CN111142025A - 一种电池soc估算方法、装置、存储介质及电动汽车 - Google Patents

一种电池soc估算方法、装置、存储介质及电动汽车 Download PDF

Info

Publication number
CN111142025A
CN111142025A CN201911366760.3A CN201911366760A CN111142025A CN 111142025 A CN111142025 A CN 111142025A CN 201911366760 A CN201911366760 A CN 201911366760A CN 111142025 A CN111142025 A CN 111142025A
Authority
CN
China
Prior art keywords
battery
soc
value
initial
model parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911366760.3A
Other languages
English (en)
Inventor
褚艳伟
朱晓蒙
刘兆斌
单成龙
李好时
李港
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201911366760.3A priority Critical patent/CN111142025A/zh
Publication of CN111142025A publication Critical patent/CN111142025A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本申请提供一种电池SOC估算方法、装置、存储介质及电动汽车，所述方法包括：本申请一方面提供了一种电池SOC估算方法，包括：第一计算步骤，用于通过开路电压法计算所述电池的初始SOC计算值；第一修正步骤，用于采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；第二计算步骤，用于基于所述电池的初始SOC值，通过安时积分法计算所述电池的SOC计算值；第二修正步骤，用于采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值。本申请提供的方案能够提高电池估算的精度。

Description

一种电池SOC估算方法、装置、存储介质及电动汽车
技术领域
本申请涉及控制领域，尤其涉及一种电池SOC估算方法、装置、存储介质及电动汽车。
背景技术
随着电动汽车等新能源产业在全球范围内的蓬勃兴起，动力电池系统的优劣成为了影响其发展的关键技术因素之一。动力电池荷电状态(SOC)的精确估计是电池管理系统中的主要问题之一，关乎动力电池能量管理、循环寿命和使用成本。动力电池荷电状态作为电池重要参数之一，在实际应用中多被作为核心参数呈现在仪器仪表上，方便用户直观了解电池组的剩余电量和健康状况，同时也为电池组合理充放电和制定最优管理策略提供重要依据。由于电动汽车电池充放电时内部的反应复杂，且在实际应用中，电池受工况、环境等随机因素影响，具有很强的时变非线性，易出现电池过充过放电，进而导致续航能力下降和产生安全隐患。因此实时准确估计动力电池SOC值，对于延长电池寿命、提高电池的安全可靠性和提升电动汽车整车性能具有重要的理论意义和工程价值。
发明内容
本申请的主要目的在于克服上述缺陷，提供一种电池SOC估算方法、装置、存储介质及电动汽车，以解决难以实时准确估计动力电池SOC值的问题。
本申请一方面提供了一种电池SOC估算方法，包括：第一计算步骤，用于通过开路电压法计算所述电池的初始SOC计算值；第一修正步骤，用于采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；第二计算步骤，用于基于所述电池的初始SOC值，通过安时积分法计算所述电池的SOC计算值；第二修正步骤，用于采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值。
可选地，还包括：判断得到的修正的SOC值是否收敛，若否，则重复执行所述第二估算步骤和第二修正步骤，直到得到的修正的SOC值收敛，以确定为所述电池的SOC值。
可选地，还包括：模型构建步骤，用于基于二阶RC等效电路构建所述电池的数学模型，所述电池的数学模型中包含所述电池的模型参数；关系建立步骤，用于通过预先测得的电池组在不同SOC下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系。
可选地，采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值，包括：根据所述模型参数与SOC值的对应关系以及所述初始SOC计算值进行模型参数辨识，得到相应的第一模型参数；根据所述第一模型参数利用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；和/或，采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值，包括：根据所述模型参数与SOC值的对应关系以及所述SOC计算值进行模型参数辨识，得到相应的第二模型参数；根据所述第二模型参数利用奇异值分解卡尔曼滤波算法对所述SOC计算值进行修正，得到修正的SOC值。
可选地，所述模型参数，包括：电池的开路电压，电池的浓差极化电阻的内阻，电池的浓差极化电容的电容值，电池的电化学极化电阻的内阻，电池的电化学极化电容的电容值，电池的欧姆内阻，负载电流，电池的端电压，电池的浓差极化电阻和电池的浓差极化电容构成的RC网络的端电压，和/或电池的电化学极化电阻和电池的电化学极化电容构成的RC网络的端电压。
可选地，通过预先测得的所述电池在不同SOC值下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系，包括：将所述电池在不同SOC值下的电压回弹特性数据进行拟合，得到模型参数与电池SOC值的对应关系曲线。
本申请另一方面提供了一种电池SOC估算装置，包括：第一计算单元，用于通过开路电压法计算所述电池的初始SOC计算值；第一修正单元，用于采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；第二计算单元，用于基于所述电池的初始SOC值，通过安时积分法计算所述电池的SOC计算值；第二修正单元，用于采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值。
可选地，还包括：判断得到的修正的SOC值是否收敛，若否，则重复执行所述第二估算步骤和第二修正步骤，直到得到的修正的SOC值收敛，以确定为所述电池的SOC值。
