CN112630661A - 一种电池荷电状态soc估算方法和装置 - Google Patents

Abstract

本发明实施例提供一种电池荷电状态SOC估算方法和装置，该方法包括：获取电池系统的运行参数，以及获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数，然后从运行参数中，分别确定三种输出函数对应的估算参数，分别根据三种输出函数和对应的估算参数确定第一估算值、第二估算值、第三估算值，分别确定三个估算值对应的精度权重，最后根据三个估算值以及对应的精度权重，确定目标SOC估算值。本发明实施例提供的上述三种输出函数在不同的工况下精度不同，通过计算出上述三种输出函数对应的估算值和对应的精度权重，从而获得最终的SOC估算值，本发明实施例可以适用于各种工况的SOC估算，具有很高的估算精度。

Description

一种电池荷电状态SOC估算方法和装置

技术领域

本发明涉及电动汽车技术领域，特别是涉及一种电池荷电状态SOC估算方法和装置。

背景技术

近年来纯电动汽车发展迅猛，纯电动汽车剩余里程估算的准确度也越来越受到人们的重视，而纯电动汽车剩余里程估算重点在于SOC(State of Charge，电池荷电状态)的估算。

目前，现有的SOC估算方法有开路电压法、安时积分法、卡尔曼滤波法、神经网络法，然而这些算法都存在不同的缺点，例如开路电压法需要电池长时间静置，无法满足动态工况；安时积分法随着使用时间越来越长，误差会越来越大；卡尔曼算滤波法在电池两端电压接近电池电压、低电压、低温度等极端工况下，误差会很大；神经网络法需要长期大量的数据支撑，前期难以采用神经网络法估算SOC。因此，亟待需要一种精度高、适合不同工况的电池荷电状态SOC估算方法。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的电池荷电状态SOC估算方法。

本发明实施例还提供了一种电池荷电状态SOC估算装置，以保证上述方法的实施。

为了解决上述问题，本发明实施例公开了一种电池荷电状态SOC估算方法，所述方法包括：

获取电池系统的运行参数；

获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数；

从所述运行参数中，分别确定所述基于安时积分估算SOC输出函数、所述基于卡尔曼滤波估算SOC输出函数、所述基于神经网络估算SOC输出函数对应的估算参数；

根据所述基于安时积分估算SOC输出函数和对应的估算参数确定第一估算值，根据所述基于卡尔曼滤波估算SOC输出函数和对应的估算参数确定第二估算值，以及根据所述基于神经网络估算SOC输出函数和对应的估算参数确定第三估算值；

分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重；

根据所述第一估算值、所述第二估算值、所述第三估算值以及对应的精度权重，确定所述电池系统处于工作状态下的目标SOC估算值。

可选地，所述分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重的步骤包括：

获取基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数；

分别确定所述基于安时积分估算SOC精度函数、所述基于卡尔曼滤波估算SOC精度函数、所述基于神经网络估算SOC精度函数对应的精度参数；

根据所述基于安时积分估算SOC精度函数和对应的精度参数确定第一精度值，根据所述基于卡尔曼滤波估算SOC精度函数和对应的精度参数确定第二精度值，以及根据所述基于神经网络估算SOC精度函数和对应的精度参数确定第三精度值；

根据所述第一精度值、所述第二精度值、所述第三精度值，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重。

可选地，所述根据所述第一精度值、所述第二精度值、所述第三精度值，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重的步骤包括：

将所述第一精度值、所述第二精度值、所述第三精度值进行相加，获得总精度值；

根据所述第一精度值与所述总精度值的比值确定所述第一估算值对应的精度权重，根据所述第二精度值与所述总精度值的比值确定所述第二估算值对应的精度权重，以及根据所述第三精度值与所述总精度值的比值确定所述第三估算值对应的精度权重。

可选地，所述运行参数包括电池电压、电池电流、循环寿命、循环次数、电池温度中的至少一种。

可选地，所述基于安时积分估算SOC输出函数对应的估算参数为所述电池电流和所述电池温度，所述基于卡尔曼滤波估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

所述基于安时积分估算SOC精度函数对应的精度参数为所述第一估算值、所述电池电流、所述电池温度、所述循环寿命，所述基于卡尔曼滤波估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

可选地，所述获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数之前，所述方法还包括：

确定所述运行参数中的电池电流是否在恒流范围内；

若所述电池电流不在恒流范围内，则确定所述电池系统处于工作状态。

可选地，所述方法还包括：

若所述电池电流在恒流范围内，则确定所述电池系统处于充分静置状态；

获取所述电池系统的开路电压OCV参数；

根据所述开路电压OCV参数，以及开路电压OCV与电池荷电状态SOC关系曲线图，确定所述电池系统处于充分静置状态下的目标SOC估算值。

本发明实施例还提供了一种电池荷电状态SOC估算装置，所述装置包括：

运行参数获取模块，用于获取电池系统的运行参数；

输出函数获取模块，用于获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数；

估算参数确定模块，用于从所述运行参数中，分别确定所述基于安时积分估算SOC输出函数、所述基于卡尔曼滤波估算SOC输出函数、所述基于神经网络估算SOC输出函数对应的估算参数；

