CN113030741B - 基于aukf的电池模型参数和soc估算方法、设备和介质 - Google Patents

Abstract

本发明公开了一种基于AUKF的电池模型参数和SOC估算方法、设备和介质。所述方法包括：根据电池进行离线测试的离线测试数据确定最优电池等效模型及其模型参数的初始值；将最优电池等效模型的模型参数和电池状态作为AUKF联合状态向量，建立电池状态空间方程；获取电池在实际运行过程中的实际运行数据；根据实际运行数据、电池状态空间方程以及包含模型参数的初始值的最优电池等效模型，通过AUKF算法确定电池在实际运行过程的模型参数估算值和SOC估算值。本发明可以同时估算最优电池等效模型的模型参数和电池SOC值，提高了模型参数和电池SOC值估计的匹配程度，从而提高了电池SOC的估算精度，有利于电池的安全可靠运行。

Description

基于AUKF的电池模型参数和SOC估算方法、设备和介质

技术领域

本发明涉及电池管理技术领域，具体涉及一种基于AUKF(自适应无迹卡尔曼滤波器)的电池模型参数和SOC估算方法、设备和介质。

背景技术

锂离子电池凭借自身在能量密度、功率密度以及循环寿命的优势，成为电动汽车动力电池的首选。作为电池能量状态(State of energy，简称SOE)和电池功率状态(Stateof power，简称SOP)的估计基础，电池荷电状态(State of charge，简称SOC)的准确估计不仅有助于提升电池系统的均衡控制效率和电动汽车的能量管理效率，与动态工况下电动汽车的整车安全更是密切相关。然而，锂离子电池的固有非线性以及自身参数对环境温度和运行工况的高度依赖性的客观存在，大大加深了实车动态工况下电池SOC的估计难度。

在现有技术中，对电池的SOC值的估计方法包括安时积分法、开路电压法以及基于电池模型的估计方法。上述方法的不足之处在于：安时积分法无法消除初始SOC误差和累积误差；开路电压法则需在静态条件下对电池SOC进行反推计算，不适用于实车动态工况下的电池SOC估计。基于电池模型的估计方法通过建立电池等效模型模拟电池动态特性，并结合滤波技术对电池SOC进行实时估计，但电池SOC估计的最终精度同样受限于电池模型参数的准确性，若电池模型参数与电池SOC不匹配，将会导致算法精度低。现有技术中，需要对电池模型参数进行离线参数辨识或基于估计器的在线参数辨识，并结合滤波技术将辨识得到的参数用于动态工况下的电池SOC估计。但是，由于电池模型参数将随着电池运行温度、工况类型、SOC区间以及电池健康状态的变化而改变，仅采用离线辨识得到的参数进行电池SOC估计必将导致估计算法在不同运行条件下的精度下降甚至失效；而基于估计器的在线参数辨识方法是首先对电池模型参数进行实时辨识，继而利用滤波算法实现电池SOC的估计，该方法将模型参数估计与电池SOC估计相分离，并未消除电池SOC误差对参数辨识结果的影响，将会导致电池模型参数不匹配现象的出现，进而将引发后续电池SOC估计精度的下降，不利于电池的高效管理和可靠运行。因此，无论采用离线辨识算法或基于估计器的在线参数辨识均无法消除电池SOC误差对参数辨识结果的影响，都将会导致模型参数不匹配现象的出现，进而将引发后续电池SOC估计精度的下降，不利于电动车辆的电池的高效管理和可靠运行。

同时，在根据电池模型参数对电池SOC估计时，由于电池管理系统(Batterymanagement system，简称BMS)中软件代码的存储空间有限，通常选择电池等效电路模型和滤波算法进行电池SOC在线估计，此时，业内常用的滤波技术为扩展卡尔曼滤波(ExtendedKalman filter，简称EKF)、无迹卡尔曼滤波(Unscented Kalman filter，简称UKF)和自适应无迹卡尔曼滤波(Adaptive unscented Kalman filter，简称AUKF)。其中基于EKF的电池SOC估计需要求取复杂的雅克比矩阵对电池模型中的非线性方程进行线性近似，而近似过程中所忽视的高阶误差将导致电池SOC估计精度的下降。UKF则需要准确的系统噪声的先验信息以确保最优性能，过大的系统噪声将可能诱发算法的逐渐发散，而过小的系统噪声则会降低滤波器的追踪性能。AUKF在UKF基础上增加了噪声自适应规则，但自适应规则成立的前提是电池模型绝对准确的理想状态，与实际应用情况并不相符，因此，直接应用噪声自适应规则将会在系统存在误差和扰动时大大降低滤波算法的稳定性，甚至导致算法发散。

发明内容

本发明提供一种基于AUKF的电池模型参数和SOC估算方法、设备和介质，可以同时估算最优电池等效模型的模型参数和电池SOC值，提高了模型参数和电池SOC值估计的匹配程度，从而提高了电池SOC的估算精度，有利于电池的安全可靠运行。

为实现上述目的，本发明提供了一种基于AUKF的电池模型参数和SOC估算方法，包括：

获取电池进行离线测试的离线测试数据；

根据所述离线测试数据确定最优电池等效模型以及所述最优电池等效模型的模型参数的初始值；

将所述最优电池等效模型的模型参数和电池状态作为AUKF联合状态向量，建立电池状态空间方程；

获取所述电池在实际运行过程中的实际运行数据；

根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的最优电池等效模型，通过AUKF算法确定所述电池在实际运行过程中的模型参数估算值和SOC估算值。

本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现所述的基于AUKF的电池模型参数和SOC估算方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现所述的基于AUKF的电池模型参数和SOC估算方法。

本发明提供的基于AUKF的电池模型参数和SOC估算方法、设备和介质，首先获取电池进行离线测试的离线测试数据；根据所述离线测试数据确定最优电池等效模型以及所述最优电池等效模型的模型参数的初始值；将所述最优电池等效模型的模型参数和电池状态作为AUKF联合状态向量，建立电池状态空间方程；获取所述电池在实际运行过程中的实际运行数据；根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的最优电池等效模型，通过AUKF算法确定所述电池在实际运行过程中的模型参数估算值和SOC估算值。本发明可以同时估算最优电池等效模型的模型参数和电池SOC值，提高了模型参数和电池SOC值估计的匹配程度，从而提高了电池SOC的估算精度，有利于电池的安全可靠运行。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明一实施例中基于AUKF的电池模型参数和SOC估算方法的流程图；

图2是本发明一实施例中的L阶RC电路模型的结构示意图；

图3是本发明一实施例中L阶RV电路模型的结构示意图；

图4是本发明一实施例中SOC估计值以及现有技术中AUKF方法进行SOC估计的SOC估计值的分布对比示意图；

图5是本发明一实施例中SOC估计误差以及现有技术中AUKF方法的SOC估计值误差的对比示意图；

图6是本发明一实施例中基于AUKF的电池模型参数和SOC估算方法的步骤S10的流程图；

图7是本发明一实施例中基于AUKF的电池模型参数和SOC估算方法的步骤S50的流程图；

图8是本发明另一实施例中基于AUKF的电池模型参数和SOC估算方法的步骤S50的流程图；

图9是本发明一实施例中计算机设备的结构示意图。

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。

如图1所示，提供一种基于AUKF的电池模型参数和SOC估算方法，包括以下步骤S10-S50：

S10，获取电池进行离线测试的离线测试数据；在本发明中，离线测试包括容量测试、脉冲测试以及典型工况测试。由于电池初始状态未知，因此电池的初次放电的放电容量和初次充电的充电容量并不完全相等，通过容量测试可以使得二者差异小于第一预设容量阈值(比如0.1Ah)，从而保证电池充电容量与放电容量接近，进而使得电池状态稳定。在容量测试之后进行的脉冲测试中可以获取脉冲测试数据，进而，根据脉冲测试数据获取所述电池的OCV-SOC曲线和滞回曲线；在容量测试之后进行的典型工况测试中，可以获取典型工况测试数据。在本发明一实施例中，所述离线测试数据包括上述脉冲测试数据、电池的OCV-SOC曲线、滞回曲线和典型工况测试数据。