可选地，还包括：模型构建单元，用于基于二阶RC等效电路构建所述电池的数学模型，所述电池的数学模型中包含所述电池的模型参数；关系建立单元，用于通过预先测得的电池组在不同SOC下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系。
可选地，所述第一修正单元，采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值，包括：根据所述模型参数与SOC值的对应关系以及所述初始SOC计算值进行模型参数辨识，得到相应的第一模型参数；根据所述第一模型参数利用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；和/或，所述第二修正单元，采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值，包括：根据所述模型参数与SOC值的对应关系以及所述SOC计算值进行模型参数辨识，得到相应的第二模型参数；根据所述第二模型参数利用奇异值分解卡尔曼滤波算法对所述SOC计算值进行修正，得到修正的SOC值。
可选地，所述模型参数，包括：电池的开路电压，电池的浓差极化电阻的内阻，电池的浓差极化电容的电容值，电池的电化学极化电阻的内阻，电池的电化学极化电容的电容值，电池的欧姆内阻，负载电流，电池的端电压，电池的浓差极化电阻和电池的浓差极化电容构成的RC网络的端电压，和/或电池的电化学极化电阻和电池的电化学极化电容构成的RC网络的端电压。
可选地，所述关系建立单元，通过预先测得的所述电池在不同SOC值下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系，包括：将所述电池在不同SOC值下的电压回弹特性数据进行拟合，得到模型参数与电池SOC值的对应关系曲线。
本申请又一方面提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。
本申请再一方面提供了一种电动汽车，包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一所述方法的步骤。
本申请再一方面提供了一种电动汽车，包括前述任一所述的电池SOC估算装置。
根据本申请的技术方案，利用动力电池的回弹特性，并通过试验得到电池组在不同SOC下的回弹电压数据，辨识不同SOC状态下的模型参数，提高模型的精度的同时保持良好的实时性。采用矩阵的奇异值分解(SVD)的奇异值分解卡尔曼滤波法(SVD-KF)对开路电压法得到的电池的SOC初始值和安时积分法得到的电池的SOC值进行修正，提高了电池估算的精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请提供的电池SOC估算方法的一实施例的方法示意图；
图2是本申请所采用的电池的二阶RC等效电路模型；
图3是本申请提供的电池SOC估算方法的一具体实施例的方法示意图；
图4是本申请提供的电池SOC估算装置的一实施例的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一些SOC计算方法包括：
1、开路电压法是一种SOC估算方法，需要精确检测电池的开路电压OCV。在电池得到足够长的静置而达到平衡后，可以考虑使用开路电压法来估计电池SOC，但OCV在电池运行状态下无法满足开路电压条件，不能直接测量。此种估算方法只适用于电动汽车的驻车状态，不能在线、动态估算。
2、安时积分是一种SOC估算方法，依靠电池在充电时的输入电量或放电时的输出电量累积计算结果进行SOC估计。该方法简单，易于工程实现。但安时积分法不能确定电池的初始SOC值，往往需要借助其它方法获得，估算精度依赖于电流测量精度且累积误差无法消除，必须经常对SOC值进行校正，因而降低了这种方法的实用性。
3、神经网络法是一种智能的估算方法，可对所采集的数据进行自动归纳、学习和整理，能较好的反应电池的动态特性。但该算法工具要以庞大的训练数据资源为支撑，同时还要保证数据的准确度和较为可靠的训练方法，过程复杂不利于工程应用。
针对一些SOC估算方法的不足，至少为了解决难以实时准确估计动力电池SOC值的问题，本申请提出一种能够更加准确获取电池SOC的方法。
本申请提供一种电池SOC估算方法。所述方法例如可以用于电动汽车的电池SOC估算。
图1是本申请提供的电池SOC估算方法的一实施例的方法示意图。
如图1所示，根据本申请的一个实施例，所述电池SOC估算方法包括模型构建步骤S110、关系建立步骤S120、第一计算步骤S130、第一修正步骤S140、第二计算步骤150和第二修正步骤S160。
模型构建步骤S110，基于二阶RC等效电路构建所述电池的数学模型，所述电池的数学模型中包含所述电池的模型参数。
电池的二阶RC网络模型能很好地描述电池内部化学特性，能对动力电池端电压的变化尤其是端电压的“回弹特性”进行很好的模拟。故采用电池的二阶RC电路模型，对电池(或电池组)在不同SOC下的回弹电压数据进行测量。
如图2所示，电池的二阶RC网络模型，由两个RC网络结构和一个表示电池欧姆内阻的电阻R0串联构成；两个RC网络结构，如电池的浓差极化电阻R1和电池的浓差极化电容C1构成的RC网络、以及电池的电化学极化电阻R2和电池的电化学极化电容C2构成的RC网络，分别描述动力电池的电化学极化特性和浓差极化特性。
在图2中，Uoc表示电池开路电压，R1表示动力电池浓差极化内阻，C1表示动力电池浓差极化电容，R2表示动力电池的电化学极化电阻，C2表示动力电池的电化学极化电容，R0表示动力电池欧姆内阻，I表示负载电流，UL表示动力电池的端电压，V1、V2分别表示两个RC网络的端电压。其中，V1表示电池的浓差极化电阻R1和电池的浓差极化电容C1构成的RC网络的端电压，V2表示电池的电化学极化电阻R2和电池的电化学极化电容C2构成的RC网络的端电压。
根据电路原理，电池的二阶RC网络模型的等效电路模型的状态方程和输出方程如式(1)和(2)：
Figure BDA0002338630580000071
Figure BDA0002338630580000081
式中V1'、V2'分别为浓差极化电压和电化学极化电压V1和V2的一阶导数。
动力电池的“回弹特性”指动力电池在充放电结束后，内部电化学反应不会立刻停止，对外表现为端电压迅速上升并趋于一个稳定值。二阶RC网络结构工作特性和动力电池的“回弹特性”相一致，因此可用电池回弹阶段的电压、电流数据对RC电路模型参数进行辨识。
放电结束后，RC网络结构为零输入响应，电压随时间的变化满足：
Figure BDA0002338630580000082
设电压放电结束的下一时刻为零时刻，此时u1(0)＝IR1，u2(0)＝IR2，由电路原理可知，在放电结束一段时间内的任意时刻，电池的端电压VL为：