估算值确定模块，用于根据所述基于安时积分估算SOC输出函数和对应的估算参数确定第一估算值，根据所述基于卡尔曼滤波估算SOC输出函数和对应的估算参数确定第二估算值，以及根据所述基于神经网络估算SOC输出函数和对应的估算参数确定第三估算值；

精度权重确定模块，用于分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重；

处于工作状态下的目标SOC估算值确定模块，用于根据所述第一估算值、所述第二估算值、所述第三估算值以及对应的精度权重，确定所述电池系统处于工作状态下的目标SOC估算值。

可选地，所述精度权重确定模块包括：

精度函数获取子模块，用于获取基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数；

精度参数确定子模块，用于分别确定所述基于安时积分估算SOC精度函数、所述基于卡尔曼滤波估算SOC精度函数、所述基于神经网络估算SOC精度函数对应的精度参数；

精度值确定子模块，用于根据所述基于安时积分估算SOC精度函数和对应的精度参数确定第一精度值，根据所述基于卡尔曼滤波估算SOC精度函数和对应的精度参数确定第二精度值，以及根据所述基于神经网络估算SOC精度函数和对应的精度参数确定第三精度值；

精度权重确定子模块，用于根据所述第一精度值、所述第二精度值、所述第三精度值，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重。

可选地，所述精度权重确定子模块包括：

总精度值获得单元，用于将所述第一精度值、所述第二精度值、所述第三精度值进行相加，获得总精度值；

精度权重确定单元，用于根据所述第一精度值与所述总精度值的比值确定所述第一估算值对应的精度权重，根据所述第二精度值与所述总精度值的比值确定所述第二估算值对应的精度权重，以及根据所述第三精度值与所述总精度值的比值确定所述第三估算值对应的精度权重。

可选地，所述运行参数包括电池电压、电池电流、循环寿命、循环次数、电池温度中的至少一种。

可选地，所述基于安时积分估算SOC输出函数对应的估算参数为所述电池电流和所述电池温度，所述基于卡尔曼滤波估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

可选地，所述基于安时积分估算SOC精度函数对应的精度参数为所述第一估算值、所述电池电流、所述电池温度、所述循环寿命，所述基于卡尔曼滤波估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

可选地，所述获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数之前，所述装置还包括：

电池恒流确定模块，用于确定所述运行参数中的电池电流是否在恒流范围内；

工作状态确定模块，用于若所述电池电流不在恒流范围内，则确定所述电池系统处于工作状态。

可选地，所述装置还包括：

充分静置状态确定模块，用于若所述电池电流在恒流范围内，则确定所述电池系统处于充分静置状态；

开路电压OCV参数获取模块，用于获取所述电池系统的开路电压OCV参数；

处于充分静置状态下的目标SOC估算值确定模块，用于根据所述开路电压OCV参数，以及开路电压OCV与电池荷电状态SOC关系曲线图，确定所述电池系统处于充分静置状态下的目标SOC估算值。

本发明实施例还提供了一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如本发明实施例任一所述的电池荷电状态SOC估算方法。

本发明实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本发明实施例任一所述的电池荷电状态SOC估算方法。

与现有技术相比，本发明实施例包括以下优点：

本发明实施例中，获取电池系统的运行参数，以及获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数，然后从运行参数中，分别确定三种输出函数对应的估算参数，分别根据三种输出函数和对应的估算参数确定第一估算值、第二估算值、第三估算值，分别确定三个估算值对应的精度权重，最后根据三个估算值以及对应的精度权重，确定目标SOC估算值。本发明实施例提供的上述三种输出函数在不同的工况下精度不同，通过计算出上述三种输出函数对应的估算值和对应的精度权重，从而获得最终的SOC估算值，本发明实施例可以适用于各种工况的SOC估算，具有很高的估算精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种电池荷电状态SOC估算方法的步骤流程图；

图2是本发明确定精度权重的步骤流程图；

图3是本发明的开路电压OCV与电池荷电状态SOC关系曲线图；

图4是本发明实施例提供的一种电池荷电状态SOC估算装置的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，示出了本发明实施例提供的一种电池荷电状态SOC估算方法的步骤流程图，该方法具体可以包括如下步骤：