S20，根据所述离线测试数据确定最优电池等效模型以及所述最优电池等效模型的模型参数的初始值。

在该步骤中，首先选取不同类别的电池模型；比如，可以选取电池模型为图2中所示的L阶RC(Resistor-capacitance，电阻-电容)电路模型(一般L≤3，也即，L阶RC电路模型可以为一阶RC电路模型，二阶RC电路模型和三阶RC电路模型等)或图3中所示的L阶RV(Resistor-variable phase element，电阻-可变相角元件网络)电路模型(一般L≤3，也即，L阶RV电路模型可以为一阶RV电路模型、二阶RV电路模型和三阶RV电路模型等)，之后，首先基于离线测试数据中的脉冲测试数据、电池的OCV-SOC曲线和滞回曲线，利用预设优化算法(预设和优化算法包括但不限于为遗传算法、粒子群优化算法等算法，其中，预设优化算法以一个电池模型的参数初始值作为起点，根据交叉变异等优化规则，对参数初始值进行不断的迭代更新，最终达到该电池模型的电压预测残差均方根最小的目标，进而获取该电池模型的最优电池模型参数)获得对应于上述每一个类别的电池模型的最优电池模型参数。之后，基于离线测试数据中的典型工况测试数据，通过预设的评估模型对具有最优模型参数的每一个电池模型的匹配度进行计算，评估出最优电池等效模型，且最优电池等效模型的最优电池模型参数即为该最优电池等效模型的模型参数的初始值。在本发明中，将最优电池等效模型等效为电路模型进行考虑，可结合电路仿真软件进行计算，方便对最优电池等效模型中的参数进行优化，使得不需要建立复杂的系统函数关系即可表述该最优电池等效模型，简化了后续的计算过程。

S30，将所述最优电池等效模型的模型参数和电池状态作为AUKF联合状态向量，建立电池状态空间方程；作为优选，在一实施例中，所述步骤S30包括：

首先，确定所述AUKF联合状态向量为：

X_joint＝[P_parameter ^T,X_state ^T]^T

其中，P_parameter为所述最优电池等效模型的模型参数组成的列向量，X_state为电池状态组成的列向量。

图2为L阶RC电路模型的结构示意图，其中U_ocv和U_hys分别代表电池开路电压和电池滞回电压，I和U分别代表电池电流(放电为正)和电池电压，R₀,R₁～R_L,C₁～C_L为模型参数，

为储能元件的端电压；对于图2中所示的L阶RC电路模型，所述AUKF联合状态向量中：

P_parameter＝[R₀,R₁～R_L,C₁～C_L]^T

其中，L为RC电路模型的阶数；作为优选，L≤3；k为电池实际运行的第k时刻；0≤k≤N，且k为整数；在电池实际运行的第一时刻，k＝1；在电池实际运行的第N时刻，k＝N；X_state(k)为电池实际运行的第k时刻的电池状态；SOC(k)为电池实际运行的第k时刻的SOC值；

为RC电路模型中第1个储能元件的端电压；

为RC电路模型中第L个储能元件的端电压；R₀为所述电池的欧姆内阻；R₁为第1个极化内阻；R_L为第L个极化内阻；C₁为RC电路模型中第1个RC网络的极化电容；C_L为RC电路模型中第L个RC网络的极化电容。

图3为L阶RV电路模型的结构示意图，其中U_ocv和U_hys分别代表电池开路电压和电池滞回电压，I和U分别代表电池电流(放电为正)和电池电压，R₀,R₁～R_L,V_A1～V_AL,V_B1～V_BL为模型参数，且V_A1～V_AL,V_B1～V_BL代表可变相角元件参数，

为储能元件的端电压。对于图3中所示的L阶RV电路模型，所述AUKF联合状态向量中：

P_parameter＝[R₀,R₁～R_L,V_A1～V_AL,V_B1～V_BL]^T

其中，

为RV电路模型中第1个储能元件的端电压；

为RV电路模型中第L个储能元件的端电压；R₀为所述电池的欧姆内阻；R₁为第1个极化内阻；R_L为第L个极化内阻；V_A1为RV电路模型中第1个极化电容的阶数；V_AL为RV电路模型中第L个极化电容的阶数；V_B1为为RV电路模型中第1个RV网络的极化电容；V_BL为RV电路模型中第L个RV网络的极化电容；可理解地，在在电池实际运行的初始时刻，k＝0，此时，初始时刻的初始AUKF联合状态向量，可以根据所述最优电池等效模型的模型参数的初始值以及初始时刻的电池状态初始值进行确定。

其次，建立如下电池状态空间方程：

X_joint(k)＝f(X_joint(k-1)，I(k))+ω(k)

U(k)＝g(X_joint(k),I(k),Temp(k))+γ(k)

其中，X_joint(k)为所述电池在实际运行的第k时刻的AUKF联合状态向量；k为整数；在电池实际运行的第一时刻，k＝1；在电池实际运行的第N时刻，k＝N；且X_joint(0)即为所述初始AUKF联合状态向量。X_joint(k-1)为所述电池在实际运行的第k-1时刻的AUKF联合状态向量；I(k)为第k时刻的电池电流(比如后文中提及的第一实际电池电流值或第二实际电池电流值)；U(k)为第k时刻的实际电池电压值(比如后文中提及的第一实际电池电压值或第二实际电池电压值)，可描述为由上述AUKF联合状态向量X_joint(k)的g(·)函数；f(·)和g(·)为与所述最优电池等效模型对应的非线性函数。也即，f(·)和g(·)均可以由图3所示的最优电池等效模型进行描述；Temp(k)为第k时刻的实际电池温度值(比如后文中提及的第一实际电池温度值或第二实际电池温度值)；ω(k)为第k时刻的过程噪声；可理解地，根据过程噪声可以确定过程噪声方差Q(k)；γ(k)为第k时刻的测量噪声，根据测量噪声可以确定测量噪声方差R(k)；可理解地，在电池并未实际运行的初始状态，初始过程噪声ω(0)和初始测量噪声ω(0)均为预先设定的已知值，且可以根据该初始过程噪声ω(0)和初始测量噪声ω(0)，确定初始过程噪声方差Q(0)＝QS和初始测量噪声方差R(0)＝RS。

在一实施例中，对于L阶RC电路模型，电池状态空间方程具体为：

其中，T为采样间隔，C_M为电池可用容量；SOC(k)为第k时刻的SOC估算值；SOC(k-1)为第k-1时刻的SOC估算值；e为自然常数；上述电池状态空间方程中其他各参数可以参照上述对于电池状态空间方程的说明获知，在此不再赘述。

在一实施例中，对于L阶RV电路模型，电池状态空间方程具体为：

其中，

i为电池实际运行的第i时刻；T为采样间隔；C_M为电池可用容量。上述电池状态空间方程中其他各参数可以参照上述对于电池状态空间方程的说明获知，在此不再赘述。

S40，获取所述电池在实际运行过程中的实际运行数据；也即，在上述最优电池等效模型确定之后，可将该最优电池等效模型应用于电池中，进而基于电池实际运行的实际运行数据，确定电池实际运行时电池的SOC估算值(比如后文中提及的电池实际运行的第一时刻的第一SOC估算值、电池实际运行的第N时刻的第二SOC估算值等)。可理解地，实际运行数据是指在电池实际运行的任意一个时刻获取的电池运行指标，包括但不限定于为实际电池电流值、实际电池电压值和实际电池温度值等。上述实际运行数据可以通过连接电池的传感器等直接测得。

S50，根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的最优电池等效模型，通过AUKF算法确定所述电池在实际运行过程中的模型参数估算值和SOC估算值。