Figure BDA0002338630580000083
式中，τ1、τ2为时间常数，τ1＝R1C1、τ2＝R2C2，且τ1＞τ2，OCVc是图2所示的二阶RC电路模型的理想电源电压。
回弹阶段端电压y随时间的变化曲线可以拟合为：
Figure BDA0002338630580000084
得到：
Figure BDA0002338630580000085
其中，ΔV为电池放电结束时刻与放电结束下一时刻间的电压差值，k0、k1、k2为设定的计算系数。
关系建立步骤S120，用于通过预先测得的所述电池在不同SOC值下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系。
具体地，通过试验测得电池组在不同SOC下的回弹电压数据，采用最小二乘拟合法对不同SOC状态下的模型参数进行辨识。如可以采用专用电池测试系统对电池组进行充放电特性测试实验，得到电池在不同SOC状态下的电压回弹特性数据；并结合公式(4)进行拟合得到电池模型参数随电池SOC的变化曲线，进而可以根据该变化曲线辨识电池的模型参数。也就是说，要获得动力电池二阶RC模型参数，需要设计试验获取试验数据，根据试验数据按照公式(4)对模型参数进行拟合；其中，该试验数据，可以是通过试验获取动力电池组在不同SOC状态下的电压回弹特性数据。
可选地，试验时，首先可以采用恒流恒压的方式将动力电池组充满电，静置至稳定，然后以设定强度如1.0C强度下的放电电流，将电池组放电至SOC为设定值如0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1等。每次放电结束后都将动力电池组充分静置至稳定状态，从而得到多个电池的回弹特性曲线。进而，将各个SOC状态静置时的电压回弹试验数据用公式(4)进行拟合，可以得到电池模型参数随SOC的变化情况，以实现对电池的模型参数的辨识，该辨识的结果可以作为后续估算SOC的依据。
其中，所述模型参数，包括：电池的开路电压Uoc，电池的浓差极化电阻的内阻R1，电池的浓差极化电容的电容值C1，电池的电化学极化电阻的内阻R2，电池的电化学极化电容的电容值C2，电池的欧姆内阻R0，负载电流I，电池的端电压UL，电池的浓差极化电阻和电池的浓差极化电容构成的RC网络的端电压V1，和/或电池的电化学极化电阻和电池的电化学极化电容构成的RC网络的端电压V2。
第一计算步骤S130，用于通过开路电压法计算所述电池的初始SOC计算值。
开路电压与电池SOC存在一定的线性关系，尤其在电池的充、放电始末时刻，开路电压法的估算精度很高，所以根据开路电压可以估计电池的SOC。即，根据电池的开路电压通过开路电压与SOC值的对应关系查找对应的SOC值，作为电池的初始SOC计算值。开路电压与SOC值的对应关系例如为对应关系曲线和/或对应关系表。
第一修正步骤S140，用于采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值。
根据所述模型参数与SOC值的对应关系以及所述初始SOC计算值进行模型参数辨识，得到相应的一组模型参数；再根据所述一组模型参数和此时刻的电池内部荷电状态SOC值，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正得到下一时刻的SOC值，即得到所述电池的修正后的初始SOC值。
利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正的过程，可以参见以下说明。
在电池非线性系统中，系统的状态方程测量方程可表示为：
xk＝f(xk-1,uk-1)+wk-1 (6)；
yk＝g(xk,uk)+vk (7)。
其中，k表示的是离散时间状态点，xk表示系统当前状态向量，为n维随机变量，xk-1表示系统上一个状态；wk和vk分别是符合高斯分布的系统噪声和测量噪声；f(xk,uk)是非线性状态转移方程，g(xk,uk)是非线性测量方程。
基于电池非线性系统中系统的状态方程测量方程，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正的过程，可以包括：
第一步：初始化。
Figure BDA0002338630580000111
Figure BDA0002338630580000112
其中，x0表示系统0时刻(初始化)时刻状态向量，p0表示系统0时刻(初始化)误差协方差矩阵。
第二步：构造Sigma散点集。
奇异值分解(SVD)是一种现代数值分析方法，和特征值分解不同的是，SVD并不要求被分解的矩阵为方阵，也不限定待分解矩阵的正定性。采用SVD构造Sigma散点集的过程如下：
Figure BDA0002338630580000113
Figure BDA0002338630580000114
Figure BDA0002338630580000115
Figure BDA0002338630580000116
其中，
Figure BDA0002338630580000117
是表示矩阵方根的第i列，σi和Ui分别为A矩阵第i个特征值和对应的左奇异向量。M表示系统状态变量的个数。C为尺度调节参数。Δχi，表示误差协方差矩阵方根的第i列，在公式(12)中已列出与
Figure BDA0002338630580000118
的含义相同。
第三步：状态预测。
a.将得到的Sigma散点集带入系统状态方程，得到状态更新后的新的点集。
b.结合先验预测值，由确定性采样来计算新的系统状态均值。
c.计算预测步骤的误差协方差。
第四步：状态更近。
a.由预测步骤得到的新的系统状态均值，再次使用SVD，重新构造Sigma散点集。
b.将新构造的Sigma散点集带入系统测量方程，使用非线性测量函数计算每个Sigma点预测的观测值。
c.对每个Sigma点的预测测量值进行加权处理，得到第k+1时间步的测量统计量的均值。
d.计算测量值的误差协方差。
e.计算重新构造Sigma散点集与第k+1时间步的测量统计量的均值之间的协方差。
第五步：计算卡尔曼增益。
第六步：系统后验状态量和误差协方差更新。
第二计算步骤S150，用于基于所述电池的初始SOC值通过安时积分法计算所述电池的SOC计算值。
安时积分法的SOC计算具体通过计算流入和流出系统的电流和时间的积分并结合初始SOC值来计算。即，结合前述通过开路电压法和奇异值分解卡尔曼滤波算法修正得到的初始SOC值算所述电池的SOC计算值。
第二修正步骤S160，用于采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值。
