CN113276727A - 用于混合动力/电动车辆的电池荷电状态估计系统 - Google Patents

用于混合动力/电动车辆的电池荷电状态估计系统 Download PDF

Info

Publication number
CN113276727A
CN113276727A CN202110106479.7A CN202110106479A CN113276727A CN 113276727 A CN113276727 A CN 113276727A CN 202110106479 A CN202110106479 A CN 202110106479A CN 113276727 A CN113276727 A CN 113276727A
Authority
CN
China
Prior art keywords
battery
charge
state
vehicle
estimate
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
CN202110106479.7A
Other languages
English (en)
Inventor
姚一心
段晓红
马克·史蒂文·亚麻萨奇
理查德·戴奇·安德森
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN113276727A publication Critical patent/CN113276727A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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]
    • 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
    • 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
    • B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
    • B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
    • 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
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • 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
    • 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
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)

Abstract

本公开提供“用于混合动力/电动车辆的电池荷电状态估计系统”。一种车辆包括电池、电机和控制器。所述电池具有荷电状态。所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电。所述控制器被编程为：基于包括库仑计数算法的前馈控制、包括第一电池模型的第一反馈控制和包括第二电池模型的第二反馈控制调整电池荷电状态的估计。所述控制器还被编程为：基于所述电池的所述荷电状态的所述估计来控制所述电池与所述电机之间的电力流。

