CN113238150A - 基于状态估计算法的电池实时发热功率获取方法 - Google Patents

Abstract

基于状态估计算法的电池实时发热功率获取方法，属于锂离子电池热管理系统应用领域。本发明的目的是为了解决现有在车辆行驶过程中无法准确估计下一时刻的电池发热功率的问题。本申请建立有关电池发热功率估计的状态方程和观测方程，对所述状态方程和观测方程进行离散化，并借助卡尔曼滤波算法实现了电池发热功率的准确估计。它用于估计下一时刻电池的发热功率。

Description

基于状态估计算法的电池实时发热功率获取方法

技术领域

本发明涉及锂离子电池发热功率的获取方法，属于锂离子电池热管理系统应用领域。

背景技术

锂离子电池具有高功率密度、高能量密度、循环寿命长等突出优势，目前已成为新能源汽车的核心储能部件。随着电池能量密度与功率密度的不断增加，有效的热管理系统是电池系统安全可靠运行的前提。

在对锂离子电池热管理系统优化设计时，需要对电池系统建立准确的有限元仿真模型。电池的发热功率是有限元模型的核心输入参数，严重影响电池热管理系统设计的合理性与有效性。在电池热管理系统运行过程中，电池系统的运行参数的实时调整同样受制于电池发热功率。

目前，准确的锂离子电池的发热功率获取依赖于加速绝热量热仪(ARC)。加速绝热量热仪是一种价格昂贵的精密仪器，并且整个测试操作流程十分复杂。此外，ARC中从电池发热功率测试需要事先知道电池的工况，无法在车辆行驶过程中实时地对电池的发热功率进行测量。

当前还存在一种基于Bernardi方程的电池产热估算方式。但对于大型的商用电池(容量≥20Ah)而言，基于Bernardi方程的产热计算准确度较差，计算结果的精度受熵变系数的严重影响，无法准确地估计出电池实时的发热功率。因此，当前缺乏一种能够实时地准确计算电池发热功率的方法。

发明内容

本发明的目的是为了解决现有在车辆行驶过程中无法准确估计下一时刻的电池发热功率的问题，现提供基于状态估计算法的电池实时发热功率获取方法。

基于状态估计算法的电池实时发热功率获取方法，所述方法包括以下步骤：

步骤1、建立有关电池发热功率的状态方程和观测方程，分别对所述有关电池发热功率的状态方程和观测方程进行离散化，分别得到t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，k为大于1的正整数；

步骤2、根据t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，得到t_k时刻电池发热功率的预测值；

步骤3、根据误差协方差矩阵预测方程，得到t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵；

步骤4、根据步骤3得到的误差协方差矩阵和卡尔曼增益矩阵方程，得到t_k时刻的卡尔曼增益矩阵；

步骤5、根据t_k时刻的卡尔曼增益矩阵、状态变量修正方程、测量的温度与观测方程计算得到的温度之间的观测量误差和t_k时刻电池发热功率的预测值，得到t_k时刻电池发热功率的估计值，从而实现对下一时刻电池发热功率的估计。

优选地，所述方法还包括步骤6至步骤7，

步骤6、采用误差协方差矩阵估计方程和t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵，得到t_k时刻电池发热功率的估计值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵；

步骤7、使k＝k+1，执行步骤3至步骤5，得到t_k时刻电池发热功率的估计值。

优选地，步骤1中，有关电池发热功率的状态方程为：

式中，Q表示电池的发热功率，Eo_cv表示电池的开路电势，U_app表示电池的端电压，I表示电池的工作电流，T表示电池当前的温度，dE_ocv/dT表示电池的熵变系数，w表示状态噪声；

有关电池发热功率的观测方程为：

T＝(Q-Q_diss)/(m·C_p)+T₀+v 公式2，

式中，Q_diss表示电池的散热功率；m表示电池的质量，C_p表示电池的平均比热容，T₀表示电池的初始温度，v表示观测噪声。

优选地，步骤1中，t_k-1时刻和t_k时刻的有关电池发热功率的状态方程为：

式中，Q_k表示t_k时刻电池发热功率的实际值，

表示t_k-1时刻电池的开路电势，

表示t_k-1时刻电池的端电压，I_k-1表示t_k-1时刻电池的工作电流，T_k-1表示t_k-1时刻电池的温度，

表示t_k-1时刻电池的熵变系数，w_k-1表示t_k-1时刻状态噪声；

k-1时刻和k时刻的有关电池发热功率的观测方程为：

式中，T_k表示t_k时刻电池的温度，

表示t_k时刻电池的散热功率；m表示电池的质量，C_p表示电池的平均比热容，v_k表示t_k时刻观测噪声。

优选地，步骤2中，根据t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，得到t_k时刻的电池发热功率的预测值，具体为：