根据所述模型参数与SOC值的对应关系以及所述SOC计算值进行模型参数辨识，得到相对应的一组模型参数；再根据所述一组模型参数和当前时刻SOC值，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正，得到修正的SOC值。
利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正的过程，可以参见以下说明。
在电池非线性系统中，系统的状态方程测量方程可表示为：
xk＝f(xk-1,uk-1)+wk-1 (6)；
yk＝g(xk,uk)+vk (7)。
其中，k表示的是离散时间状态点，xk表示系统当前状态向量，为n维随机变量，xk-1表示系统上一个状态；wk和vk分别是符合高斯分布的系统噪声和测量噪声；f(xk,uk)是非线性状态转移方程，g(xk,uk)是非线性测量方程。
基于电池非线性系统中系统的状态方程测量方程，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正的过程，可以包括：
第一步：初始化。
Figure BDA0002338630580000131
Figure BDA0002338630580000132
其中，x0表示系统0时刻(初始化)时刻状态向量，p0表示系统0时刻(初始化)误差协方差矩阵。
第二步：构造Sigma散点集。
奇异值分解(SVD)是一种现代数值分析方法，和特征值分解不同的是，SVD并不要求被分解的矩阵为方阵，也不限定待分解矩阵的正定性。采用SVD构造Sigma散点集的过程如下：
Figure BDA0002338630580000141
Figure BDA0002338630580000142
Figure BDA0002338630580000143
Figure BDA0002338630580000144
其中，
Figure BDA0002338630580000145
是表示矩阵方根的第i列，σi和Ui分别为A矩阵第i个特征值和对应的左奇异向量。M表示系统状态变量的个数。C为尺度调节参数。Δχi，表示误差协方差矩阵方根的第i列，在公式(12)中已列出与
Figure BDA0002338630580000146
的含义相同。
第三步：状态预测。
a.将得到的Sigma散点集带入系统状态方程，得到状态更新后的新的点集。
b.结合先验预测值，由确定性采样来计算新的系统状态均值。
c.计算预测步骤的误差协方差。
第四步：状态更近。
a.由预测步骤得到的新的系统状态均值，再次使用SVD，重新构造Sigma散点集。
b.将新构造的Sigma散点集带入系统测量方程，使用非线性测量函数计算每个Sigma点预测的观测值。
c.对每个Sigma点的预测测量值进行加权处理，得到第k+1时间步的测量统计量的均值。
d.计算测量值的误差协方差。
e.计算重新构造Sigma散点集与第k+1时间步的测量统计量的均值之间的协方差。
第五步：计算卡尔曼增益
第六步：系统后验状态量和误差协方差更新。
其中，具体实施时，在利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正的过程、和/或利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正的过程中，利用奇异值分解卡尔曼滤波算法(SVD-KF)的修正处理，也可以采用一些方案中的算法处理过程，如可以采用SVD-KF算法的MATLAB仿真实现的方式，实现利用奇异值分解卡尔曼滤波算法(SVD-KF)的修正处理。
优选地，可以判断得到的修正的SOC值是否收敛，若否，则重复执行所述第二估算步骤和第二修正步骤，直到得到的修正的SOC值收敛，以将收敛情况下修正的SOC值确定为所述电池的SOC值，即得到最优的SOC值。
为清楚说明本申请技术方案，下面再以一个具体实施例对本申请提供的电池SOC估算方法的执行流程进行描述。
图3是本申请提供的电池SOC估算方法的一具体实施例的方法示意图。如图3所示实施例中包括步骤S201～步骤S209。
步骤S201，开路电压计算。
步骤S202，根据开路电压计算SOC初始值。
步骤S203，进行模型参数辨识。
步骤S204，通过SVD-KF修正得到修正后的SOC初始值。
步骤S205，基于修正后的SOC初始值利用安时积分法计算当前的SOC值。
步骤S206，进行模型参数辨识。
步骤S207，进行SVD-KF修正得到SOC修正值。
步骤S208，判断SOC修正值是否收敛，若否，返回步骤S205，再次计算当前的SOC值，此时将步骤S207得到的SOC修正值作为SOC初始值，运用按安时积分法计算；若SOC修正值收敛，则输出SOC修正值。
图4是本申请提供的电池SOC估算装置的一实施例的结构示意图。如图4所示，所述电池SOC估算装置100包括：模型构建单元110、关系建立单元120、第一计算单元130、第一修正单元140、第二计算步骤150和第二修正单元160。
模型构建单元110，基于二阶RC等效电路构建所述电池的数学模型，所述电池的数学模型中包含所述电池的模型参数。
电池的二阶RC网络模型能很好地描述电池内部化学特性，能对动力电池端电压的变化尤其是端电压的“回弹特性”进行很好的模拟。故采用电池的二阶RC电路模型，对电池(或电池组)在不同SOC下的回弹电压数据进行测量。
如图2所示，电池的二阶RC网络模型，由两个RC网络结构和一个表示电池欧姆内阻的电阻R0串联构成；两个RC网络结构，如电池的浓差极化电阻R1和电池的浓差极化电容C1构成的RC网络、以及电池的电化学极化电阻R2和电池的电化学极化电容C2构成的RC网络，分别描述动力电池的电化学极化特性和浓差极化特性。
在图2中，Uoc表示电池开路电压，R1表示动力电池浓差极化内阻，C1表示动力电池浓差极化电容，R2表示动力电池的电化学极化电阻，C2表示动力电池的电化学极化电容，R0表示动力电池欧姆内阻，I表示负载电流，UL表示动力电池的端电压，V1、V2分别表示两个RC网络的端电压。其中，V1表示电池的浓差极化电阻R1和电池的浓差极化电容C1构成的RC网络的端电压，V2表示电池的电化学极化电阻R2和电池的电化学极化电容C2构成的RC网络的端电压。
根据电路原理，电池的二阶RC网络模型的等效电路模型的状态方程和输出方程如式(1)和(2)：
Figure BDA0002338630580000171
Figure BDA0002338630580000172
式中V1'、V2'分别为浓差极化电压和电化学极化电压V1和V2的一阶导数。
动力电池的“回弹特性”指动力电池在充放电结束后，内部电化学反应不会立刻停止，对外表现为端电压迅速上升并趋于一个稳定值。二阶RC网络结构工作特性和动力电池的“回弹特性”相一致，因此可用电池回弹阶段的电压、电流数据对RC电路模型参数进行辨识。
放电结束后，RC网络结构为零输入响应，电压随时间的变化满足：
Figure BDA0002338630580000173