步骤101，获取电池系统的运行参数。

纯电动汽车(Battery Electric Vehicle，简称BEV)，它是完全由可充电电池(如铅酸电池、镍镉电池、镍氢电池或锂离子电池)提供动力源的汽车，符合道路交通、安全法规各项要求。相对于传统汽车，纯电动汽车对环境影响较小，因此，纯电动汽车的前景被人们广泛看好，使用需求日益增多。不可避免地，纯电动汽车的剩余里程估算的准确度成为普遍关注的话题，然而目前全世界没有哪个厂商可以把里程估算的精度非常高的程度，主要原因是纯电动汽车依靠电池系统作为动力，而电池系统是个多元化的非线性系统，难以做到准确的建模和精确的采样。纯电动汽车剩余里程的估算重点在于电池系统的SOC(State ofCharge，电池荷电状态)的估算，电池系统使用一段时间或长期搁置不用后，剩余容量与完全充电状态的容量的比值为SOC，SOC的取值范围为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。

现阶段市场上主流的SOC估算方法有开路电压法、安时积分法、卡尔曼滤波法、神经网络法，然而这些算法都存在不同的缺点，例如开路电压法需要电池长时间静置，无法满足动态工况；安时积分法随着使用时间越来越长，误差会越来越大；卡尔曼算滤波法在电池两端电压接近电池电压、低电压、低温度等极端工况下，误差会很大；神经网络法需要长期大量的数据支撑，前期难以采用神经网络法估算SOC。现阶段市场上主流的SOC估算方法不能适用于各种工况的SOC估算，而且估算精度不高。

本发明实施例提供了基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数，以及提供了基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数，通过计算出三种输出函数对应的估算值，三种精度函数对应的权重值，基于估算值和权重值，获得最终的SOC估算值，本发明实施例可以适用于各种工况的SOC估算，具有很高的估算精度。

具体地，本发明实施例获取电池系统的运行参数，运行参数是指电池系统处于工作状态或充分静置状态下所产生的数据，运行参数是作为估算SOC的基础，通过电池系统的运行参数，可以估算出电池系统此时的电池荷电状态SOC，从而估算出纯电动汽车剩余里程。

本发明的一个可选实施例中，所述运行参数包括电池电压、电池电流、循环寿命、循环次数、电池温度中的至少一种。

本发明实施例获取电池系统的运行参数包括电池电压、电池电流、循环寿命、循环次数、电池温度中的至少一种。需要说明的是，电池电压和下述的开路电压有所不同，电池电压是指电池系统在工作状态时的电压，即电池系统在工作状态时提供电能给电动汽车，电动汽车相当于负载，那么电池电压是电路接通负载后的端电压。而开路电压是指电池系统在充分静置状态下的电压，即电池系统在充分静置状态时，相当于外电路断开，此时开路电压相当于电源端间的电位差，即电源电压。另外，循环寿命是指电池系统的使用寿命，循环次数是指电池系统充放电的次数，即电池系统在充电一次和放电一次期间，算作一次循环。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

步骤102，获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数。

本发明实施例提供有三种输出函数，分别是基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数。上述的三种输出函数都可以分别估算出电池系统此时的电池荷电状态SOC值，但是在不同的工况下，上述的三种输出函数的估算精度不同。

本发明实施例一种实际应用中，在电池两端电压接近电池电压、低电压、低温度等极端工况下，由于基于卡尔曼滤波估算SOC输出函数的精度很低，使得其精度权重会很小，所以最终的输出结果几乎不考虑基于卡尔曼滤波估算SOC输出函数，而基于安时积分估算SOC输出函数的精度很高，使得其精度权重会很大，所以最终的输出结果会偏向于基于安时积分估算SOC输出函数的估算值。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

本发明实施例一种实际应用中，在电池系统刚上电的前段时间这一工况下，由于基于安时积分估算SOC输出函数的累计误差还比较小、初始精度较高，所以最终的输出结果会偏向于基于安时积分估算SOC输出函数的估算值。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

本发明实施例一种实际应用中，当电池系统运行足够长时间后，由于获取了大量的数据，基于神经网络估算SOC输出函数可以得到充分的训练，此时基于神经网络估算SOC输出函数的鲁棒性更高、精度更高，所以最终的输出结果会偏向于基于神经网络估算SOC输出函数的估算值。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

本发明实施例一种实际应用中，在运营车连续运行的时间比较长这一工况下，基于安时积分估算SOC输出函数会产生较大的累计误差，此时基于卡尔曼滤波估算SOC输出函数的精度较高，所以最终的输出结果会偏向于基于卡尔曼滤波估算SOC输出函数的估算值。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

步骤103，从所述运行参数中，分别确定所述基于安时积分估算SOC输出函数、所述基于卡尔曼滤波估算SOC输出函数、所述基于神经网络估算SOC输出函数对应的估算参数。

本发明实施例从运行参数中，选取估算参数，将估算参数输入至对应的输出函数，以输出不同的估算值，即，基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数，这三种输出函数的自变量不同，其输出的因变量也不同。

本发明的一个可选实施例中，所述基于安时积分估算SOC输出函数对应的估算参数为所述电池电流和所述电池温度，所述基于卡尔曼滤波估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

在本发明实施例中，基于安时积分估算SOC输出函数：

SOC_ah＝f_ah(I,T)