根据公式3和公式4，得到t_k-1时刻和t_k时刻的电池发热功率关系方程为：

式中，

表示t_k-1时刻电池的散热功率，Q_k-1表示t_k-1时刻电池发热功率的实际值，T_k-2表示t_k-2时刻电池的温度，w'_k-1＝w_k-1+v_k-1；

将公式5修改成t_k-1时刻电池发热功率的估计值和t_k时刻电池发热功率的预测值的关系方程：

式中，Q_k/k-1表示t_k时刻电池发热功率的预测值，Q_k-1/k-1表示t_k-1时刻电池发热功率的估计值，w'_k＝w_k+v_k；

根据公式6得到t_k时刻电池发热功率的预测值。

优选地，步骤3中，误差协方差矩阵预测方程，表示为：

P_k/k-1＝A_k-1P_k-1/k-1Α^T _k-1+M_k-1 公式7，

式中，P_k/k-1为t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵，A_k-1表示t_k-1时刻的系统矩阵，M_k-1为t_k-1时刻的产热功率的协方差矩阵，Α^T _k-1表示A_k-1的转置矩阵，P_k-1/k-1为t_k-1时刻电池发热功率的估计值与t_k-1时刻电池发热功率的实际值之间的误差协方差矩阵。

优选地，步骤4中，卡尔曼增益矩阵方程，表示为：

K_k＝P_k/k-1C^T _k(C_kP_k/k-1C^T _k+N_k)^-1 公式8，

式中，K_k为t_k时刻的卡尔曼增益矩阵，C_k为温度计算系统的输出矩阵，N_k为t_k时刻的温度观测值的噪声协方差矩阵，表征了传感器的误差，C^T _k为C_k的转置矩阵。

优选地，步骤5中，状态变量修正方程，表示为：

Q_k/k＝Q_k/k-1+K_kE_k 公式9，

式中，Q_k/k为t_k时刻电池发热功率的估计值，E_k为测量的温度与观测方程计算得到的温度之间的观测量误差，

优选地，步骤6中，误差协方差矩阵估计方程，表示为：

P_k/k＝(I-K_kC_k)P_k/k-1 公式11，

式中，P_k/k为t_k时刻电池发热功率的估计值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵。

优选地，公式7中，当初始时刻时，电池未工作，此时P_k-1/k-1＝P_0|0＝0，M₀取0.5，根据公式7能够获得t₁时刻电池发热功率的预测值与t₁时刻电池发热功率的实际值之间的误差协方差矩阵。

本发明的有益效果是：

本申请建立有关电池发热功率估计的状态方程和观测方程，对所述状态方程和观测方程进行离散化，并借助卡尔曼滤波算法实现了电池发热功率的准确估计。本申请用来估计下一时刻的电池发热功率，方法简单，准确性高。

附图说明

图1为基于状态估计算法的电池实时发热功率获取方法的流程图；

图2为恒流1C放电发热功率比较图；

图3为恒流2C放电发热功率比较图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式所述的基于状态估计算法的电池实时发热功率获取方法，所述方法包括以下步骤：

步骤1、建立有关电池发热功率的状态方程和观测方程，分别对所述有关电池发热功率的状态方程和观测方程进行离散化，分别得到t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，k为大于1的正整数；

步骤2、根据t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，得到t_k时刻电池发热功率的预测值；

步骤3、根据误差协方差矩阵预测方程，得到t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵；

步骤4、根据步骤3得到的误差协方差矩阵和卡尔曼增益矩阵方程，得到t_k时刻的卡尔曼增益矩阵；

步骤5、根据t_k时刻的卡尔曼增益矩阵、状态变量修正方程、测量的温度与观测方程计算得到的温度之间的观测量误差和t_k时刻电池发热功率的预测值，得到t_k时刻电池发热功率的估计值，从而实现对下一时刻电池发热功率的估计。

本实施方式中，本申请是根据当前时刻的信息来估计下一时刻的电池发热功率。可以用t_k-1时刻的信息估计t_k时刻的电池发热功率。

具体实施方式二：本实施方式是对具体实施方式一所述的基于状态估计算法的电池实时发热功率获取方法，所述方法还包括步骤6至步骤7，

步骤6、采用误差协方差矩阵估计方程和t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵，得到t_k时刻电池发热功率的估计值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵；

