函数，对权值进行修正。

进一步作为优选的实施方式，所述对权值进行修正的计算公式为：

其中，w_k代表k时刻的权值；G是梯度校正的增益；

是2范数；V_k代表k时刻由N_s个随机模型的端电压组成的向量；V_k代表k时刻当前随机模型的端电压

进一步作为优选的实施方式，所述将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果这一步骤中，所述加权累加的计算公式为：

其中，

代表k时刻待估计的SOC值；N_s代表随机模型的个数；^jw_k代表k时刻第j个随机模型的权重；^jx_k代表k时刻第j个随机模型的SOC值。

与图1的方法相对应，本发明实施例还提供了一种基于多模型的电池SOC动态估算系统，包括：

基准模型构建模块，用于采用开路电压-内阻模型构建电池基准模型；

随机模型构建模块，用于根据电池基准模型，生成多个随机模型；

初步估算模块，用于对于每个随机模型，采用Luenberger观测器进行初步SOC估算；

权值确定模块，用于采用梯度校正法确定各个随机模型的权值；

动态估算模块，用于将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果。

进一步作为优选的实施方式，所述权值确定模块包括：

电压预测单元，用于根据预设的初始时刻权值，预测端电压值；

最小化处理单元，用于在接下来的每一时刻，对代价函数进行最小化处理；

权值修正单元，用于根据梯度校正法和最小化处理后的代价函数，对权值进行修正。

下面详细描述本发明的基于多模型的电池SOC动态估算方法的具体实现方法：

本文延续多模型混合算法的思路，提出在参考模型的基础上，生成多个随机模型来增强算法鲁棒性的策略，每个随机模型独立运行，并采用轻量级的梯度校正算法来为模型赋以权重，大幅减小了计算量，为实际应用打好基础。实验结果表明本文的算法对电池老化具有较好的鲁棒性。

具体的，包括以下步骤：

S1、本文采用开路电压(OCV)-内阻(R)模型作为电池模型，尽管该模型的结构精细程度不如高阶RC模型和电化学模型，但是大量的研究表明该模型不但计算复杂度低，而且在算法设计合理的情况下也能达到较高的SOC估计精度。该模型的具体表达如下：

其中：V_k表示k时刻电池的端电压；R表示电池的等效内阻；I_k表示电池在k时刻的电流；a₀、a₁、a₂、a₃、a₄是模型待辨识的参数，可以利用设备测量得到电池的动态工况曲线，并采用离线最小二乘算法进行辨识；x_k表示k时刻的SOC值。本实施例中，综合考虑模型精度和计算复杂度后，根据经验将模型中的多项式阶数取为4阶。

电池的SOC可以由电流积分法获得：

其中：C_n为电池容量，x₀为初始SOC，根据公式(1)，x₀可以通过求解OCV＝a₀+a₁x+a₂x²+a₃x³+a₄x⁴得到。

S2、基于已有的基准模型，可以生成N_s个随机模型。对于第i个随机模型，由公式(1)和(2)，可以得到

其中：上标ⁱ表示第i个随机模型；OCV表示开路电压。在一般情况下，电池老化对容量C_n和内阻R的影响显著，而对OCV和SOC关系影响较小。因此，在生成随机模型时，a₀、a₁、a₂、a₃、a₄与基准模型保持一致；考虑到正常使用范围内，锂电池的老化程度一般不允许超过30％，因此本实施例将基准模型的电池容量在±15％范围内随机选取，作为随机模型的容量。随机模型的内阻是通过如下经验规则线性折算的：电池容量衰减20％时，电池内阻翻倍。由于一般商用BMS电压检测的误差约为±10mV，可最大对应5％的SOC估计误差，因此，本实施例中随机模型的初始SOC即ⁱx₀是将求解OCV-SOC关系得到的结果在±5％范围内随机变动而得到的。

S3、对每一个随机模型，采用Luenberger观测器做初步的SOC估计：

其中：L是Luenberger观测器的反馈增益；

代表k时刻第i个随机模型SOC的开环预测值；ⁱC_n代表第i个随机模型的电池容量；ⁱV_k代表k时刻第i个随机模型的端电压预测值；ⁱR代表第i个随机模型的电池内阻；V_k代表k时刻的端电压