其中，I为电池电流，T为电池温度。

可以看出，由于基于安时积分估算SOC输出函数在高温状态和电流波动剧烈的情况下，误差较大。电池电流I和电池温度T影响基于安时积分估算SOC输出函数的第一估算值，所以电池电流I和电池温度T为基于安时积分估算SOC输出函数的估算参数。

在本发明实施例中，基于卡尔曼滤波估算SOC输出函数：

SOC_kalman＝f_kalman(U,I,T)

其中，U为电池电压，I为电池电流，T为电池温度。

可以看出，由于基于卡尔曼滤波估算SOC输出函数在电池两端电压接近电池电压、低电压、低温度等极端工况下，误差会很大。电池电压U、电池电流I、电池温度T影响基于卡尔曼滤波估算SOC输出函数的第二估算值，所以电池电压U、电池电流I、电池温度T是基于卡尔曼滤波估算SOC输出函数的估算参数。

在本发明实施例中，基于神经网络估算SOC输出函数：

SOC_net＝f_net(U,I,T,n)

其中，U为电池电压，I为电池电流，T为电池温度，n为循环次数。

可以看出，由于基于神经网络估算SOC输出函数需要大量的数据作为支撑，所以循环次数是基于神经网络估算SOC输出函数的关键参数。此外，电池电压、电池电流、电池温度是基于神经网络估算SOC输出函数估算SOC的基础参数。电池电压U、电池电流I、电池温度T、循环次数n影响基于神经网络估算SOC输出函数的第三估算值，所以电池电压U、电池电流I、电池温度T、循环次数n是基于神经网络估算SOC输出函数的估算参数。

步骤104，根据所述基于安时积分估算SOC输出函数和对应的估算参数确定第一估算值，根据所述基于卡尔曼滤波估算SOC输出函数和对应的估算参数确定第二估算值，以及根据所述基于神经网络估算SOC输出函数和对应的估算参数确定第三估算值。

根据基于安时积分估算SOC输出函数SOC_ah＝f_ah(I,T)，将电池电流I和电池温度T作为自变量输入至上述基于安时积分估算SOC输出函数，得到因变量为第一估算值SOC_ah。

根据基于卡尔曼滤波估算SOC输出函数SOC_kalman＝f_kalman(U,I,T)，将电池电压U、电池电流I、电池温度T作为自变量输入至上述基于卡尔曼滤波估算SOC输出函数，得到因变量为第二估算值SOC_kalman。

根据基于神经网络估算SOC输出函数SOC_net＝f_net(U,I,T,n)，将电池电压U、电池电流I、电池温度T、循环次数n作为自变量输入至上述基于神经网络估算SOC输出函数，得到因变量为第三估算值SOC_net。

步骤105，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重。

本发明实施例分别计算出基于安时积分估算SOC输出函数对应的第一估算值、基于卡尔曼滤波估算SOC输出函数对应的第二估算值、基于神经网络估算SOC输出函数对应的第三估算值后，需要分别确定出第一估算值、第二估算值、第三估算值对应的精度权重。精度权重可以表示上述三种输出函数的精度百分比。例如在上述的一种实际应用中，在电池两端电压接近电池电压、低电压、低温度等极端工况下，基于卡尔曼滤波估算SOC输出函数的精度很低，几乎可以不考虑基于卡尔曼滤波估算SOC输出函数对应的第二估算值，此时第二估算值对应的精度权重为0，而基于安时积分估算SOC输出函数的精度较高，基于神经网络估算SOC输出函数的精度较低，则第一估算值对应的精度权重可以是80％～95％，第三估算值对应的精度权重可以是5％～20％。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

本发明的一个可选实施例中，参照图2，示出了本发明确定精度权重的步骤流程图，步骤105可以包括以下子步骤：

子步骤S201，获取基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数。

本发明实施例还提供了基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数，精度函数可以表示对应的输出函数的估算值的可信度，精度函数的输出范围是(0,100]，数值越高精度越好，100表示精度最好。

子步骤S202，分别确定所述基于安时积分估算SOC精度函数、所述基于卡尔曼滤波估算SOC精度函数、所述基于神经网络估算SOC精度函数对应的精度参数。

本发明实施例需要分别确定基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数对应的精度参数，然后将精度参数作为自变量，输入至对应的精度函数。

本发明的一个可选实施例中，所述基于安时积分估算SOC精度函数对应的精度参数为所述第一估算值、所述电池电流、所述电池温度、所述循环寿命，所述基于卡尔曼滤波估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

在本发明实施例中，基于安时积分估算SOC精度函数：

f₁(x₁)＝f_{A_ah}(SOC_ah,I,T,t)