步骤7、使k＝k+1，执行步骤3至步骤5，得到t_k时刻电池发热功率的估计值。

本申请k-1时刻是当前时刻，我们知道k-1时刻的信息来求下一时刻也就是k时刻的电池发热功率，当k时刻电池发热功率求出来了，k时刻就是当前时刻了，我们在根据k时刻再求k+1时刻的电池发热功率，

具体实施方式三：本实施方式是对具体实施方式二所述的基于状态估计算法的电池实时发热功率获取方法，步骤1中，有关电池发热功率的状态方程为：

式中，Q表示电池的发热功率，Eo_cv表示电池的开路电势，U_app表示电池的端电压，I表示电池的工作电流，T表示电池当前的温度，dE_ocv/dT表示电池的熵变系数，w表示状态噪声；

有关电池发热功率的观测方程为：

T＝(Q-Q_diss)/(m·C_p)+T₀+v 公式2，

式中，Q_diss表示电池的散热功率；m表示电池的质量，C_p表示电池的平均比热容，T₀表示电池的初始温度，v表示观测噪声。

本实施方式中，本申请用公式1和公式2结合，将产生的状态噪声w和观测噪声v综合起来，考虑两种噪声对发热功率的影响，将噪声因素考虑的比较全，这样得到的功率更真实、准确。公式1和公式2分别是整个有关电池发热功率的状态方程和整个有关电池发热功率的观测方程。

具体实施方式四：本实施方式是对具体实施方式三所述的基于状态估计算法的电池实时发热功率获取方法，步骤1中，t_k-1时刻和t_k时刻的有关电池发热功率的状态方程为：

式中，Q_k表示t_k时刻电池发热功率的实际值，

表示t_k-1时刻电池的开路电势，

表示t_k-1时刻电池的端电压，I_k-1表示t_k-1时刻电池的工作电流，T_k-1表示t_k-1时刻电池的温度，

表示t_k-1时刻电池的熵变系数，w_k-1表示t_k-1时刻状态噪声；

k-1时刻和k时刻的有关电池发热功率的观测方程为：

式中，T_k表示t_k时刻电池的温度，

表示t_k时刻电池的散热功率；m表示电池的质量，C_p表示电池的平均比热容，v_k表示t_k时刻观测噪声。

本实施方式中，公式3和公式4分别是对公式1和公式2进行离散化后的公式。

具体实施方式五：本实施方式是对具体实施方式四所述的基于状态估计算法的电池实时发热功率获取方法，步骤2中，根据t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，得到t_k时刻的电池发热功率的预测值，具体为：

根据公式3和公式4，得到t_k-1时刻和t_k时刻的电池发热功率关系方程为：

式中，

表示t_k-1时刻电池的散热功率，Q_k-1表示t_k-1时刻电池发热功率的实际值，T_k-2表示t_k-2时刻电池的温度，w'_k-1＝w_k-1+v_k-1；

将公式5修改成t_k-1时刻电池发热功率的估计值和t_k时刻电池发热功率的预测值的关系方程：

式中，Q_k/k-1表示t_k时刻电池发热功率的预测值，Q_k-1/k-1表示t_k-1时刻电池发热功率的估计值，w'_k＝w_k+v_k；

根据公式6得到t_k时刻电池发热功率的预测值。

本实施方式中，将公式3和公式4结合，得到公式5。对步骤5进一步化简，得到步骤6。

具体实施方式六：本实施方式是对具体实施方式五所述的基于状态估计算法的电池实时发热功率获取方法，步骤3中，误差协方差矩阵预测方程，表示为：

P_k/k-1＝A_k-1P_k-1/k-1Α^T _k-1+M_k-1 公式7，

式中，P_k/k-1为t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵，A_k-1表示t_k-1时刻的系统矩阵，M_k-1为t_k-1时刻的产热功率的协方差矩阵，Α^T _k-1表示A_k-1的转置矩阵，P_k-1/k-1为t_k-1时刻电池发热功率的估计值与t_k-1时刻电池发热功率的实际值之间的误差协方差矩阵。

本实施方式中，在初始时刻，即t₀时刻，电池未工作时电池不发热，即Q₀＝0；公式7中的P_k-1/k-1＝P_0|0＝0，结合Bernardi方程的计算精度以及实际的温度测量精度，状态噪声协方差矩阵M₀取0.5，观测噪声的协方差矩阵N₀取0.1，从而得到t₁时刻(下一时刻)下的P_1|0，将得到的P_1|0代入公式8，得到K₁，将K₁和E₁代入公式9中，从而估算出t₁时刻的电池发热功率Q_1/1，如果想预测t₂时刻下的电池发热功率Q_2/2，则将P_1|0代入公式7中，得到P_2|1，再将P_2|1输入到公式8，得到K₂，将K₂和E₂代入公式9中，从而估算出t₂时刻的电池发热功率Q_2/2，按照此过程可以估算下一时刻的电池发热功率。