设电压放电结束的下一时刻为零时刻，此时u1(0)＝IR1，u2(0)＝IR2，由电路原理可知，在放电结束一段时间内的任意时刻，电池的端电压VL为：
Figure BDA0002338630580000181
式中，τ1、τ2为时间常数，τ1＝R1C1、τ2＝R2C2，且τ1＞τ2。回弹阶段端电压随时间的变化曲线可以拟合为
Figure BDA0002338630580000182
得到：
Figure BDA0002338630580000183
其中，ΔV为电池放电结束时刻与放电结束下一时刻间的电压差值，k0、k1、k2为设定的计算系数。
关系建立单元120，用于通过预先测得的所述电池在不同SOC值下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系。
具体地，通过试验测得电池组在不同SOC下的回弹电压数据，采用最小二乘拟合法对不同SOC状态下的模型参数进行辨识。如可以采用专用电池测试系统对电池组进行充放电特性测试实验，得到电池在不同SOC状态下的电压回弹特性数据；并结合公式(5)进行拟合得到电池模型参数随电池SOC的变化曲线，进而可以根据该变化曲线辨识电池的模型参数。可选地，试验时，首先可以采用恒流恒压的方式将动力电池组充满电，静置至稳定，然后以设定强度如1.0C强度下的放电电流，将电池组放电至SOC为设定值如0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1等。每次放电结束后都将动力电池组充分静置至稳定状态，从而得到多个电池的回弹特性曲线。进而，将各个SOC状态静置时的电压回弹试验数据用公式(4)进行拟合，可以得到电池模型参数随SOC的变化情况，以实现对电池的模型参数的辨识，该辨识的结果可以作为后续估算SOC的依据。
其中，所述模型参数，包括：电池的开路电压Uoc，电池的浓差极化电阻的内阻R1，电池的浓差极化电容的电容值C1，电池的电化学极化电阻的内阻R2，电池的电化学极化电容的电容值C2，电池的欧姆内阻R0，负载电流I，电池的端电压UL，电池的浓差极化电阻和电池的浓差极化电容构成的RC网络的端电压V1，和/或电池的电化学极化电阻和电池的电化学极化电容构成的RC网络的端电压V2。
第一计算单元130，用于通过开路电压法计算所述电池的初始SOC计算值。
开路电压与电池SOC存在一定的线性关系，尤其在电池的充、放电始末时刻，开路电压法的估算精度很高，所以根据开路电压可以估计电池的SOC。即，根据电池的开路电压通过开路电压与SOC值的对应关系查找对应的SOC值，作为电池的初始SOC计算值。开路电压与SOC值的对应关系例如为对应关系曲线和/或对应关系表。
第一修正单元140，用于采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值。
根据所述模型参数与SOC值的对应关系以及所述初始SOC计算值进行模型参数辨识，得到相应的一组模型参数；再根据所述一组模型参数和此时刻的电池内部荷电状态SOC值，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正得到下一时刻的SOC值，即得到所述电池的修正后的初始SOC值。
利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正的过程，可以参见以下说明。
在电池非线性系统中，系统的状态方程测量方程可表示为：
xk＝f(xk-1,uk-1)+wk-1 (6)；
yk＝g(xk,uk)+vk (7)。
其中，k表示的是离散时间状态点，xk表示系统当前状态向量，为n维随机变量，xk-1表示系统上一个状态；wk和vk分别是符合高斯分布的系统噪声和测量噪声；f(xk,uk)是非线性状态转移方程，g(xk,uk)是非线性测量方程。
基于电池非线性系统中系统的状态方程测量方程，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正的过程，可以包括：
第一步：初始化。
Figure BDA0002338630580000201
Figure BDA0002338630580000202
第二步：构造Sigma散点集。
奇异值分解(SVD)是一种现代数值分析方法，和特征值分解不同的是，SVD并不要求被分解的矩阵为方阵，也不限定待分解矩阵的正定性。采用SVD构造Sigma散点集的过程如下：
Figure BDA0002338630580000203
Figure BDA0002338630580000204
Figure BDA0002338630580000205
Figure BDA0002338630580000211
其中，
Figure BDA0002338630580000212
是表示矩阵方根的第i列，σi和Ui分别为A矩阵第i个特征值和对应的左奇异向量。M表示系统状态变量的个数。C为尺度调节参数。
第三步：状态预测。
a.将得到的Sigma散点集带入系统状态方程，得到状态更新后的新的点集。
b.结合先验预测值，由确定性采样来计算新的系统状态均值。
c.计算预测步骤的误差协方差。
第四步：状态更近。
a.由预测步骤得到的新的系统状态均值，再次使用SVD，重新构造Sigma散点集。
b.将新构造的Sigma散点集带入系统测量方程，使用非线性测量函数计算每个Sigma点预测的观测值。
c.对每个Sigma点的预测测量值进行加权处理，得到第k+1时间步的测量统计量的均值。
d.计算测量值的误差协方差。
e.计算重新构造Sigma散点集与第k+1时间步的测量统计量的均值之间的协方差。
第五步：计算卡尔曼增益。
第六步：系统后验状态量和误差协方差更新。
第二计算单元150，用于基于所述电池的初始SOC值通过安时积分法计算所述电池的SOC计算值。
安时积分法的SOC计算具体通过计算流入和流出系统的电流和时间的积分并结合初始SOC值来计算。即，结合前述通过开路电压法和奇异值分解卡尔曼滤波算法修正得到的初始SOC值算所述电池的SOC计算值。
第二修正单元160，用于采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值。
根据所述模型参数与SOC值的对应关系以及所述SOC计算值进行模型参数辨识，得到相对应的一组模型参数；再根据所述一组模型参数和当前时刻SOC值，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正，得到修正的SOC值。
利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正的过程，可以参见以下说明。
在电池非线性系统中，系统的状态方程测量方程可表示为：
xk＝f(xk-1,uk-1)+wk-1 (6)；