可理解地，本发明可以同时估算最优电池等效模型的模型参数和电池SOC值，提高了模型参数和电池SOC值估计的匹配程度，从而提高了电池SOC的估算精度有利于电池的安全可靠运行。具体地，一方面，本发明可以通过AUKF算法在该步骤中对电池状态空间方程中包含的具有误差的初始AUKF联合状态向量进行逐步反馈修正，从而使得根据该反馈修正之后的初始AUKF联合状态向量的准确度越来越高，由于AUKF联合状态向量由模型参数和电池状态组合而成，因此，一方面，通过对AUKF联合状态向量进行反馈修正，可以使得电池的实时的电池SOC值的准确度越来越高，也即通过本发明可以得到更精确的电池SOC值；另一方面，本发明还可以通过上述AUKF算法同时可以对最优电池等效模型的模型参数进行迭代修正，从而可以根据迭代修正之后的模型参数更准确预估电池SOC值(如此，可以消除电池SOC值估计误差对参数辨识结果的影响，使得模型参数和电池的SOC值更为匹配，减少了电池SOC值的估计误差)，进而，获取的精确的电池SOC值可以输出至BMS(BATTERY MANAGEMENTSYSTEM，电池管理系统)，BMS可以根据接收到的电池SOC值优化电池工作状态，提升电池管理的高效性、运行的可靠性和安全性。也即，本发明可以同时对电池SOC值和最优电池等效模型的模型参数进行反馈修正，可以有效地消除最优电池等效模型的误差以及初始AUKF联合状态向量的误差对实时的电池SOC值带来的误差影响。

在一实施例中，如图6所示，所述步骤S10，也即所述获取电池进行离线测试的离线测试数据，包括：

S101，对所述电池进行容量测试，在容量测试的放电过程中的放电容量值和充电过程中的充电容量值的差值小于第一预设容量阈值时，确认完成容量测试且所述电池的状态稳定；由于电池初始状态未知，因此电池的初次放电的放电容量和初次充电的充电容量并不完全相等，例如，电池初始状态为空电，则首次放电时电池无可用容量，对应的放电容量为零，但首次充电时电池可以充入充电容量，例如，电池额定容量为100Ah，此时是电池对应的充电容量可达100Ah；因此，通过容量测试可以使得二者差异小于第一预设容量阈值(比如0.1Ah)，从而保证电池充电容量与放电容量接近，进而使得电池状态稳定。

S102，对状态稳定之后的所述电池进行脉冲测试并获取脉冲测试数据，根据脉冲测试数据获取所述电池的OCV-SOC曲线和滞回曲线；在容量测试之后进行的脉冲测试中可以获取脉冲测试数据(包括与电路模型相关的电流、电压、SOC值等需要的数据)，进而，根据脉冲测试数据获取所述电池的OCV-SOC曲线和滞回曲线被记录为离线测试数据的一部分。

S103，对所述电池进行典型工况测试，并获取典型工况测试数据，所述典型工况测试数据包括所述电池在典型工况放电过程中的测试电流、测试电压和测试温度。在容量测试之后进行的典型工况测试中，可以获取典型工况测试数据，并将其记录为离线测试数据的一部分。典型工况测试旨在电池充满电后，更加真实地模拟电池实际运行的情况，其中，典型工况可采用自定义工况，也可参考国际标准和国家标准。

在一实施例中，所述步骤S101，也即所述对所述电池进行容量测试，直至所述电池状态稳定，包括：

将所述电池以预设的容量测试电流值(可以为电池生产商建议的容量测试电流值，比如1C)放电至第一电压下限(根据实际情况设定)之后，获取放电过程中的放电容量值，并将所述电池静置第一预设时长；其中，第一预设时长可以根据需求设定，比如设定为30分钟。电池在充电和放电之后，内部还需要一定时间来达到物理和化学平衡，因此，电池在充电和放电测试之后，均需要静置一段时间，以消除达到平衡前的电压波动。

将所述电池以所述容量测试电流值充电至第一电压上限(根据实际情况设定，比如，设定为4.25V)之后，以所述第一电压上限进行恒压充电，获取所述电池在充电过程中的充电容量值，并将所述电池静置所述第一预设时长。

在所述放电容量值与所述充电容量值之间的差值小于第一预设容量阈值时，确认完成容量测试；其中，第一预设容量阈值可以根据需求设定，比如设定为0.1Ah。可理解地，在所述放电容量值与所述充电容量值之间的差值小于第一预设容量阈值时，代表电池充电容量与放电容量接近，此时电池状态稳定，可以确定完成容量测试。

在所述放电容量值与所述充电容量值之间的差值大于或等于所述第一预设容量阈值时，返回至将所述电池以所述容量测试电流值放电至第一电压下限之后，获取放电过程中的放电容量值。可理解地，在所述放电容量值与所述充电容量值之间的差值大于或等于所述第一预设容量阈值时，代表电池充电容量与放电容量尚未达到预设的接近程度，此时视为电池状态尚未稳定，需要继续返回再次循环上述容量测试的各步骤，直至所述放电容量值与所述充电容量值之间的差值小于第一预设容量阈值。

在一实施例中，所述步骤S102，也即所述对状态稳定之后的所述电池进行脉冲测试并获取脉冲测试数据，根据脉冲测试数据获取所述电池的OCV-SOC曲线和滞回曲线，包括：

对所述电池依次进行第一数量(优选为18组)的第一充电脉冲组合测试，所述第一充电脉冲组合测试包括一个对应于第一幅值(第一幅值优选为1C)的第一充电测试段和多个对应于不同第二幅值(多个第二幅值优选为0.5C、1C、2C、3C、4C、5C)的充电循环段，所述第一充电测试段包括第二预设时长(优选为3分钟)的第一幅值恒流充电脉冲和第三预设时长(优选为1小时)的静置；所述第一充电循环段顺次包括：第四预设时长(优选为10秒)的第二幅值恒流充电脉冲、第五预设时长(优选为40秒)的静置、第四预设时长的第二幅值恒流放电脉冲、第五预设时长的静置；也即，在本实施例中，一共进行18组第一充电脉冲组合测试，且每一组第一充电脉冲组合测试中，包含一个上述的第一充电测试段和多个(第二幅值的个数设定为几个，即存在几个充电循环段)充电循环段，且多个充电循环段在第一充电测试段之后循环进行。

对所述电池依次进行第二数量(优选为2组)的第二充电脉冲组合测试，所述第二充电脉冲组合测试包括一个第二充电测试段和多个对应于不同第二幅值的第一充电循环段，所述第二充电测试段包括累积脉冲小于第二预设容量阈值(比如，脉冲累积小于优选的第二预设容量阈值容量的5％)的恒流-恒压脉冲和第三预设时长的静置；也即，在本实施例中，一共进行两组第二充电脉冲组合测试，且每一组第二充电脉冲组合测试中，包含一个上述的第二充电测试段和多个(第二幅值的个数设定为几个，即存在几个充电循环段)充电循环段，且多个充电循环段在第二充电测试段之后循环进行。

对所述电池依次进行第三数量(优选为20组)的脉冲放电组合测试；所述放电脉冲组合测试包括一个放电测试段和多个对应于不同第二幅值的放电循环段，所述放电测试段包括第二预设时长的第一幅值恒流放电脉冲和第三预设时长的静置；所述放电循环段顺次包括：第四预设时长的第二幅值恒流放电脉冲、第五预设时长的静置、第四预设时长的第二幅值恒流充电脉冲、第五预设时长的静置；也即，在本实施例中，一共进行20组脉冲放电组合测试，且每一组脉冲放电组合测试中，包含一个上述的放电测试段和多个放电循环段，且多个放电循环段在放电测试段之后循环进行。

获取所述电池的SOC值以及与所述SOC值对应的所述循环充电段的第一电压值，根据所述SOC值和所述第一电压值确定充电OCV-SOC曲线；获取与所述SOC值对应的所述放电循环段的第二电压值，根据所述SOC值和所述第二电压值确定放电OCV-SOC曲线；可理解地，电池在充放电时的SOC值可以根据实时测得的电流电压等数据计算得出，根据所述SOC值和循环充电段第一电压值(第一充电脉冲组合测试和第二充电脉冲组合测试对应的每组脉冲在1小时静置之后测得的电池电压)可以确定充电OCV-SOC曲线；根据SOC值和所述第二电压值(放电脉冲组合测试对应的每组脉冲在1小时静置之后测得的电池电压)确定放电OCV-SOC曲线。

根据与同一个SOC值对应的所述充电OCV-SOC曲线中的第一电压值以及所述放电OCV-SOC曲线中的第二电压值之间的差值(即为滞回电压)，确定所述电池的滞回曲线。可理解地，所述滞回曲线为滞回电压随电池SOC值变化的曲线，其可以通过上述差值(与同一个SOC值对应的所述充电OCV-SOC曲线中的第一电压值以及所述放电OCV-SOC曲线中的第二电压值之间的差值)以及与该差值对应的SOC值表现出来。