S4、本实施例用下式来预测端电压：

其中，

代表k时刻待预测的端电压值；N_s代表随机模型的个数；^jw_k代表k时刻第j个随机模型的权重；^jV_k代表k时刻第j个随机模型的端电压值；w_k为权重，在初始时刻，指定w₀＝[¹w₀,²w₀,…,N_s w₀]^T＝[1/N_s,1/N_s,...,1/N_s]^T，即所有随机模型的权重是一样的。在接下来的每一个时刻，最小化下述代价函数：

根据梯度校正法，可以通过下式修正w，使

逐渐下降：

其中，V_k＝[¹V_k,²V_k,…,N_s V_k]^T；

是2范数；G是梯度校正的增益，通常在0-2的范围内可保证算法的收敛性。

最后，待估计的SOC可以用随机模型的SOC带权累加得到：

此外，本实施例还对本发明的方法进行实验测试，以确定本发明带来的有益效果。

具体的，本实施例采用标准粒子滤波作为SOC估计的对照算法，粒子滤波的模型选用参考模型。为了公平对比起见，粒子数量与本实施例所提方法中随机模型的个数N_s相同，都取为30。

本实验采用三节老化程度明显不同的索尼VTC5电池进行验证，使用亚科源电池充放电设备进行测量，其电压量程为5V，电流量程为30A，精度为5‰FS+5‰RD；实验中的温度控制采用宏展恒温箱，温度控制结果为25±2℃。

实验数据结果如图2(a)、图2(b)和图2(c)所示，选用的三节电池在1C倍率下的放电曲线如图2(a)，其容量分别如下：

1#电池：2.432Ah；2#电池：2.300Ah；3#电池：2.196Ah。

从图2(a)中可见，所选用的三节电池在容量和放电特性上均有明显的不同。对比1#电池和3#电池，二者的容量衰减有9％的差异。

在接下来的实验中，采用UDDS工况对1#电池进行建模，通过最小二乘算法辨识得到的模型参数如下：

a₀＝3.1549；a₁＝2.5947；a₂＝-6.4010；a₃＝8.3729；a₄＝-3.5875；R＝0.0397

建模的结果和实验数据的对比见图2(b)。

OCV-R模型的仿真结果与实验结果在总体趋势上是匹配的，但该模型在反应电池动态极化特性的能力方面有所不足，且基本不能反应出电池放电末端内阻增大这一事实。值得注意的是，在考虑计算复杂度和电池老化的前提下，虽然OCV-R模型的初始拟合精度不高，选取它依旧是合理的。尽管一些高阶模型在初始建模时可以很好的拟合电池的充放电特性，但是却无法确保电池老化后高阶模型的模型失配会小于简单模型。此外，高阶模型的计算量都偏大，且其参数辨识(尤其是在线辨识)往往较为困难。因此，在考虑计算复杂度和电池长期使用的前提下，简单模型依旧有其优势。

将上述辨识得到的基准模型中的电池容量C_n随机浮动±15％，并根据经验规则调整电池内阻后，可以生成随机模型。图2(c)对比了1#电池的实验结果和基于5个随机模型的仿真结果。尽管随机模型中a_0:4与基准模型保持一致，但随机模型还是不会与基准模型完全匹配，这一特征决定了本发明的方法对基准模型的依赖性不强。

在本发明的方法的实现过程中，具体参数配置如下：在利用梯度校正法计算各随机模型权重的过程中，梯度校正增益G取为0.02，在使用Luenberger观测器时，增益L＝0.002。在使用该参数配置的条件下，SOC的估计结果如图3(a)、图3(b)和图3(c)所示，对应的均方误差见表1。

表1SOC估计的均方误差(％)

当建模与测试采用同一节电池时，作为适用于强非线性系统的高性能粒子滤波算法，其SOC估计均方误差小于0.6％，即估计的精度非常理想。相比之下，由于本实施例中的每一个随机模型都和电池的真实表现有相当的偏差，因此算法精度略低，为1.27％。但是，随着电池老化程度的加剧，本实施例提出的方法精度虽然有所下降，但始终优于1.5％。而对照算法在电池容量达到衰减9％的时候，均方误差已上升到3.1％，最大估计误差也达到了6.56％。实验说明，对比与粒子数量相同时的粒子滤波算法，本实施例方法实现高精度SOC估计的同时，降低了算法对模型精度的依赖，提升了对电池老化现象的鲁棒性。