其中，SOC_ah为第一估算值，I为电池电流，T为电池温度，t为循环寿命。

可以看出，基于安时积分估算SOC精度函数在高温状态和电流波动剧烈的情况下，精度会很低，所以电池电流I和电池温度T影响基于安时积分估算SOC输出函数的精度，即影响基于安时积分估算SOC精度函数。此外，基于安时积分估算SOC输出函数具有误差积累的特点，所以需要将第一估算值SOC_ah、循环寿命t作为基于安时积分估算SOC精度函数的自变量。根据上述基于安时积分估算SOC精度函数的特点可知，第一估算值SOC_ah、电池电流I、电池温度T、循环寿命t是基于安时积分估算SOC精度函数的精度参数。

在本发明实施例中，基于卡尔曼滤波估算SOC精度函数：

f₂(x₂)＝f_{A_kalman}(U,I,T)

其中，U为电池电压，I为电池电流，T为电池温度。

可以看出，基于卡尔曼滤波估算SOC精度函数在电池两端电压接近电池电压、低电压、低温度等极端工况下，精度会很低，所以电池电压U、电池电流I、电池温度T是基于卡尔曼滤波估算SOC精度函数的精度参数。

在本发明实施例中，基于神经网络估算SOC精度函数：

f₃(x₃)＝f_{A_net}(U,I,T,n)

其中，U为电池电压，I为电池电流，T为电池温度，n为循环次数。

可以看出，基于神经网络估算SOC精度函数需要大量的数据作为支撑，即数据越多，精度越大；数据越少，精度越低，所以电池系统在前期运行期间，没有大量的数据支撑，那么基于神经网络估算SOC输出函数的精度会很低，即基于神经网络估算SOC精度函数输出的精度值会很小。所以循环次数是基于神经网络估算SOC精度函数的关键参数。此外，电池电压、电池电流、电池温度是基于神经网络估算SOC精度函数的基础参数。根据上述基于神经网络估算SOC精度函数的特点可知，电池电压U、电池电流I、电池温度T、循环次数n是基于神经网络估算SOC精度函数的精度参数。

子步骤S203，根据所述基于安时积分估算SOC精度函数和对应的精度参数确定第一精度值，根据所述基于卡尔曼滤波估算SOC精度函数和对应的精度参数确定第二精度值，以及根据所述基于神经网络估算SOC精度函数和对应的精度参数确定第三精度值；

根据基于安时积分估算SOC精度函数f₁(x₁)＝f_{A_ah}(SOC_ah,I,T,t)，将第一估算值SOC_ah、电池电流I、电池温度T、循环寿命t作为自变量输入至上述基于安时积分估算SOC精度函数，得到因变量为第一精度值f₁(x₁)。

根据基于卡尔曼滤波估算SOC精度函数f₂(x₂)＝f_{A_kalman}(U,I,T)，将电池电压U、电池电流I、电池温度T作为自变量输入至上述基于卡尔曼滤波估算SOC精度函数，得到因变量为第二精度值f₂(x₂)。

根据基于神经网络估算SOC精度函数f₃(x₃)＝f_{A_net}(U,I,T,n)，将电池电压U、电池电流I、电池温度T、循环次数n作为自变量输入至上述基于神经网络估算SOC精度函数，得到因变量为第三精度值f₃(x₃)。

子步骤S204，根据所述第一精度值、所述第二精度值、所述第三精度值，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重。

本发明实施例分别计算出基于安时积分估算SOC精度函数对应的第一精度值、基于卡尔曼滤波估算SOC精度函数对应的第二精度值、基于神经网络估算SOC精度函数对应的第三精度值后，可以根据第一精度值、第二精度值、第三精度值，分别确定第一估算值、第二估算值、第三估算值对应的精度权重。

本发明的一个可选实施例中，子步骤S204可以包括以下子步骤：

将所述第一精度值、所述第二精度值、所述第三精度值进行相加，获得总精度值；根据所述第一精度值与所述总精度值的比值确定所述第一估算值对应的精度权重，根据所述第二精度值与所述总精度值的比值确定所述第二估算值对应的精度权重，以及根据所述第三精度值与所述总精度值的比值确定所述第三估算值对应的精度权重。

在本发明实施例中，第一估算值对应的精度权重：

可以看出，第一估算值对应的精度权重α₁为第一精度值f₁(x₁)与总精度值f₁(x₁)+f₂(x₂)+f₃(x₃)的比值，即基于安时积分估算SOC输出函数的精度在上述三种输出函数的总精度的比重是α₁，第一估算值对应的精度权重α₁可以表示基于安时积分估算SOC输出函数的第一估算值的权重优化，估算精度能够进一步地提高。

在本发明实施例中，第二估算值对应的精度权重：

可以看出，第二估算值对应的精度权重α₂为第二精度值f₂(x₂)与总精度值f₁(x₁)+f₂(x₂)+f₃(x₃)的比值，即基于卡尔曼滤波估算SOC输出函数的精度在上述三种输出函数的总精度的比重是α₂，第二估算值对应的精度权重α₂可以表示基于卡尔曼滤波估算SOC输出函数的第二估算值的权重优化，估算精度能够进一步地提高。