在一实施例中，所述步骤S103，也即所述对所述电池进行典型工况测试，并获取典型工况测试数据，包括：

将所述电池以预设的容量测试电流值(可以根据需求设定，比如，为电池生产商建议的容量测试电流值)充电至第二电压上限(根据实际情况设定)后，对所述电池以预设的恒压值(可以根据需求设定，比如，为与第二电压上限相等的恒压值)进行恒压充电，并将所述电池静置第六预设时长(优选为30分钟)。

将所述电池以预设的典型工况放电至第二电压下限(根据实际情况设定)。

将所述电池在典型工况放电过程中的测试电流、测试电压和测试温度记录为典型工况测试数据。典型工况测试旨在电池充满电后，更加真实地模拟电池实际运行的情况，其中，典型工况可采用自定义工况，也可参考国际标准和国家标准。

在一实施例中，所述步骤S20，也即所述根据所述离线测试数据确定最优电池等效模型以及所述最优电池等效模型的模型参数的初始值，包括：

选取L阶RC电路模型和L阶RV电路模型；比如，可以选取电池模型为图2中所示的L阶RC(Resistor-capacitance，电阻-电容)电路模型(一般L≤3，也即，L阶RC电路模型可以为一阶RC电路模型，二阶RC电路模型和三阶RC电路模型等)或图3中所示的L阶RV(Resistor-variable phase element，电阻-可变相角元件网络)电路模型(一般L≤3，也即，L阶RV电路模型可以为一阶RV电路模型、二阶RV电路模型和三阶RV电路模型等)。

基于所述脉冲测试数据、所述OCV-SOC曲线和所述滞回曲线，利用预设优化算法确定各所述RC电路模型和各所述RV电路模型的最优电池模型参数；其中，一个所述RC电路模型对应一组最优电池模型参数，一个所述RV电路模型对应一组最优电池模型参数；在该步骤中，基于离线测试数据中的脉冲测试数据、电池的OCV-SOC曲线和滞回曲线，利用预设优化算法(预设和优化算法包括但不限于为遗传算法、粒子群优化算法等算法，其中，预设优化算法以一个电池模型的参数初始值作为起点，根据交叉变异等优化规则，对参数初始值进行不断的迭代更新，最终达到该电池模型的电压预测残差均方根最小的目标，进而获取该电池模型的最优电池模型参数)获得对应于上述每一个类别的电池模型的最优电池模型参数。

根据所述典型工况测试数据以及预设的评估模型，确定具有所述最优电池模型参数的所有所述RC电路模型和所有所述RV电路模型中的最优电池等效模型，同时将所述最优电池等效模型对应的最优模型参数记录为所述最优电池等效模型的模型参数的初始值。在该步骤中，基于离线测试数据中的典型工况测试数据，通过预设的评估模型对具有最优模型参数的每一个电池模型的匹配度进行计算，评估出最优电池等效模型，且最优电池等效模型的最优电池模型参数即为该最优电池等效模型的模型参数的初始值。在本发明中，将最优电池等效模型等效为电路模型进行考虑，可结合电路仿真软件进行计算，方便对最优电池等效模型中的参数进行优化，使得不需要建立复杂的系统函数关系即可表述该最优电池等效模型，简化了后续的计算过程。

在一实施例中，所述根据所述典型工况测试数据以及预设的评估模型，确定具有所述最优电池模型参数的所有所述RC电路模型和所有所述RV电路模型中的最优电池等效模型，包括：

将所述典型工况测试数据分别输入具有各所述RC电路模型和各所述RV电路模型中，获取各所述RC电路模型和各所述RV电路模型在典型工况下的模型误差和计算时间；

根据以下评估模型确定各所述RC电路模型和各所述RV电路模型的匹配度：

其中，Rank_model为匹配度；p为典型工况测试数据的数据长度；c为时间因子；E_model为模型误差；T_model为模型计算时长；N_model为模型中的最优电池模型参数的个数；可理解地，当典型工况测试完成时，典型工况测试数据的数据长度也可确定。例如某动态典型工况测试完成时，电池共运行1个小时，而数据采集装置的采样频率为1Hz，则典型工况测试数据的数据长度为3600。

根据所述匹配度确定所有所述RC电路模型和所有所述RV电路模型中的最优电池等效模型。作为优选，匹配度最高的所述RC电路模型或所述RV电路模型即为最优电池等效模型。

在一实施例中，所述实际运行数据包括在电池实际运行的第一时刻采集的第一实际电池电流值、第一实际电池温度值和第一实际电池电压值；如图7所示，所述步骤S50，也即所述根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的最优电池等效模型，通过AUKF算法确定所述电池在实际运行过程中的模型参数估算值和SOC估算值，包括：

S501，根据所述实际运行数据和预设的状态边界值确定所述电池在实际运行的初始时刻的电池状态初始值；其中，电池初始状态向量值是指电池在并未实际运行的初始状态(电池并未发生充放电)下的电池初始状态向量值，所述电池初始状态向量值为一个预设值，且电池初始状态向量值与电池实际运行时电池的SOC值相关联，在本发明中，电池初始状态向量值可以具有一定误差，且本发明可以在后续步骤中对该具有误差的电池初始状态向量值进行逐步反馈修正(比如，后文中提及的在第一时刻进行第一次修正后即得到反馈修正之后的第一联合状态向量后验值，之后可以根据所述第一联合状态向量后验值和第一联合状态向量协方差后验值确定在电池实际运行的第一时刻反馈修正之后的第一SOC估算值)，从而使得根据该反馈修正之后的电池初始状态向量值(比如，后文中提及的第一联合状态向量后验值，第三联合状态向量后验值等)的准确度越来越高，进而使得电池的SOC值(比如后文中提及的第一SOC估算值、第二SOC估算值等)的准确度越来越高。

S502，根据所述模型参数的初始值和所述电池状态初始值确定初始AUKF联合状态向量；可理解地，在在电池实际运行的初始时刻，k＝0，此时，根据上述步骤S30中对AUKF联合状态向量所述内容，初始时刻的初始AUKF联合状态向量，可以根据所述最优电池等效模型的模型参数的初始值以及初始时刻的电池状态初始值进行确定。

S503，获取预设的参数协方差初始值以及预设的电池状态协方差初始值；也即，所述参数协方差初始值以及所述电池状态协方差初始值均可以根据需求设定，在本发明中，所述参数协方差初始值亦可以根据所述模型参数的初始值以及与各所述模型参数对应的模型参数边界值进行确定；所述电池状态协方差初始值亦可以根据电池状态初始值以及与每一个电池状态对应的状态边界值进行确定。

S504，根据所述参数协方差初始值和所述电池状态协方差初始值确定联合状态向量协方差初始值；也即，在上述参数协方差初始值和所述电池状态协方差均确定之后，可以根据两者确定联合状态向量协方差初始值。

S505，将所述初始AUKF联合状态向量和所述联合状态向量协方差初始值输入预设的对称采样模型中，生成初始AUKF联合状态向量特征点集。

作为优选，所述对称采样模型为：

其中：

k为电池实际运行的第k时刻，0≤k≤N，且k为整数；在电池实际运行的第一时刻，k＝1；在电池实际运行的第N时刻，k＝N；

为第k-1时刻的第i个特征点的联合状态向量后验值；

M为联合状态向量后验值X_joint的长度；

μ为预设的缩放系数；

P_joint(k-1)为第k-1时刻的联合状态向量协方差后验值；

为第k-1时刻的AUKF联合状态向量特征点集。

可理解地，在电池实际运行的第一时刻，k＝1；此时，对称采样模型为：

其中，由上述内容可知，初始AUKF联合状态向量X_joint(0)、联合状态向量协方差初始值P_joint(0)均已知，初始AUKF联合状态向量X_joint(0)的长度M以及缩放系数μ也已知，因此

以及

可以根据上述参数进行确定；进而，初始联合状态向量特征点集

可以被确定。

S506，将所述初始AUKF联合状态向量特征点集以及所述第一实际电池电流值输入所述电池状态空间方程中，获取所述电池状态空间方程输出的所述电池在实际运行的第一时刻的第一特征点状态值。