具体实施方式七：本实施方式是对具体实施方式六所述的基于状态估计算法的电池实时发热功率获取方法，

步骤4中，卡尔曼增益矩阵方程，表示为：

K_k＝P_k/k-1C^T _k(C_kP_k/k-1C^T _k+N_k)^-1 公式8，

式中，K_k为t_k时刻的卡尔曼增益矩阵，C_k为温度计算系统的输出矩阵，N_k为t_k时刻的温度观测值的噪声协方差矩阵，表征了传感器的误差，C^T _k为C_k的转置矩阵。

具体实施方式八：本实施方式是对具体实施方式七所述的基于状态估计算法的电池实时发热功率获取方法，步骤5中，状态变量修正方程，表示为：

Q_k/k＝Q_k/k-1+K_kE_k 公式9，

式中，Q_k/k为t_k时刻电池发热功率的估计值，E_k为测量的温度与观测方程计算得到的温度之间的观测量误差，

具体实施方式九：本实施方式是对具体实施方式八所述的基于状态估计算法的电池实时发热功率获取方法，步骤6中，误差协方差矩阵估计方程，表示为：

P_k/k＝(I-K_kC_k)P_k/k-1 公式11，

式中，P_k/k为t_k时刻电池发热功率的估计值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵。

本实施方式中，当知道t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵P_k/k-1后，代入误差协方差矩阵估计方程中，获得t_k时刻电池发热功率的估计值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵P_k/k，将P_k/k代入公式7替换公式7中的P_k-1/k-1，求出t_k+1时刻电池发热功率的预测值与t_k+1时刻电池发热功率的实际值之间的误差协方差矩阵P_k+1/k，再将P_k+1/k代入公式8求出t_k+1时刻的卡尔曼增益矩阵K_k+1，将K_k+1代入公式9，得到t_k+1时刻的电池发热功率。当t_k+1时刻的电池发热功率求出来之后，在用此过程能够预测下一时刻的电池发热功率。

具体实施方式十：本实施方式是对具体实施方式六所述的基于状态估计算法的电池实时发热功率获取方法，公式7中，当初始时刻时，电池未工作，此时P_k-1/k-1＝P_0|0＝0，M₀取0.5，根据公式7能够获得t₁时刻电池发热功率的预测值与t₁时刻电池发热功率的实际值之间的误差协方差矩阵。

对本申请的电池发热功率准确获取方法进行验证，将本申请提出的电池发热功率获取方法应用于某型三元锂离子电池，电池的详细参数如表1所示。

表1选用电池的设计参数

采用本申请提出的方法分别计算电池在空气域中恒流1C和恒流2C的发热功率，其中，C表示电流倍率。将本申请提出的计算方法得到的结果和绝热量热仪的发热功率测试结果以及单独使用Bernardi方程的发热功率计算结果作比较，以验证计算结果的精度。电池在空气域中恒流1C的发热功率比较图如图2所示，电池在空气域中恒流2C的发热功率比较图如图3所示。

从图2和图3中可以看出，本申请所提出的基于状态估计算法的电池实时发热功率获取方法的精度明显高于基于Bernardi方程的计算结果，并且整个放电过程发热功率的波动规律与数值均与加速绝热量仪中的测试结果一致。

Claims (10)

1.基于状态估计算法的电池实时发热功率获取方法，其特征在于，所述方法包括以下步骤：

步骤1、建立有关电池发热功率的状态方程和观测方程，分别对所述有关电池发热功率的状态方程和观测方程进行离散化，分别得到t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，k为大于1的正整数；

步骤2、根据t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，得到t_k时刻电池发热功率的预测值；

步骤3、根据误差协方差矩阵预测方程，得到t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵；

步骤4、根据步骤3得到的误差协方差矩阵和卡尔曼增益矩阵方程，得到t_k时刻的卡尔曼增益矩阵；

步骤5、根据t_k时刻的卡尔曼增益矩阵、状态变量修正方程、测量的温度与观测方程计算得到的温度之间的观测量误差和t_k时刻电池发热功率的预测值，得到t_k时刻电池发热功率的估计值，从而实现对下一时刻电池发热功率的估计。

2.根据权利要求1所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，所述方法还包括步骤6至步骤7，

步骤6、采用误差协方差矩阵估计方程和t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵，得到t_k时刻电池发热功率的估计值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵；