在本发明实施例中，第三估算值对应的精度权重：

可以看出，第三估算值对应的精度权重α₃为第三精度值f₃(x₃)与总精度值f₁(x₁)+f₂(x₂)+f₃(x₃)的比值，即基于神经网络估算SOC输出函数的精度在上述三种输出函数的总精度的比重是α₃，第三估算值对应的精度权重α₃可以表示基于神经网络估算SOC输出函数的第三估算值的权重优化，估算精度能够进一步地提高。

步骤106，根据所述第一估算值、所述第二估算值、所述第三估算值以及对应的精度权重，确定所述电池系统处于工作状态下的目标SOC估算值。

本发明实施例分别计算出基于安时积分估算SOC输出函数对应的第一估算值SOC_ah和对应的精度权重α₁、基于卡尔曼滤波估算SOC输出函数对应的第二估算值SOC_kalman和对应的精度权重α₂、基于神经网络估算SOC输出函数对应的第三估算值SOC_net和对应的精度权重α₃后，可以根据第一估算值SOC_ah和对应的精度权重α₁、第二估算值SOC_kalman和对应的精度权重α₂、第三估算值SOC_net和对应的精度权重α₃计算出电池系统处于工作状态下的目标SOC估算值。

在本发明实施例中，为了最终输出结果能依据精度高的估计方式输出，对权重进行了线性化处理，电池系统处于工作状态下的目标SOC估算值：

SOC＝α₁*SOC_ah+α₂*SOC_kalman+α₃*SOC_net

可以看出，第一估算值SOC_ah和对应的精度权重α₁的乘积可以表示基于安时积分估算SOC输出函数的最终估算值，第二估算值SOC_kalman和对应的精度权重α₂的乘积可以表示基于卡尔曼滤波估算SOC输出函数的最终估算值，第三估算值SOC_net和对应的精度权重α₃的乘积可以表示基于神经网络估算SOC输出函数的最终估算值，将上述三种输出函数进行相加，最终得到优化的SOC估算值。

例如在上述的一种实际应用中，在电池两端电压接近电池电压、低电压、低温度等极端工况下，第一估算值对应的精度权重可以是80％～95％，第二估算值对应的精度权重可以是0，第三估算值对应的精度权重可以是5％～20％，那么最终输出的SOC估算值为SOC＝(80％～95％)*SOC_ah+0*SOC_kalman+(5％～20％)*SOC_net。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

本发明的一个可选实施例中，所述获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数之前，所述方法还可以包括：

确定所述运行参数中的电池电流是否在恒流范围内；若所述电池电流不在恒流范围内，则确定所述电池系统处于工作状态。

本发明实施例提供的基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数都是在电池系统处于工作状态进行计算的，所以在获取上述三种输出函数之前，需要先确定电池系统是否处于工作状态，可以以运行参数中的电池电流是否在恒流范围内为依据，用于判断电池系统是否处于工作状态。如果电池电流不在恒流范围内，则确定电池系统处于工作状态；如果电池电流在恒流范围内，则确定电池系统不处于工作状态。由于电池系统处于工作状态，其运行参数都是变化的，本发明实施例还可以以电池电压、电池温度等运行参数为依据，用于判断电池系统是否处于工作状态。上述示例仅用于使本领域技术人员更好理解本发明实施例，本发明对此不作出限定。

本发明的一个可选实施例中，所述方法还可以包括：

若所述电池电流在恒流范围内，则确定所述电池系统处于充分静置状态；获取所述电池系统的开路电压OCV参数；根据所述开路电压OCV参数，以及开路电压OCV与电池荷电状态SOC关系曲线图，确定所述电池系统处于充分静置状态下的目标SOC估算值。

电池系统从工作状态到充分静置状态期间，其运行参数缓慢稳定下来，若运行参数到达恒定范围内，可以表明电池系统处于充分静置状态，一般而言，电池系统从工作状态到充分静置状态需要2小时以上。电池系统在等待时间比较久得到充分静置的工况下，由于此时OCV(Open Circuit Voltage，开路电压)的估算值精度更高，所以最终的输出结果会偏向于电池系统的开路电压OCV方法，开路电压OCV与电池荷电状态SOC存在相对固定的函数关系，从而根据开路电压OCV来估算电池荷电状态SOC。

本发明实施例在确定电池系统处于充分静置状态后，获取电池系统的开路电压OCV参数。参照图3，示出了本发明的开路电压OCV与电池荷电状态SOC关系曲线图，LiMnO₄和LiFeO₄这两种物质都是锂电池的正极材料，可以看出，上述两种物质的锂电池，即电池系统的开路电压OCV与电池荷电状态SOC都存在相对固定的函数关系，本发明实施例根据开路电压OCV参数，以及开路电压OCV与电池荷电状态SOC关系曲线图，可以确定电池系统处于充分静置状态下的目标SOC估算值。