可理解地，在电池实际运行的第一时刻，k＝1；此时，由上述电池状态空间方程可知：

其中，所述第一实际电池电流值I(1)已知，而初始AUKF联合状态向量特征点集

已经采用对称采样模型确定。进而，可以根据以上已知参数得出电池在实际运行的第一时刻的第一特征点状态值

S507，将所述第一实际电池电流值、所述第一实际电池温度值、所述第一特征点状态值以及预设的噪声方差初始值输入预设的状态空间模型中，确定电池实际运行的第一时刻的第一联合状态向量先验值、第一联合状态向量协方差先验值以及第一测量修正矩阵；可理解地，ω(k)代表电池实际运行的第k时刻的过程噪声，根据过程噪声可以确定过程噪声方差Q(k)；γ(k)代表电池实际运行的第k时刻的测量噪声；而根据测量噪声可以确定测量噪声方差R(k)。在本实施例中，第一时刻的噪声方差初始值包括初始过程噪声方差Q(1)和初始测量噪声方差R(1)，且该初始过程噪声方差Q(1)和初始测量噪声方差R(1)可以根据预设的初始过程噪声ω(0)和初始测量噪声ω(0)确定，也即，噪声方差初始值为已知的预设值。此时，根据噪声方差初始值以及上述计算得到的第一特征点状态值

可以确定所述电池在电池实际运行的第一时刻的第一联合状态向量先验值

第一联合状态向量协方差先验值

以及第一测量修正矩阵K_joint(1)。

作为优选，所述状态空间模型包括：

其中：

k为电池实际运行的第k时刻，0≤k≤N，且k为整数；在电池实际运行的第一时刻，k＝1；在电池实际运行的第N时刻，k＝N；

α为正值常数，α≤1；

β为正值常数，β＝2；

M为联合状态向量后验值X_joint的长度；

μ为预设的缩放系数；

为第k时刻的联合状态向量先验值；

为第k时刻的AUKF联合状态向量特征点集的第j个特征点的特征点状态值；

为第j个特征点在计算第k时刻的联合状态向量先验值的期望值时的权重系数；

为第j个特征点在计算第k时刻的联合状态向量协方差先验值时的权重系数。

在电池实际运行的第一时刻，k＝1；此时，第一时刻的第一联合状态向量先验值

可以根据上述公式计算得出。

其中：

为

与

之差；

为第k时刻的联合状态向量协方差先验值；

Q(k)为电池实际运行的第k时刻，最优电池等效模型的过程噪声方差，在一些实施例中，第k时刻最优电池等效模型的过程噪声方差，即为第k-1时刻已修正的理论噪声方差中的理论过程噪声方差。可理解地，第一时刻的初始过程噪声方差Q(1)为预设值。

在电池实际运行的第一时刻，k＝1；此时，第一时刻的第一联合状态向量协方差先验值

可以根据上述公式计算得出。

其中：

I(k)为电池实际运行第k时刻的实际电池电流值；

Temp(k)为电池实际运行第k时刻的实际电池温度值；

为第k时刻的AUKF联合状态向量特征点集的第j个特征点的特征点状态值的测量更新输出值；

为第k时刻的AUKF联合状态向量特征点集的测量更新输出值的期望值；

为

与

之差。

其中：

为第K时刻的AUKF联合状态向量特征点集的特征点状态值与特征点状态值的测量更新输出值之间的协方差；

为第K时刻的AUKF联合状态向量特征点集的特征点状态值与特征点状态值的测量更新输出值之间的方差；

R(k)为电池实际运行的第k时刻，最优电池等效模型的测量噪声方差，在一些实施例中，第k时刻最优电池等效模型的测量噪声方差，即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地，第一时刻的初始测量噪声方差R(1)为预设值。K_joint(k)为电池实际运行的第k时刻的测量修正矩阵。

在电池实际运行的第一时刻，k＝1；此时，第一时刻的第一测量修正矩阵K_joint(1)可以根据上述公式计算得出。

S508，将所述第一实际电池电压值、所述第一联合状态向量先验值、所述第一联合状态向量协方差先验值以及所述第一测量修正矩阵输入预设的估算模型中，确定电池实际运行的第一时刻的第一联合状态向量后验值和第一联合状态向量协方差后验值。

作为优选，所述估算模型为：

其中，

X_joint(k)为电池实际运行的第k时刻的联合状态向量后验值；

P_joint(k)为电池实际运行的第k时刻的联合状态向量协方差后验值；

为第k时刻的联合状态向量先验值；

K_joint(k)为电池实际运行的第k时刻的测量修正矩阵；

U(k)为第k时刻的实际电池电压值；

为第k时刻的AUKF联合状态向量特征点集的测量更新输出值的期望值；

为第k时刻的联合状态向量协方差先验值；

为第K时刻的AUKF联合状态向量特征点集的特征点状态值与特征点状态值的测量更新输出值之间的方差。

在电池实际运行的第一时刻，k＝1；此时，由于第一时刻的所述第一实际电池电压值U(1)已知；所述第一联合状态向量先验值

第一联合状态向量协方差先验值

以及第一测量修正矩阵K_joint(1)均已知，估算模型中的其他参数也由本发明中上述内容已知，因此，可以根据所述估算模型确定所述电池在电池实际运行的第一时刻的第一联合状态向量后验值X_joint(1)和第一联合状态向量协方差后验值P_joint(1)。

S509，根据所述第一联合状态向量后验值和第一联合状态向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值。

在本实施例中，由于AUKF联合状态向量可表达为：X_joint＝[P_parameter ^T,X_state ^T]^T；其中，P_parameter为所述最优电池等效模型的模型参数组成的列向量，X_state为电池状态组成的列向量。

对于图2中所示的L阶RC电路模型，所述AUKF联合状态向量中：

P_parameter＝[R₀,R₁～R_L,C₁～C_L]^T；对于图3中所示的L阶RV电路模型，所述AUKF联合状态向量中：

P_parameter＝[R₀,R₁～R_L,V_A1～V_AL,V_B1～V_BL]^T；因此，根据第一时刻的第一联合状态向量后验值X_joint(1)和第一联合状态向量协方差后验值P_joint(1)，可以确定第一SOC估算值以及第一模型参数估算值。也即，第一联合状态向量后验值、第一联合状态向量协方差后验值、第一SOC估算值以及第一模型参数估算值等均为第一次迭代更新的结果，且迭代更新之后的上述参数均可以在后续过程被持续迭代，进而使得电池SOC值的估算越来越精准。

本发明可以对该具有误差的初始AUKF联合状态向量进行逐步反馈修正，从而使得根据该反馈修正之后的初始AUKF联合状态向量的准确度越来越高，由于AUKF联合状态向量由模型参数和电池状态组合而成，因此，一方面，通过AUKF算法对AUKF联合状态向量进行反馈修正，可以得到更精确的电池SOC值；另一方面，还通过上述AUKF算法同时对最优电池等效模型的模型参数进行迭代修正，从而可以根据迭代修正之后的模型参数更准确预估电池SOC值(如此，可以消除电池SOC值估计误差对参数辨识结果的影响，使得模型参数和电池的SOC值更为匹配，减少了电池SOC值的估计误差)，进而，获取的精确的电池SOC值可以输出至BMS，BMS可以根据接收到的精准的电池SOC值优化电池工作状态，提升电池管理的高效性和运行的可靠性。同时，本发明可以同时对电池SOC值和最优电池等效模型的模型参数进行反馈修正，可以有效地消除最优电池等效模型的误差以及初始AUKF联合状态向量的误差对实时的电池SOC值带来的误差影响。

在一实施例中，如图8所示，所述步骤S509之后，也即所述根据所述第一联合状态向量后验值和第一联合状态向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值之后，还包括步骤S510-S511：

S510，根据所述第一模型参数估算值和所述第一SOC估算值，获取所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差。

作为优选，所述步骤S510包括：

获取预设的时刻序列长度和电池实际运行的第一时刻的所述第一实际电池电压值；设L_AUKF为预设的时刻序列长度；L_AUKF≤k；也即L_AUKF的具体数值可以根据用户需求设定。电池在实际运行的第一时刻的第一实际电池电压值可以直接测得。