Description

用于混合动力/电动车辆的电池荷电状态估计系统
技术领域
本公开涉及混合动力/电动车辆和用于混合动力/电动车辆的控制系统。
背景技术
混合动力/电动车辆可包括被配置为向电机递送电力的电池，所述电机被配置为推进车辆。
发明内容
一种车辆包括电池、电机和控制器。所述电池具有荷电状态。所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电。所述控制器被编程为：基于前馈控制来调整所述电池荷电状态的估计，其中所述前馈控制包括库仑计数算法，所述库仑计数算法基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计。所述控制器还被编程为：基于第一反馈控制来调整所述电池荷电状态的所述估计，所述第一反馈控制包括第一电池模型，所述第一电池模型基于所述电池的当前荷电状态输出所述电池的第一估计电压，其中所述第一反馈控制基于所述电池的所测量电压与所述电池的所述第一估计电压之间的差值来调整所述电池荷电状态的所述估计。所述控制器还被编程为：基于第二反馈控制来调整所述电池荷电状态的所述估计，所述第二反馈控制包括第二电池模型，所述第二电池模型基于所述电池的所述当前荷电状态、所述电池的温度以及流入和流出所述电池的所述所测量电流输出所述电池的第二估计电压，其中所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的所述第二估计电压之间的差值来调整所述电池荷电状态的所述估计。所述控制器还被编程为：基于所述电池的所述荷电状态来控制所述电池与所述电机之间的电力流。
一种车辆包括电池、电机和控制器。所述电池具有荷电状态。所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电。所述控制器还被编程为：根据前馈控制来调整电池荷电状态的估计，所述前馈控制基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计。所述控制器还被编程为：基于第一反馈控制来调整所述电池荷电状态的所述估计，所述第一反馈控制基于所述电池的所测量电压与所述电池的第一估计电压之间的差值来调整所述电池荷电状态的所述估计。所述控制器还被编程为：基于第二反馈控制来调整所述电池荷电状态的所述估计，所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的第二估计电压之间的差值来调整所述电池荷电状态的所述估计。所述控制器还被编程为：基于所述电池的所述荷电状态的所述估计来控制所述电池与所述电机之间的电力流。
一种车辆包括电池、电机和控制器。所述电池具有荷电状态。所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电。所述控制器被编程为：基于包括库仑计数算法的前馈控制、包括第一电池模型的第一反馈控制和包括第二电池模型的第二反馈控制来调整所述电池荷电状态的估计。所述控制器还被编程为：基于所述电池的所述荷电状态的所述估计来控制所述电池与所述电机之间的电力流。
附图说明
图1是电动车辆的代表性动力传动系统的示意图；
图2是示出用于估计车辆电池中的荷电状态和容量的控制系统的框图；并且
图3是示出用于估计车辆电池中的容量的控制系统的框图。
具体实施方式
本文描述了本公开的实施例。然而，应当理解，所公开的实施例仅是示例并且其他实施例可采用不同和替代的形式。附图不一定按比例绘制；一些特征可能被放大或最小化以示出特定部件的细节。因此，本文中所公开的具体结构细节和功能细节不应被解释为限制性的，而仅应解释为教导本领域技术人员以不同方式采用实施例的代表性基础。如本领域普通技术人员将理解，参考附图中的任何一个来示出和描述的各种特征可以与在一个或多个其他附图中所示出的特征相组合，以产生未明确示出或描述的实施例。所示特征的组合提供用于典型应用的代表性实施例。然而，符合本公开教导的特征的各种组合和修改对于特定的应用或实现方式可能是期望的。
参考图1，示出了根据本公开的实施例的电动车辆10的示意图。图1示出了部件之间的代表性关系。部件在车辆内的物理布局和取向可变化。电动车辆10包括动力传动系统12。动力传动系统12包括诸如电动马达/发电机(M/G)14的电机，所述电机驱动变速器(或齿轮箱)16。更具体地，M/G 14可以可旋转地连接到变速器16的输入轴18。变速器16可经由变速器挡位选择器(未示出)而置于PRNDSL(驻车挡、倒挡、空挡、驱动挡、运动挡、低速挡)中。变速器16可具有固定的齿轮传动关系，所述齿轮传动关系在变速器16的输入轴18与输出轴20之间提供单个齿轮比。变矩器(未示出)或起步离合器(未示出)可设置在M/G 14与变速器16之间。替代地，变速器16可以是多阶梯传动比自动变速器。相关联的牵引电池22被配置为向M/G 14递送电力或从M/G 14接收电力。