本发明实施例中，获取电池系统的运行参数，以及获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数，然后从运行参数中，分别确定三种输出函数对应的估算参数，分别根据三种输出函数和对应的估算参数确定第一估算值、第二估算值、第三估算值，分别确定三个估算值对应的精度权重，最后根据三个估算值以及对应的精度权重，确定目标SOC估算值。本发明实施例提供的上述三种输出函数在不同的工况下精度不同，通过计算出上述三种输出函数对应的估算值和对应的精度权重，从而获得最终的SOC估算值，本发明实施例可以适用于各种工况的SOC估算，具有很高的估算精度。

本发明实施例还提供了一种电池荷电状态SOC估算装置，所述装置包括：

参考图4，示出了本发明实施例提供的一种电池荷电状态SOC估算装置的结构框图，具体可以包括如下模块：

运行参数获取模块401，用于获取电池系统的运行参数。

输出函数获取模块402，用于获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数。

估算参数确定模块403，用于从所述运行参数中，分别确定所述基于安时积分估算SOC输出函数、所述基于卡尔曼滤波估算SOC输出函数、所述基于神经网络估算SOC输出函数对应的估算参数。

估算值确定模块404，用于根据所述基于安时积分估算SOC输出函数和对应的估算参数确定第一估算值，根据所述基于卡尔曼滤波估算SOC输出函数和对应的估算参数确定第二估算值，以及根据所述基于神经网络估算SOC输出函数和对应的估算参数确定第三估算值。

精度权重确定模块405，用于分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重。

处于工作状态下的目标SOC估算值确定模块406，用于根据所述第一估算值、所述第二估算值、所述第三估算值以及对应的精度权重，确定所述电池系统处于工作状态下的目标SOC估算值。

本发明的一个可选实施例中，所述精度权重确定模块405包括：

精度函数获取子模块，用于获取基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数；

精度参数确定子模块，用于分别确定所述基于安时积分估算SOC精度函数、所述基于卡尔曼滤波估算SOC精度函数、所述基于神经网络估算SOC精度函数对应的精度参数；

精度值确定子模块，用于根据所述基于安时积分估算SOC精度函数和对应的精度参数确定第一精度值，根据所述基于卡尔曼滤波估算SOC精度函数和对应的精度参数确定第二精度值，以及根据所述基于神经网络估算SOC精度函数和对应的精度参数确定第三精度值；

精度权重确定子模块，用于根据所述第一精度值、所述第二精度值、所述第三精度值，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重。

本发明的一个可选实施例中，所述精度权重确定子模块包括：

总精度值获得单元，用于将所述第一精度值、所述第二精度值、所述第三精度值进行相加，获得总精度值；

精度权重确定单元，用于根据所述第一精度值与所述总精度值的比值确定所述第一估算值对应的精度权重，根据所述第二精度值与所述总精度值的比值确定所述第二估算值对应的精度权重，以及根据所述第三精度值与所述总精度值的比值确定所述第三估算值对应的精度权重。

本发明的一个可选实施例中，所述运行参数包括电池电压、电池电流、循环寿命、循环次数、电池温度中的至少一种。

本发明的一个可选实施例中，所述基于安时积分估算SOC输出函数对应的估算参数为所述电池电流和所述电池温度，所述基于卡尔曼滤波估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

本发明的一个可选实施例中，所述基于安时积分估算SOC精度函数对应的精度参数为所述第一估算值、所述电池电流、所述电池温度、所述循环寿命，所述基于卡尔曼滤波估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

本发明的一个可选实施例中，所述获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数之前，所述装置还可以包括：

电池恒流确定模块，用于确定所述运行参数中的电池电流是否在恒流范围内；

工作状态确定模块，用于若所述电池电流不在恒流范围内，则确定所述电池系统处于工作状态。

本发明的一个可选实施例中，所述装置还可以包括：

充分静置状态确定模块，用于若所述电池电流在恒流范围内，则确定所述电池系统处于充分静置状态；

开路电压OCV参数获取模块，用于获取所述电池系统的开路电压OCV参数；

处于充分静置状态下的目标SOC估算值确定模块，用于根据所述开路电压OCV参数，以及开路电压OCV与电池荷电状态SOC关系曲线图，确定所述电池系统处于充分静置状态下的目标SOC估算值。

本发明实施例中，获取电池系统的运行参数，以及获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数，然后从运行参数中，分别确定三种输出函数对应的估算参数，分别根据三种输出函数和对应的估算参数确定第一估算值、第二估算值、第三估算值，分别确定三个估算值对应的精度权重，最后根据三个估算值以及对应的精度权重，确定目标SOC估算值。本发明实施例提供的上述三种输出函数在不同的工况下精度不同，通过计算出上述三种输出函数对应的估算值和对应的精度权重，从而获得最终的SOC估算值，本发明实施例可以适用于各种工况的SOC估算，具有很高的估算精度。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明实施例还提供了一种电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如本发明实施例任一所述的电池荷电状态SOC估算方法。