根据所述第一SOC估算值、所述第一模型参数估算值和所述第一实际电池电压值，确定所述最优电池等效模型在电池实际运行的第一时刻的第一模型输出残差；在该步骤中，可以根据预设的残差模型计算第一时刻的最优电池等效模型的第一模型输出残差。作为优选，残差模型为：

其中：

U_e(k)为第k时刻的最优电池等效模型的模型输出残差；

U(k)为第k时刻的实际电池电压值；

为第k时刻的AUKF联合状态向量特征点集的测量更新输出值的期望值。

在电池实际运行的第一时刻，k＝1；此时，U(1)和

均已知，因此，所述第一模型输出残差U_e(1)可以计算得出。

根据所述第一时刻之前的所述时刻序列长度之内的历史模型输出残差以及所述第一模型输出残差，确定所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差。

也即，可以根据以下残差阵模型获取对应时刻的输出残差阵：

其中：

L_AUKF为预设的时刻序列长度；L_AUKF≤k；也即L_AUKF的具体数值可以根据用户需求设定。

l为所述电池历史运行的第l时刻，k-L_AUKF+1≤l≤k，且k为整数；在所述电池历史运行的第一时刻，l＝1；在所述电池历史运行的第k时刻，l＝k；

H(k)为电池实际运行的第k时刻的最优电池等效模型的输出残差阵；

U_e(l)为电池的历史运行的第l时刻的最优电池等效模型的历史模型输出残差。可理解地，在l＝k时，历史模型输出残差即为第k时刻的最优电池等效模型的模型输出残差。

在电池实际运行的第一时刻，k＝1；此时，第一时刻的最优电池等效模型的第一输出残差阵H(1)可以根据上述残差阵模型确定。进而，根据上述第一输出残差阵，可以获取所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差，具体地，根据以下公式获取理论噪声方差：

其中：

Q_id(k)为电池实际运行的第k时刻，AUKF滤波器的理论噪声方差中的理论过程噪声方差；

R_id(k)为电池实际运行的第k时刻，AUKF滤波器的理论噪声方差中的理论测量噪声方差；

K_joint(k)为电池实际运行的第k时刻的测量修正矩阵；

H(k)为电池实际运行的第k时刻的最优电池等效模型的输出残差阵；

为第K时刻的AUKF联合状态向量特征点集的特征点状态值与特征点状态值的测量更新输出值之间的方差；

R(k)为电池实际运行的第k时刻，AUKF滤波器的测量噪声方差。在一些实施例中，第k时刻AUKF滤波器的测量噪声方差，即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地，第一时刻的初始测量噪声方差R(1)为预设值。

在电池实际运行的第一时刻，k＝1；此时，初始测量噪声方差R(1)已知，K_joint(1)、H(1)以及

均已知，因此，可以直接获取第一理论过程噪声方差Q_id(1)和第一理论测量噪声方差R_id(1)，也即，确定所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差。

S511，根据预设的噪声更新规则，修正所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差。也即，在本发明中，AUKF滤波器可以在满足本实施例的条件时，实现对电池状态参数P_parameter、电池状态X_state以及第一理论噪声方差进行更新的功能。

在一实施例中，所述第一理论噪声方差包括第一理论测量噪声方差和第一理论过程噪声方差；所述步骤S511包括：

在所述第一理论测量噪声方差小于或等于预设的噪声边界值时，保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变；

在所述第一理论测量噪声方差大于预设的噪声边界值时，通过所述AUKF滤波器将所述第一理论测量噪声方差更新为所述第一理论测量噪声方差以及预设的噪声方差初始值中的测量噪声初始值中的数值较大者，同时通过所述AUKF滤波器将所述第一理论过程噪声方差更新为所述第一理论过程噪声方差以及预设的噪声方差初始值中的过程噪声初始值中的矩阵迹较大者。在本实施例中，AUKF滤波器方可执行对第一理论测量噪声方差和第一理论过程噪声方差进行更新的动作。

本实施例中的上述噪声更新规则可以具体用以下公式来进行解释：

其中：

Q(k+1)为电池实际运行的第K时刻，修正之后的所述AUKF滤波器的理论噪声方差中的理论过程噪声方差；

δ为预设的噪声边界值，该噪声边界值可以根据需求进行设定。

Q(k)为电池实际运行的第k时刻，所述AUKF滤波器的理论噪声方差中的过程噪声方差，在一些实施例中，第k时刻所述AUKF滤波器的过程噪声方差，即为第k-1时刻已修正的理论噪声方差中的理论过程噪声方差。可理解地，第一时刻的初始过程噪声方差Q(1)为预设值。trace(Q(k))为矩阵Q(k)的迹；

Q_id(k)为电池实际运行的第k时刻，所述AUKF滤波器的理论噪声方差中的理论过程噪声方差；trace(Q_id(k))为矩阵Q_id(k)的迹；

R_id(k)为电池实际运行的第k时刻，所述AUKF滤波器的理论噪声方差中的测量噪声方差；

R(k+1)为电池实际运行的第K时刻，修正之后的所述AUKF滤波器的理论噪声方差中的理论测量噪声方差；

R(k)为电池实际运行的第k时刻，所述AUKF滤波器的理论噪声方差中的测量噪声方差，在一些实施例中，第k时刻所述AUKF滤波器的测量噪声方差，即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地，第一时刻的初始测量噪声方差R(1)为预设值。

在一实施例中，所述步骤S511包括：在电池实际运行的所有时刻的理论测量噪声方差均小于或等于预设的噪声边界值时，保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变；所述AUKF滤波器被降级为UKF滤波器；所述理论测量噪声方差包括电池实际运行的第一时刻的第一理论测量噪声方差。也即，在本发明中，在所述电池实际运行的所有时刻的理论测量噪声方差均小于或等于所述噪声边界值时，说明理论测量噪声方差并不满足噪声更新规则，此时，理论测量噪声方差中的理论测量噪声方差和理论过程噪声方差均无需发生变更，此时，由于AUKF滤波器无需对第一理论测量噪声方差和第一理论过程噪声方差进行更新，仅需要实现对电池状态参数P_parameter和电池状态X_state进行更新的功能即可，因此，在本实施例中，AUKF滤波器被降级为UKF滤波器使用，此时，在后续过程中使用；也即，在后续步骤中，若所述电池实际运行的所有时刻的理论测量噪声方差始终均小于或等于所述噪声边界值，则AUKF滤波器始终作为UKF滤波器仅执行对电池状态参数P_parameter和电池状态X_state进行更新的动作即可。

可理解地，本发明在通过AUKF算法同时估算最优电池等效模型的模型参数和电池SOC值时，还可以根据噪声更新规则不断修正AUKF的噪声方差，也即，本发明可以同步提高模型参数和电池SOC值估计的匹配程度以及AUKF的性能，从而提高了电池SOC的估算精度有利于电池的安全可靠运行。

在一实施例中，所述实际运行数据包括在电池实际运行的第N时刻采集的第二实际电池电流值、第二实际电池温度值和第二实际电池电压值；所述步骤S511之后，还包括：

获取电池的在电池实际运行的第N-1时刻的第二联合状态向量后验值和第N-1时刻的第二联合状态向量协方差后验值；N为大于或等于2的正整数；

所述第二联合状态向量后验值包含电池实际运行的第N-1时刻的所述最优电池等效模型的第二模型参数估算值；

可理解地，在本发明中，可以在AUKF算法中通过联合状态向量后验值对电池SOC值进行反馈修正，之后，将反馈修正之后的电池SOC值进一步在实际运行中进行修正(比如，在第N时刻，对第N-1时刻的第二联合状态向量后验值进行反馈修正，得到反馈修正之后的第三联合状态向量后验值等，根据第三联合状态向量后验值可以确定电池在所述电池在实际运行的第N时刻的第二SOC估算值)，也即，电池SOC值在电池的实际运行过程中始终处于一个迭代修正的过程中，随着该迭代过程的进行，SOC估算值将会越来越准确，如此，可以有效地消除最优电池等效模型的误差以及初始AUKF联合状态向量的误差对实时的电池SOC值带来的误差影响。另一方面，本发明还可以通过上述AUKF算法同时对最优电池等效模型的模型参数进行迭代修正(比如，在第N时刻，根据第二联合状态向量后验值以及包含所述第N-1时刻的第二模型参数估算值的所述最优电池等效模型，可以确定电池在所述电池在实际运行的第N时刻的第三联合状态向量后验值等，进而可以获知根据第三联合状态向量后验值可以确定电池在所述电池在实际运行的第N时刻的第二模型参数估算值)，从而可以根据迭代修正之后的模型参数更准确预估电池SOC值，如此，可以进一步消除电池SOC值估计误差对参数辨识结果的影响，使得模型参数和电池的SOC值更为匹配，减少了电池SOC值的估计误差。