M/G 14是用于电动车辆10的被配置为推进电动车辆10的驱动源。M/G 14被配置为从电池22汲取电力以响应于可由控制器处理的加速请求来推进车辆10。M/G 14还被配置为将电力递送到电池22以对电池22再充电，这可在再生制动期间或在诸如发动机的另一动力源为M/G 14提供动力的时间段期间发生。M/G 14可由多种类型的电机中的任一种来实现。例如，M/G 14可以是永磁同步马达。电力电子装置24按照M/G 14的要求来调节由电池22提供的直流电(DC)电力，如下面将要描述的。例如，电力电子装置24可向M/G 14提供三相交流电(AC)。
如果变速器16是多阶梯传动比自动变速器，则变速器16可包括齿轮组(未示出)，所述齿轮组通过选择性地接合诸如离合器和制动器(未示出)的摩擦元件而选择性地置于不同的齿轮比中，以建立所期望的多个离散或阶梯传动比。摩擦元件可通过换挡计划来控制，所述换挡计划连接和断开齿轮组的某些元件以控制变速器输出轴20与变速器输入轴18之间的传动比。变速器16由相关联的控制器(诸如动力传动系统控制单元(PCU))基于各种车辆和环境工况而自动从一个传动比换挡到另一个传动比。来自M/G 14的动力和扭矩可被递送到变速器16并由变速器16接收。然后，变速器16将动力传动系统输出动力和扭矩提供给输出轴20。
应当理解，可与变矩器(未示出)联接的液压控制变速器16仅仅是齿轮箱或变速器布置的一个示例；接受来自动力源(例如，M/G 14)的一个或多个输入扭矩并且然后以不同传动比向输出轴(例如，输出轴20)提供扭矩的任何多传动比齿轮箱与本公开的实施例一起使用是可接受的。例如，变速器16可由自动化机械(或手动)变速器(AMT)来实现，所述自动化机械(或手动)变速器包括一个或多个伺服马达，以沿着换挡导轨平移/旋转换挡拨叉，从而选择期望的齿轮比。如本领域普通技术人员通常所理解，AMT可用于例如具有较高扭矩需求的应用中。
如图1的代表性实施例所示，输出轴20连接到差速器26。差速器26经由连接到差速器26的相应车桥30驱动一对驱动轮28。差速器26向每个车轮28传输大致相等的扭矩，而诸如当车辆转弯时允许轻微的速度差异。可以使用不同类型的差速器或类似装置来将扭矩从动力传动系统分配到一个或多个车轮。在一些应用中，扭矩分配可取决于例如特定的操作模式或工况而变化。
动力传动系统12还包括相关联的控制器32，诸如动力传动系统控制单元(PCU)。虽然示出为一个控制器，但控制器32可以是较大的控制系统的一部分并且可由整个车辆10中的各种其他控制器(诸如车辆系统控制器(VSC))来控制。因此应当理解，动力传动系统控制单元32和一个或多个其他控制器可以统称为“控制器”，所述控制器响应于来自各种传感器的信号而控制各种致动器，以控制诸如操作M/G 14以提供车轮扭矩或为电池22充电、选择或安排变速器换挡等功能。控制器32可以包括与各种类型的计算机可读存储装置或介质通信的微处理器或中央处理单元(CPU)。计算机可读存储装置或介质可包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储装置。KAM是可用于在CPU断电时存储各种操作变量的持久性或非易失性存储器。计算机可读存储装置或介质可使用许多已知存储器装置中的任一种来实现，所述存储器装置诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、快闪存储器或能够存储数据的任何其他电、磁性、光学或组合存储器装置，所述数据中的一些表示由控制器用于控制发动机或车辆的可执行指令。
控制器32经由输入/输出(I/O)接口(包括输入通道和输出通道)与各种车辆传感器和致动器通信，所述输入/输出(I/O)接口可以实现为提供各种原始数据或信号调节、处理和/或转换、短路保护等的单个集成接口。替代地，可以在将特定信号供应给CPU之前使用一个或多个专用硬件或固件芯片来调节和处理所述特定信号。如图1的代表性实施例中总体上所示，控制器32可将信号传送到M/G 14、电池22、变速器16、电力电子装置24以及动力传动系统12中的可包括但未在图1中示出的任何另一个部件(即，可设置在M/G 14与变速器16之间的起步离合器)和/或从其接收信号。尽管未明确示出，但本领域普通技术人员将认识到在上文标识的子系统中的每一者内可以由控制器32控制的各种功能或部件。可使用由控制器32执行的控制逻辑和/或算法直接或间接致动的参数、系统和/或部件的代表性示例包括诸如交流发电机的前端附件驱动(FEAD)部件、空调压缩机、电池充电或放电、再生制动、M/G 14操作、变速器齿轮箱16的离合器压力或作为动力传动系统12的一部分的任何其他离合器等。通过I/O接口传送输入的传感器可以用于指示例如车轮速度(WS1、WS2)、车辆速度(VSS)、冷却剂温度(ECT)、加速踏板位置(PPS)、点火开关位置(IGN)、环境空气温度(例如，环境空气温度传感器)、变速器挡位、传动比或模式、变速器油温(TOT)、变速器输入和输出速度、加速或换挡模式(MDE)、电池温度、电压、电流或荷电状态(SOC)。