本发明实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本发明实施例任一所述的电池荷电状态SOC估算方法。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种电池荷电状态SOC估算方法、装置、电子设备和可读存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种电池荷电状态SOC估算方法，所述方法包括：

获取电池系统的运行参数；

获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数；

从所述运行参数中，分别确定所述基于安时积分估算SOC输出函数、所述基于卡尔曼滤波估算SOC输出函数、所述基于神经网络估算SOC输出函数对应的估算参数；

根据所述基于安时积分估算SOC输出函数和对应的估算参数确定第一估算值，根据所述基于卡尔曼滤波估算SOC输出函数和对应的估算参数确定第二估算值，以及根据所述基于神经网络估算SOC输出函数和对应的估算参数确定第三估算值；

分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重；

根据所述第一估算值、所述第二估算值、所述第三估算值以及对应的精度权重，确定所述电池系统处于工作状态下的目标SOC估算值。

2.根据权利要求1所述的方法，其特征在于，所述分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重的步骤包括：

获取基于安时积分估算SOC精度函数、基于卡尔曼滤波估算SOC精度函数、基于神经网络估算SOC精度函数；

分别确定所述基于安时积分估算SOC精度函数、所述基于卡尔曼滤波估算SOC精度函数、所述基于神经网络估算SOC精度函数对应的精度参数；

根据所述基于安时积分估算SOC精度函数和对应的精度参数确定第一精度值，根据所述基于卡尔曼滤波估算SOC精度函数和对应的精度参数确定第二精度值，以及根据所述基于神经网络估算SOC精度函数和对应的精度参数确定第三精度值；

根据所述第一精度值、所述第二精度值、所述第三精度值，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一精度值、所述第二精度值、所述第三精度值，分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重的步骤包括：

将所述第一精度值、所述第二精度值、所述第三精度值进行相加，获得总精度值；

根据所述第一精度值与所述总精度值的比值确定所述第一估算值对应的精度权重，根据所述第二精度值与所述总精度值的比值确定所述第二估算值对应的精度权重，以及根据所述第三精度值与所述总精度值的比值确定所述第三估算值对应的精度权重。

4.根据权利要求2所述的方法，其特征在于，所述运行参数包括电池电压、电池电流、循环寿命、循环次数、电池温度中的至少一种。

5.根据权利要求4所述的方法，其特征在于，

所述基于安时积分估算SOC输出函数对应的估算参数为所述电池电流和所述电池温度，所述基于卡尔曼滤波估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC输出函数对应的估算参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

所述基于安时积分估算SOC精度函数对应的精度参数为所述第一估算值、所述电池电流、所述电池温度、所述循环寿命，所述基于卡尔曼滤波估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度，以及所述基于神经网络估算SOC精度函数对应的精度参数为所述电池电压、所述电池电流、所述电池温度、所述循环次数。

6.根据权利要求4所述的方法，其特征在于，所述获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数之前，所述方法还包括：

确定所述运行参数中的电池电流是否在恒流范围内；

若所述电池电流不在恒流范围内，则确定所述电池系统处于工作状态。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

若所述电池电流在恒流范围内，则确定所述电池系统处于充分静置状态；

获取所述电池系统的开路电压OCV参数；

根据所述开路电压OCV参数，以及开路电压OCV与电池荷电状态SOC关系曲线图，确定所述电池系统处于充分静置状态下的目标SOC估算值。

8.一种电池荷电状态SOC估算装置，所述装置包括：

运行参数获取模块，用于获取电池系统的运行参数；

输出函数获取模块，用于获取基于安时积分估算SOC输出函数、基于卡尔曼滤波估算SOC输出函数、基于神经网络估算SOC输出函数；

估算参数确定模块，用于从所述运行参数中，分别确定所述基于安时积分估算SOC输出函数、所述基于卡尔曼滤波估算SOC输出函数、所述基于神经网络估算SOC输出函数对应的估算参数；

估算值确定模块，用于根据所述基于安时积分估算SOC输出函数和对应的估算参数确定第一估算值，根据所述基于卡尔曼滤波估算SOC输出函数和对应的估算参数确定第二估算值，以及根据所述基于神经网络估算SOC输出函数和对应的估算参数确定第三估算值；

精度权重确定模块，用于分别确定所述第一估算值、所述第二估算值、所述第三估算值对应的精度权重；

处于工作状态下的目标SOC估算值确定模块，用于根据所述第一估算值、所述第二估算值、所述第三估算值以及对应的精度权重，确定所述电池系统处于工作状态下的目标SOC估算值。

9.一种电子设备，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如方法权利要求1-7任一所述的电池荷电状态SOC估算方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-7任一所述的电池荷电状态SOC估算方法。

Images