将所述第二联合状态向量后验值和所述第二联合状态向量协方差后验值输入所述对称采样模型中，生成第一AUKF联合状态向量特征点集；可理解地，在电池实际运行的第N时刻，k＝N；此时，根据所述对称采样模型：

其中，由步骤S30中可知，所述第二联合状态向量后验值X_joint(N-1)和所述第二联合状态向量协方差P_joint(N-1)均已知，第二联合状态向量后验值X_joint(N-1)的长度M以及缩放系数μ也已知，因此

以及

可以根据上述参数进行确定；进而，第一AUKF联合状态向量特征点集

可以被确定。

将所述第一AUKF联合状态向量特征点集以及所述第二实际电池电流值输入所述电池状态空间方程中，获取所述电池状态空间方程输出的所述电池在实际运行的第N时刻的第二特征点状态值；在电池的实际运行的第N时刻，k＝N，此时，由上述电池状态空间方程可知：

其中，所述第二实际电池电流值I(N)已知，而第一AUKF联合状态向量特征点集

已经采用以对称采样模型确定。进而，可以根据以上已知参数得出电池在实际运行的第N时刻的第二特征点状态值

获取已修正的第N-1时刻的第二理论噪声方差，将所述第二实际电池电流值、所述第二实际电池温度值、所述第二特征点状态值以及所述第二理论噪声方差输入所述状态空间模型中，确定电池实际运行的第N时刻的第二联合状态向量先验值、第二联合状态向量协方差先验值以及第二测量修正矩阵；在电池的实际运行的第N时刻，k＝N，此时，根据上述状态空间模型可首先确定第二联合状态向量先验值

进而确定第二联合状态向量协方差先验值

最终确定第二测量修正矩阵K_joint(N)；其具体计算过程参照步骤S507中所述，在此不再赘述。

将所述第二实际电池电压值、所述第二联合状态向量先验值、所述第二联合状态向量协方差先验值以及所述第二测量修正矩阵输入所述估算模型中，确定所述电池在电池实际运行的第N时刻的第三联合状态向量后验值和第三联合状态向量协方差后验值；在电池的实际运行的第N时刻，k＝N，此时，由于第N时刻的所述第二实际电池电压值U(N)已知；所述第一联合状态向量先验值

第二联合状态向量先验值

和第二联合状态向量协方差先验值

最终确定第二测量修正矩阵K_joint(N)均已知，步骤S508中提及的所述估算模型中的其他参数也可以参照上述步骤S507或其他步骤中得出，因此，可以根据上述估算模型确定所述电池在电池实际运行的第N时刻的第三联合状态向量后验值X_joint(N)和第三联合状态向量协方差后验值P_joint(N)。

根据所述第三联合状态向量后验值和第三联合状态向量协方差后验值确定在电池实际运行的第N时刻的第二SOC估算值以及第三模型参数估算值。在本实施例中，由于AUKF联合状态向量可表达为：X_joint＝[P_parameter ^T,X_state ^T]^T；其中，P_parameter为所述最优电池等效模型的模型参数组成的列向量，X_state为电池状态组成的列向量。

对于图2中所示的L阶RC电路模型，所述AUKF联合状态向量中：

P_parameter＝[R₀,R₁～R_L,C₁～C_L]^T；对于图3中所示的L阶RV电路模型，所述AUKF联合状态向量中：

P_parameter＝[R₀,R₁～R_L,V_A1～V_AL,V_B1～V_BL]^T；因此，可以根据第三联合状态向量后验值X_joint(N)和第三联合状态向量协方差后验值P_joint(N)确定第二SOC估算值以及第三模型参数估算值。也即，第三联合状态向量后验值、第三联合状态向量协方差后验值、第二SOC估算值以及第三模型参数估算值等均为第N次迭代更新的结果，且迭代更新之后的上述参数均可以在后续过程被持续迭代，进而使得电池SOC值的估算越来越精准。可理解地，N为大于或等于2的正整数，在N＝2时，第N-1时刻即为第一时刻，此时，上述实施例中的第N-1时刻的第二联合状态向量后验值即为第一时刻对应的第一联合状态向量后验值；若N大于2，则可以根据上述实施例进行迭代即可。

如图4和图5所示，以某厂家生产的三元锂离子电池在动态工况下电池SOC估计为例，设置初始SOC误差为20％后，图4示出了分别采用本发明SOC估计值(图4中所示11)以及现有技术中的AUKF方法进行SOC估计的SOC估计值(图4中所示12)的分布对比，其中图4中所示13为电池实验所得的SOC值；图5示出了本发明SOC估计误差(图5中所示21)以及现有技术中AUKF方法的SOC估计值误差(图5中所示22)的对比，其中图5中所示23为±5％的边界值；由图4和图5可知，本发明的SOC估计误差在经历调整阶段后，整体小于5％，而现有技术中缺少更新规则的AUKF方法的SOC估计值误差达到了30％，以上数据说明本发明通过增加噪声更新规则等方式，显著提高了电池SOC估计精度。

进一步地，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种基于AUKF的电池模型参数和SOC估算方法。

进一步地，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的基于AUKF的电池模型参数和SOC估算方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述的基于AUKF的电池模型参数和SOC估算方法。

本发明还提供了一种车辆，所述车辆包括电池以及与所述电池通信连接的控制模块，所述控制模块用于执行所述的基于AUKF的电池模型参数和SOC估算方法。

关于所述控制模块的具体限定可以参见上文中对于基于AUKF的电池模型参数和SOC估算方法的限定，在此不再赘述。上述控制模块中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元或模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包括在本发明的保护范围之内。

Claims (14)

1.一种基于AUKF的电池模型参数和SOC估算方法，其特征在于，包括：

获取电池进行离线测试的离线测试数据；

根据所述离线测试数据确定最优电池等效模型以及所述最优电池等效模型的模型参数的初始值；

将所述最优电池等效模型的模型参数和电池状态作为AUKF联合状态向量，建立电池状态空间方程；

获取所述电池在实际运行过程中的实际运行数据；

根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的最优电池等效模型，通过AUKF算法确定所述电池在实际运行过程中的模型参数估算值和SOC估算值；

所述将所述最优电池等效模型的模型参数和电池状态作为AUKF联合状态向量，建立电池状态空间方程，包括：

确定所述AUKF联合状态向量为：

X_joint＝[P_parameter ^T,X_state ^T]^T

其中，P_parameter为所述最优电池等效模型的模型参数组成的列向量，X_state为电池状态组成的列向量；

建立如下电池状态空间方程：

X_joint(k)＝f(X_joint(k-1)，I(k))+ω(k)

U(k)＝g(X_joint(k),I(k),Temp(k))+γ(k)

其中，X_joint(k)为所述电池在实际运行的第k时刻的AUKF联合状态向量；X_joint(k-1)为所述电池在实际运行的第k-1时刻的AUKF联合状态向量；I(k)为第k时刻的电池电流；U(k)为第k时刻的实际电池电压值；ω(k)为第k时刻的过程噪声；Temp(k)为第k时刻的实际电池温度值；γ(k)为第k时刻的测量噪声；f(·)和g(·)为与所述最优电池等效模型对应的非线性函数。

2.如权利要求1所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述获取电池进行离线测试的离线测试数据，包括：

对所述电池进行容量测试，在容量测试的放电过程中的放电容量值和充电过程中的充电容量值的差值小于第一预设容量阈值时，确认完成容量测试且所述电池的状态稳定；

对状态稳定之后的所述电池进行脉冲测试并获取脉冲测试数据，根据脉冲测试数据获取所述电池的OCV-SOC曲线和滞回曲线；

对所述电池进行典型工况测试，并获取典型工况测试数据，所述典型工况测试数据包括所述电池在典型工况放电过程中的测试电流、测试电压和测试温度。

3.如权利要求2所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，根据所述离线测试数据确定最优电池等效模型以及所述最优电池等效模型的模型参数的初始值，包括：