yk＝g(xk,uk)+vk (7)。
其中，k表示的是离散时间状态点，xk表示系统当前状态向量，为n维随机变量，xk-1表示系统上一个状态；wk和vk分别是符合高斯分布的系统噪声和测量噪声；f(xk,uk)是非线性状态转移方程，g(xk,uk)是非线性测量方程。
基于电池非线性系统中系统的状态方程测量方程，利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正的过程，可以包括：
第一步：初始化。
Figure BDA0002338630580000221
Figure BDA0002338630580000222
第二步：构造Sigma散点集。
奇异值分解(SVD)是一种现代数值分析方法，和特征值分解不同的是，SVD并不要求被分解的矩阵为方阵，也不限定待分解矩阵的正定性。采用SVD构造Sigma散点集的过程如下：
Figure BDA0002338630580000231
Figure BDA0002338630580000232
Figure BDA0002338630580000233
Figure BDA0002338630580000234
其中，
Figure BDA0002338630580000235
是表示矩阵方根的第i列，σi和Ui分别为A矩阵第i个特征值和对应的左奇异向量。M表示系统状态变量的个数。C为尺度调节参数。
第三步：状态预测。
a.将得到的Sigma散点集带入系统状态方程，得到状态更新后的新的点集。
b.结合先验预测值，由确定性采样来计算新的系统状态均值。
c.计算预测步骤的误差协方差。
第四步：状态更近。
a.由预测步骤得到的新的系统状态均值，再次使用SVD，重新构造Sigma散点集。
b.将新构造的Sigma散点集带入系统测量方程，使用非线性测量函数计算每个Sigma点预测的观测值。
c.对每个Sigma点的预测测量值进行加权处理，得到第k+1时间步的测量统计量的均值。
d.计算测量值的误差协方差。
e.计算重新构造Sigma散点集与第k+1时间步的测量统计量的均值之间的协方差。
第五步：计算卡尔曼增益
第六步：系统后验状态量和误差协方差更新。
其中，具体实施时，在利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述初始SOC计算值进行修正的过程、和/或利用奇异值分解卡尔曼滤波算法(SVD-KF)对所述SOC计算值进行修正的过程中，利用奇异值分解卡尔曼滤波算法(SVD-KF)的修正处理，也可以采用一些方案中的算法处理过程，如可以采用SVD-KF算法的MATLAB仿真实现的方式，实现利用奇异值分解卡尔曼滤波算法(SVD-KF)的修正处理。
优选地，可以判断得到的修正的SOC值是否收敛，若否，则重复执行所述第二估算步骤和第二修正步骤，直到得到的修正的SOC值收敛，以将收敛情况下修正的SOC值确定为所述电池的SOC值，即得到最优的SOC值。
本申请还提供对应于所述电池SOC估算方法的一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。
本申请还提供对应于所述电池SOC估算方法的一种电动汽车，包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一所述方法的步骤。
本申请还提供对应于所述电池SOC估算装置的一种电动汽车，包括前述任一所述的电动汽车装置。
据此，本申请提供的方案，利用动力电池的“回弹特性”，并通过试验得到电池组在不同SOC下的回弹电压数据，采用最小二乘拟合法辨识不同SOC状态下的模型参数。提高模型的精度的同时保持良好的实时性。采用矩阵的奇异值分解(SVD)的奇异值分解卡尔曼滤波法(SVD-KF)对开路电压法得到的电池的SOC初始值和安时积分法得到的电池的SOC值进行修正，提高了电池估算的精度。
本申请中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施，那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本申请及所附权利要求书的范围及精神内。举例来说，归因于软件的性质，上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外，各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为控制装置的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的单元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，本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种电池SOC估算方法，其特征在于，包括：
第一计算步骤，用于通过开路电压法计算所述电池的初始SOC计算值；
第一修正步骤，用于采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；
第二计算步骤，用于基于所述电池的初始SOC值，通过安时积分法计算所述电池的SOC计算值；
第二修正步骤，用于采用奇异值分解卡尔曼滤波算法对安时积分法计算得到的SOC计算值进行修正，得到修正的SOC值。
2.根据权利要求1所述的方法，其特征在于，还包括：
判断得到的修正的SOC值是否收敛，若否，则重复执行所述第二估算步骤和第二修正步骤，直到得到的修正的SOC值收敛，以确定为所述电池的SOC值。
3.根据权利要求1或2所述的方法，其特征在于，还包括：
模型构建步骤，用于基于二阶RC等效电路构建所述电池的数学模型，所述电池的数学模型中包含所述电池的模型参数；
关系建立步骤，用于通过预先测得的电池组在不同SOC下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系。
4.根据权利要求3所述的方法，其特征在于，
采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值，包括：
根据所述模型参数与SOC值的对应关系以及所述初始SOC计算值进行模型参数辨识，得到相应的第一模型参数；
根据所述第一模型参数利用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；
和/或，
采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值，包括：
根据所述模型参数与SOC值的对应关系以及所述SOC计算值进行模型参数辨识，得到相应的第二模型参数；
根据所述第二模型参数利用奇异值分解卡尔曼滤波算法对所述SOC计算值进行修正，得到修正的SOC值。