另外，从算法复杂度的角度出发，粒子滤波算法需要经过复杂的重采样过程来预防粒子退化现象。相对而言，本发明采用Luenberger观测器与梯度校正法作为核心算法，算法复杂度明显低于粒子滤波，这是本发明的另一个优势。

综上所述，为了降低电池老化对电池荷电状态估计的影响，本发明提出了一种新的状态估计方法：用一簇随机模型的状态估计逼近系统真实状态。具体地，先将离线辨识好的基准模型中的部分参数进行随机浮动，得到一簇列随机模型。接着对每个随机模型采用独立的Luenberger观测器进行状态估计，并用梯度校正法对每个模型赋权重。最后用带权累加的随机模型荷电状态逼近系统真实的荷电状态。实验结果表明，当电池容量衰减超过10％时，采用本发明的方法可以获得精度高于1.37％的SOC估计结果，这个精度比同等条件下的粒子滤波算法提高56％。本发明的核心算法是Luenberger观测器和梯度校正法，在计算量上也具有天然的优势。

本发明实施例还提供了一种基于多模型的电池SOC动态估算系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于多模型的电池SOC动态估算方法。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的基于多模型的电池SOC动态估算方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明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 (8)

1.基于多模型的电池SOC动态估算方法，其特征在于：包括以下步骤：

采用开路电压-内阻模型构建电池基准模型；

根据电池基准模型，生成多个随机模型；

对于每个随机模型，采用Luenberger观测器进行初步SOC估算；

采用梯度校正法确定各个随机模型的权值；

将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果；

所述采用梯度校正法确定各个随机模型的权值这一步骤，包括以下步骤：

根据预设的初始时刻权值，预测端电压值；

在接下来的每一时刻，对代价函数进行最小化处理；

根据梯度校正法和最小化处理后的代价函数，对权值进行修正。

2.根据权利要求1所述的基于多模型的电池SOC动态估算方法，其特征在于：所述采用开路电压-内阻模型构建电池基准模型这一步骤中，所述电池基准模型为：

其中，

表示k时刻电池的端电压；R表示电池的等效内阻；I_k表示电池在k时刻的电流；a₀、a₁、a₂、a₃、a₄是模型的待辨识参数；x_k表示k时刻的SOC值。

3.根据权利要求2所述的基于多模型的电池SOC动态估算方法，其特征在于：所述k时刻的SOC值由电流积分法计算得到，所述电流积分法的计算公式为：

其中，C_n为电池容量，x₀为初始SOC值；I_j表示电池在j时刻的电流；ΔT表示时间间隔。

4.根据权利要求1所述的基于多模型的电池SOC动态估算方法，其特征在于：所述对权值进行修正的计算公式为：

其中，

代表k时刻的权值；G是梯度校正的增益；

是2范数；

代表k时刻由N_s个随机模型的端电压组成的向量；

代表k时刻当前随机模型的端电压。

5.根据权利要求1所述的基于多模型的电池SOC动态估算方法，其特征在于：所述将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果这一步骤中，所述加权累加的计算公式为：

其中，

代表k时刻待估计的SOC值；N_s代表随机模型的个数；

代表k时刻第j个随机模型的权重；^jx_k代表k时刻第j个随机模型的SOC值。

6.基于多模型的电池SOC动态估算系统，其特征在于：包括：

基准模型构建模块，用于采用开路电压-内阻模型构建电池基准模型；

随机模型构建模块，用于根据电池基准模型，生成多个随机模型；

初步估算模块，用于对于每个随机模型，采用Luenberger观测器进行初步SOC估算；

权值确定模块，用于采用梯度校正法确定各个随机模型的权值；

动态估算模块，用于将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果；

所述权值确定模块包括：

电压预测单元，用于根据预设的初始时刻权值，预测端电压值；

最小化处理单元，用于在接下来的每一时刻，对代价函数进行最小化处理；

权值修正单元，用于根据梯度校正法和最小化处理后的代价函数，对权值进行修正。

7.基于多模型的电池SOC动态估算系统，其特征在于：包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-5中任一项所述的基于多模型的电池SOC动态估算方法。

8.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-5中任一项所述的基于多模型的电池SOC动态估算方法。

Images