选取L阶RC电路模型和L阶RV电路模型；

基于所述脉冲测试数据、所述OCV-SOC曲线和所述滞回曲线，利用预设优化算法确定各所述RC电路模型和各所述RV电路模型的最优电池模型参数；其中，一个所述RC电路模型对应一组最优电池模型参数，一个所述RV电路模型对应一组最优电池模型参数；

根据所述典型工况测试数据以及预设的评估模型，确定具有所述最优电池模型参数的所有所述RC电路模型和所有所述RV电路模型中的最优电池等效模型，同时将所述最优电池等效模型对应的最优模型参数记录为所述最优电池等效模型的模型参数的初始值。

4.如权利要求3所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述根据所述典型工况测试数据以及预设的评估模型，确定具有所述最优电池模型参数的所有所述RC电路模型和所有所述RV电路模型中的最优电池等效模型，包括：

将所述典型工况测试数据分别输入具有各所述RC电路模型和各所述RV电路模型中，获取各所述RC电路模型和各所述RV电路模型在典型工况下的模型误差和计算时间；

根据以下评估模型确定各所述RC电路模型和各所述RV电路模型的匹配度：

其中，Rank_model为匹配度；p为典型工况测试数据的数据长度；c为时间因子；E_model为模型误差；T_model为模型计算时长；N_model为模型中的最优电池模型参数的个数；

根据所述匹配度确定所有所述RC电路模型和所有所述RV电路模型中的最优电池等效模型。

5.如权利要求1所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述实际运行数据包括在电池实际运行的第一时刻采集的第一实际电池电流值、第一实际电池温度值和第一实际电池电压值；

所述根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的最优电池等效模型，通过AUKF算法确定所述电池在实际运行过程中的模型参数估算值和SOC估算值，包括：

根据所述实际运行数据确定所述电池在实际运行的初始时刻的电池状态初始值；

根据所述模型参数的初始值和所述电池状态初始值确定初始AUKF联合状态向量；

获取预设的参数协方差初始值以及预设的电池状态协方差初始值；

根据所述参数协方差初始值和所述电池状态协方差初始值确定联合状态向量协方差初始值；

将所述初始AUKF联合状态向量和所述联合状态向量协方差初始值输入预设的对称采样模型中，生成初始AUKF联合状态向量特征点集；

将所述初始AUKF联合状态向量特征点集以及所述第一实际电池电流值输入所述电池状态空间方程中，获取所述电池状态空间方程输出的所述电池在实际运行的第一时刻的第一特征点状态值；

将所述第一实际电池电流值、所述第一实际电池温度值、所述第一特征点状态值以及预设的噪声方差初始值输入预设的状态空间模型中，确定电池实际运行的第一时刻的第一联合状态向量先验值、第一联合状态向量协方差先验值以及第一测量修正矩阵；

将所述第一实际电池电压值、所述第一联合状态向量先验值、所述第一联合状态向量协方差先验值以及所述第一测量修正矩阵输入预设的估算模型中，确定电池实际运行的第一时刻的第一联合状态向量后验值和第一联合状态向量协方差后验值；

根据所述第一联合状态向量后验值和第一联合状态向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值。

6.如权利要求5所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述根据所述第一联合状态向量后验值和第一联合状态向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值之后，还包括：

根据所述第一模型参数估算值和所述第一SOC估算值，获取所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差；

根据预设的噪声更新规则，修正所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差。

7.如权利要求6所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述根据所述第一模型参数估算值和所述第一SOC估算值，获取所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差，包括：

获取预设的时刻序列长度和电池实际运行的第一时刻的所述第一实际电池电压值；

根据所述第一SOC估算值、所述第一模型参数估算值和所述第一实际电池电压值，确定所述最优电池等效模型在电池实际运行的第一时刻的第一模型输出残差；

根据所述第一时刻之前的所述时刻序列长度之内的历史模型输出残差以及所述第一模型输出残差，确定所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差。

8.如权利要求6所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述第一理论噪声方差包括第一理论测量噪声方差和第一理论过程噪声方差；

所述根据预设的噪声更新规则，修正所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差，包括：

在所述第一理论测量噪声方差小于或等于预设的噪声边界值时，保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变；

在所述第一理论测量噪声方差大于预设的噪声边界值时，通过所述AUKF滤波器将所述第一理论测量噪声方差更新为所述第一理论测量噪声方差以及预设的噪声方差初始值中的测量噪声初始值中的数值较大者，同时通过所述AUKF滤波器将所述第一理论过程噪声方差更新为所述第一理论过程噪声方差以及预设的噪声方差初始值中的过程噪声初始值中的矩阵迹较大者。

9.如权利要求6所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述根据预设的噪声更新规则，修正所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差，包括：

在电池实际运行的所有时刻的理论测量噪声方差均小于或等于预设的噪声边界值时，保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变；所述AUKF滤波器被降级为UKF滤波器；所述理论测量噪声方差包括电池实际运行的第一时刻的第一理论测量噪声方差。

10.如权利要求6所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述实际运行数据包括在电池实际运行的第N时刻采集的第二实际电池电流值、第二实际电池温度值和第二实际电池电压值；

所述根据预设的噪声更新规则，修正所述AUKF滤波器在电池实际运行的第一时刻的第一理论噪声方差之后，还包括：

获取电池的在电池实际运行的第N-1时刻的第二联合状态向量后验值和第N-1时刻的第二联合状态向量协方差后验值；N为大于或等于2的正整数；所述第二联合状态向量后验值包含电池实际运行的第N-1时刻的所述最优电池等效模型的第二模型参数估算值；

将所述第二联合状态向量后验值和所述第二联合状态向量协方差后验值输入所述对称采样模型中，生成第一AUKF联合状态向量特征点集；

将所述第一AUKF联合状态向量特征点集以及所述第二实际电池电流值输入所述电池状态空间方程中，获取所述电池状态空间方程输出的所述电池在实际运行的第N时刻的第二特征点状态值；

获取已修正的第N-1时刻的第二理论噪声方差，将所述第二实际电池电流值、所述第二实际电池温度值、所述第二特征点状态值以及所述第二理论噪声方差输入所述状态空间模型中，确定电池实际运行的第N时刻的第二联合状态向量先验值、第二联合状态向量协方差先验值以及第二测量修正矩阵；

将所述第二实际电池电压值、所述第二联合状态向量先验值、所述第二联合状态向量协方差先验值以及所述第二测量修正矩阵输入所述估算模型中，确定所述电池在电池实际运行的第N时刻的第三联合状态向量后验值和第三联合状态向量协方差后验值；

根据所述第三联合状态向量后验值和第三联合状态向量协方差后验值确定在电池实际运行的第N时刻的第二SOC估算值以及第三模型参数估算值。

11.如权利要求5所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述对称采样模型为：

其中：

k为电池实际运行的第k时刻，0≤k≤N，且k为整数；在电池实际运行的第一时刻，k＝1；在电池实际运行的第N时刻，k＝N；

为第k-1时刻的第i个特征点的联合状态向量后验值；

M为联合状态向量后验值X_joint的长度；

μ为预设的缩放系数；

P_joint(k-1)为第k-1时刻的联合状态向量协方差后验值；

为第k-1时刻的AUKF联合状态向量特征点集。

12.如权利要求5所述的基于AUKF的电池模型参数和SOC估算方法，其特征在于，所述估算模型为：

其中，

X_joint(k)为电池实际运行的第k时刻的联合状态向量后验值；

P_joint(k)为电池实际运行的第k时刻的联合状态向量协方差后验值；

为第k时刻的联合状态向量先验值；

K_joint(k)为电池实际运行的第k时刻的测量修正矩阵；

U(k)为第k时刻的实际电池电压值；

为第k时刻的AUKF联合状态向量特征点集的测量更新输出值的期望值；

为第k时刻的联合状态向量协方差先验值；

为第K时刻的AUKF联合状态向量特征点集的特征点状态值与特征点状态值的测量更新输出值之间的方差。

13.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至12任一项所述的基于AUKF的电池模型参数和SOC估算方法。

14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至12任一项所述的基于AUKF的电池模型参数和SOC估算方法。

Images