5.根据权利要求3或4所述的方法，其特征在于，所述模型参数，包括：电池的开路电压，电池的浓差极化电阻的内阻，电池的浓差极化电容的电容值，电池的电化学极化电阻的内阻，电池的电化学极化电容的电容值，电池的欧姆内阻，负载电流，电池的端电压，电池的浓差极化电阻和电池的浓差极化电容构成的RC网络的端电压，和/或电池的电化学极化电阻和电池的电化学极化电容构成的RC网络的端电压。
6.根据权利要求3-5任一项所述的方法，其特征在于，通过预先测得的所述电池在不同SOC值下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系，包括：
将所述电池在不同SOC值下的电压回弹特性数据进行拟合，得到模型参数与电池SOC值的对应关系曲线。
7.一种电池SOC估算装置，其特征在于，包括：
第一计算单元，用于通过开路电压法计算所述电池的初始SOC计算值；
第一修正单元，用于采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；
第二计算单元，用于基于所述电池的初始SOC值，通过安时积分法计算所述电池的SOC计算值；
第二修正单元，用于采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值。
8.根据权利要求7所述的装置，其特征在于，还包括：
判断得到的修正的SOC值是否收敛，若否，则重复执行所述第二估算步骤和第二修正步骤，直到得到的修正的SOC值收敛，以确定为所述电池的SOC值。
9.根据权利要求7或8所述的装置，其特征在于，还包括：
模型构建单元，用于基于二阶RC等效电路构建所述电池的数学模型，所述电池的数学模型中包含所述电池的模型参数；
关系建立单元，用于通过预先测得的电池组在不同SOC下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系。
10.根据权利要求9所述的装置，其特征在于，
所述第一修正单元，采用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值，包括：
根据所述模型参数与SOC值的对应关系以及所述初始SOC计算值进行模型参数辨识，得到相应的第一模型参数；
根据所述第一模型参数利用奇异值分解卡尔曼滤波算法对所述初始SOC计算值进行修正，得到所述电池的初始SOC值；
和/或，
所述第二修正单元，采用奇异值分解卡尔曼滤波算法对安时积分法计算得到SOC计算值进行修正，得到修正的SOC值，包括：
根据所述模型参数与SOC值的对应关系以及所述SOC计算值进行模型参数辨识，得到相应的第二模型参数；
根据所述第二模型参数利用奇异值分解卡尔曼滤波算法对所述SOC计算值进行修正，得到修正的SOC值。
11.根据权利要求9或10所述的装置，其特征在于，所述模型参数，包括：电池的开路电压，电池的浓差极化电阻的内阻，电池的浓差极化电容的电容值，电池的电化学极化电阻的内阻，电池的电化学极化电容的电容值，电池的欧姆内阻，负载电流，电池的端电压，电池的浓差极化电阻和电池的浓差极化电容构成的RC网络的端电压，和/或电池的电化学极化电阻和电池的电化学极化电容构成的RC网络的端电压。
12.根据权利要求9-11任一项所述的装置，其特征在于，所述关系建立单元，通过预先测得的所述电池在不同SOC值下的电压回弹特性数据，建立所述电池的模型参数与SOC值的对应关系，包括：
将所述电池在不同SOC值下的电压回弹特性数据进行拟合，得到模型参数与电池SOC值的对应关系曲线。
13.一种存储介质，其特征在于，其上存储有计算机程序，所述程序被处理器执行时实现权利要求1-6任一所述方法的步骤。
14.一种电动汽车，其特征在于，包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-6任一所述方法的步骤，或者包括如权利要求7-12任一所述的电池SOC估算装置。
CN201911366760.3A 2019-12-26 2019-12-26 一种电池soc估算方法、装置、存储介质及电动汽车 Pending CN111142025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911366760.3A CN111142025A (zh) 2019-12-26 2019-12-26 一种电池soc估算方法、装置、存储介质及电动汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911366760.3A CN111142025A (zh) 2019-12-26 2019-12-26 一种电池soc估算方法、装置、存储介质及电动汽车

Publications (1)

Publication Number Publication Date
CN111142025A true CN111142025A (zh) 2020-05-12

Family

ID=70520404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911366760.3A Pending CN111142025A (zh) 2019-12-26 2019-12-26 一种电池soc估算方法、装置、存储介质及电动汽车

Country Status (1)

Country Link
CN (1) CN111142025A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751732A (zh) * 2020-07-31 2020-10-09 中国汽车工程研究院股份有限公司 一种基于自适应高斯卷积分法的电量计算方法
CN112485675A (zh) * 2020-11-23 2021-03-12 郑州轨道交通信息技术研究院 一种锂电池soc估计方法和系统
CN114280485A (zh) * 2021-12-27 2022-04-05 湖北亿纬动力有限公司 Soc估算及一致性评估方法、装置、计算机设备
CN117175639A (zh) * 2023-09-08 2023-12-05 国网浙江省电力有限公司绍兴供电公司 与储能单元协调配套的配电自动化方法及系统
CN117485199A (zh) * 2023-12-25 2024-02-02 力高(山东)新能源技术股份有限公司 一种基于电压回弹特性的快速soc修正方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013144195A1 (de) * 2012-03-28 2013-10-03 Avl List Gmbh Verfahren zur bestimmung der kapazität einer energiespeichervorrichtung