步骤7、使k＝k+1，执行步骤3至步骤5，得到t_k时刻电池发热功率的估计值。

3.根据权利要求2所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，步骤1中，有关电池发热功率的状态方程为：

式中，Q表示电池的发热功率，E_ocv表示电池的开路电势，U_app表示电池的端电压，I表示电池的工作电流，T表示电池当前的温度，dE_ocv/dT表示电池的熵变系数，w表示状态噪声；

有关电池发热功率的观测方程为：

T＝(Q-Q_diss)/(m·C_p)+T₀+v 公式2，

式中，Q_diss表示电池的散热功率；m表示电池的质量，C_p表示电池的平均比热容，T₀表示电池的初始温度，v表示观测噪声。

4.根据权利要求3所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，步骤1中，t_k-1时刻和t_k时刻的有关电池发热功率的状态方程为：

式中，Q_k表示t_k时刻电池发热功率的实际值

表示t_k-1时刻电池的开路电势，

表示t_k-1时刻电池的端电压，I_k-1表示t_k-1时刻电池的工作电流，T_k-1表示t_k-1时刻电池的温度，

表示t_k-1时刻电池的熵变系数，w_k-1表示t_k-1时刻状态噪声；

k-1时刻和k时刻的有关电池发热功率的观测方程为：

式中，T_k表示t_k时刻电池的温度，

表示t_k时刻电池的散热功率；m表示电池的质量，C_p表示电池的平均比热容，v_k表示t_k时刻观测噪声。

5.根据权利要求4所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，步骤2中，根据t_k-1时刻和t_k时刻的有关电池发热功率的状态方程、t_k-1时刻和t_k时刻的有关电池发热功率的观测方程，得到t_k时刻的电池发热功率的预测值，具体为：

根据公式3和公式4，得到t_k-1时刻和t_k时刻的电池发热功率关系方程为：

式中，

表示t_k-1时刻电池的散热功率，Q_k-1表示t_k-1时刻电池发热功率的实际值，T_k-2表示t_k-2时刻电池的温度，w'_k-1＝w_k-1+v_k-1；

将公式5修改成t_k-1时刻电池发热功率的估计值和t_k时刻电池发热功率的预测值的关系方程：

式中，Q_k/k-1表示t_k时刻电池发热功率的预测值，Q_k-1/k-1表示t_k-1时刻电池发热功率的估计值，w'_k＝w_k+v_k；

根据公式6得到t_k时刻电池发热功率的预测值。

6.根据权利要求5所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，步骤3中，误差协方差矩阵预测方程，表示为：

P_k/k-1＝A_k-1P_k-1/k-1Α^T _k-1+M_k-1 公式7，

式中，P_k/k-1为t_k时刻电池发热功率的预测值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵，A_k-1表示t_k-1时刻的系统矩阵，M_k-1为t_k-1时刻的产热功率的协方差矩阵，Α^T _k-1表示A_k-1的转置矩阵，P_k-1/k-1为t_k-1时刻电池发热功率的估计值与t_k-1时刻电池发热功率的实际值之间的误差协方差矩阵。

7.根据权利要求6所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，步骤4中，卡尔曼增益矩阵方程，表示为：

K_k＝P_k/k-1C^T _k(C_kP_k/k-1C^T _k+N_k)^-1 公式8，

式中，K_k为t_k时刻的卡尔曼增益矩阵，C_k为温度计算系统的输出矩阵，N_k为t_k时刻的温度观测值的噪声协方差矩阵，表征了传感器的误差，C^T _k为C_k的转置矩阵。

8.根据权利要求7所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，步骤5中，状态变量修正方程，表示为：

Q_k/k＝Q_k/k-1+K_kE_k 公式9，

式中，Q_k/k为t_k时刻电池发热功率的估计值，E_k为测量的温度与观测方程计算得到的温度之间的观测量误差，

9.根据权利要求8所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，步骤6中，误差协方差矩阵估计方程，表示为：

P_k/k＝(I-K_kC_k)P_k/k-1 公式11，

式中，P_k/k为t_k时刻电池发热功率的估计值与t_k时刻电池发热功率的实际值之间的误差协方差矩阵。

10.根据权利要求6所述的基于状态估计算法的电池实时发热功率获取方法，其特征在于，公式7中，当初始时刻时，电池未工作，此时P_k-1/k-1＝P_0|0＝0，M₀取0.5，根据公式7能够获得t₁时刻电池发热功率的预测值与t₁时刻电池发热功率的实际值之间的误差协方差矩阵。

Images