CN107436411A (zh) * 2017-07-28 2017-12-05 南京航空航天大学 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法
CN109669134A (zh) * 2019-02-27 2019-04-23 浙江科技学院 一种基于卡尔曼滤波法的soc的估算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013144195A1 (de) * 2012-03-28 2013-10-03 Avl List Gmbh Verfahren zur bestimmung der kapazität einer energiespeichervorrichtung
CN107436411A (zh) * 2017-07-28 2017-12-05 南京航空航天大学 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法
CN109669134A (zh) * 2019-02-27 2019-04-23 浙江科技学院 一种基于卡尔曼滤波法的soc的估算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何灵娜: "基于卡尔曼滤波的动力电池SOC估计算法设计", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *
罗勇 等: "车用动力电池二阶RC建模及参数辨识", 《储能科学与技术》 *
魏峰: "基于SVD-KF的锂离子电池SOC估算方法的研究与实现", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751732A (zh) * 2020-07-31 2020-10-09 中国汽车工程研究院股份有限公司 一种基于自适应高斯卷积分法的电量计算方法
CN111751732B (zh) * 2020-07-31 2021-09-28 中国汽车工程研究院股份有限公司 一种基于自适应高斯卷积积分法的电量计算方法
CN112485675A (zh) * 2020-11-23 2021-03-12 郑州轨道交通信息技术研究院 一种锂电池soc估计方法和系统
CN114280485A (zh) * 2021-12-27 2022-04-05 湖北亿纬动力有限公司 Soc估算及一致性评估方法、装置、计算机设备
CN117175639A (zh) * 2023-09-08 2023-12-05 国网浙江省电力有限公司绍兴供电公司 与储能单元协调配套的配电自动化方法及系统
CN117485199A (zh) * 2023-12-25 2024-02-02 力高(山东)新能源技术股份有限公司 一种基于电压回弹特性的快速soc修正方法
CN117485199B (zh) * 2023-12-25 2024-03-19 力高(山东)新能源技术股份有限公司 一种基于电压回弹特性的快速soc修正方法

Similar Documents

Publication Publication Date Title
CN110261779B (zh) 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN110488194B (zh) 一种基于电化学阻抗模型的锂电池soc估算方法及其系统
CN111581904B (zh) 考虑循环次数影响的锂电池soc及soh协同估算方法
Shen et al. Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach
RU2361333C2 (ru) Оценка состояния и параметров гальванического элемента
CN111142025A (zh) 一种电池soc估算方法、装置、存储介质及电动汽车
Vasebi et al. Predicting state of charge of lead-acid batteries for hybrid electric vehicles by extended Kalman filter
He et al. Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles
CN105334462B (zh) 电池容量损失在线估算方法
CN110688808B (zh) 一种动力电池模型的粒子群及lm优化混合迭代辨识方法
CN109991548A (zh) 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法
CN111722118B (zh) 一种基于soc-ocv优化曲线的锂离子电池soc估计方法
Takyi‐Aninakwa et al. A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries
CN110703114B (zh) 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法
CN110007236A (zh) 一种铝空气电池等效电路模型的参数辨识方法
CN106716158A (zh) 电池荷电状态估算方法和装置
CN110824363B (zh) 一种基于改进ckf的锂电池soc和soe联合估算方法
CN113156321B (zh) 一种锂离子电池荷电状态soc的估算方法
Jiang et al. Data-based fractional differential models for non-linear dynamic modeling of a lithium-ion battery
CN110673037B (zh) 基于改进模拟退火算法的电池soc估算方法及系统
CN112858916B (zh) 一种基于模型与数据驱动融合的电池包荷电状态估计方法
CN113433464A (zh) 一种适用于富锂锰基电池的高阶模型参数辨识方法和系统
CN113466728B (zh) 一种两阶段电池模型参数在线辨识的方法与系统
CN109901072B (zh) 基于历史数据与实验室测试数据的退役电池参数检测方法
CN111044924A (zh) 一种全工况电池剩余容量确定方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512

RJ01 Rejection of invention patent application after publication