由控制器32执行的控制逻辑或功能可由一个或多个附图中的流程图或类似的图来表示。这些附图提供了可使用一个或多个处理策略(诸如，事件驱动、中断驱动、多任务、多线程等)来实现的代表性控制策略和/或逻辑。因此，示出的各种步骤或功能可按示出的序列执行、并行地执行，或者在一些情况下被省略。尽管没有总是明确示出，但是本领域普通技术人员将认识到，根据所使用的特定处理策略，可重复执行示出的步骤或功能中的一个或多个。类似地，处理的顺序不一定是实现本文所描述的特征和优点所必需的，而是为了便于说明和描述而提供的。控制逻辑可主要以由基于微处理器的车辆和/或动力传动系统控制器(诸如控制器32)执行的软件实现。当然，取决于特定应用，控制逻辑可在一个或多个控制器中以软件、硬件或软件与硬件的组合实现。当以软件实现时，控制逻辑可以提供于一个或多个计算机可读存储装置或介质中，所述计算机可读存储装置或介质存储有表示由计算机执行以控制车辆或车辆子系统的代码或指令的数据。计算机可读存储装置或介质可包括利用电存储、磁性存储和/或光学存储来保持可执行指令和相关联的校准信息、操作变量等的多种已知物理装置中的一种或多种。
车辆的驾驶员使用加速踏板34来向动力传动系统12(或更具体地，M/G 14)提供用于推进车辆的所需扭矩、动力或驱动命令。通常，踩下和释放加速踏板34会生成加速踏板位置信号，所述加速踏板位置信号可以由控制器32分别解释为需要增大的动力或减小的动力。车辆的驾驶员还使用制动踏板36来提供需求制动扭矩以使车辆减速。通常，踩下和释放制动踏板36会生成制动踏板位置信号，所述制动踏板位置信号可以由控制器32解释为需要降低车速。基于来自加速踏板34和制动踏板36的输入，控制器32向M/G 14和摩擦制动器38命令扭矩和/或动力。控制器32还控制变速器16内的换挡正时。
M/G 14可用作马达并且为动力传动系统12提供驱动力。为了用M/G 14驱动车辆，牵引电池22通过接线40将存储的电能传输到电力电子装置24，所述电力电子装置可包括例如逆变器。电力电子装置24将来自电池22的DC电压转换为将由M/G 14使用的AC电压。控制器32命令电力电子装置24将来自电池22的电压转换为提供给M/G 14的AC电压以向输入轴18提供正或负扭矩。
M/G 14还可以用作发电机并将来自动力传动系统12的动能转换成电能以存储在电池22中。更具体地，M/G 14可以在再生制动时间期间用作发电机，在再生制动中，来自转动的车轮28的扭矩和旋转(或动能)能量通过变速器16传回并且被转换成电能以便存储在电池22中。
应当理解，图1中示出的示意图仅是代表性的，且并不意图进行限制。在不脱离本公开的范围的情况下可设想其他配置。应当理解，本文描述的车辆配置仅是示例性的且并不意图进行限制。其他电动或混合动力电动车辆配置应被解释为如本文所公开的。其他电动或混合动力车辆配置可包括但不限于串联混合动力车辆、并联混合动力车辆、串并联混合动力车辆、插电式混合动力电动车辆(PHEV)、燃料电池混合动力车辆、电池操作电动车辆(BEV)或本领域普通技术人员已知的任何其他车辆配置。
在包括诸如汽油、柴油或天然气动力发动机的内燃发动机或燃料电池的混合动力配置中，控制器32可被配置为控制此类内燃发动机的各种参数。可以使用由控制器32执行的控制逻辑和/或算法直接或间接致动的内燃发动机参数、系统和/或部件的代表性示例包括燃料喷射正时、速率和持续时间、节气门位置、火花塞点火正时(用于火花点火发动机)、进气门/排气门正时和持续时间等。通过I/O接口将输入从此类内燃发动机传送到控制器32的传感器可以用于指示涡轮增压器增压压力、曲轴位置(PIP)、发动机转速(RPM)、进气歧管压力(MAP)、节气门位置(TP)、排气氧(EGO)或其他排气成分浓度或存在、进气流量(MAF)等。
应当理解，本文描述的车辆配置仅是示例性的且并不意图进行限制。其他电动或混合动力车辆配置应如本文所公开的进行解释。其他车辆配置可以包括但不限于串联混合动力车辆、并联混合动力车辆、串并联混合动力车辆、插电式混合动力电动车辆(PHEV)、燃料电池混合动力车辆、电池电动车辆(BEV)或本领域普通技术人员已知的任何其他车辆配置。
混合动力电动车辆和电动车辆(xEV)依赖牵引电池来提供用于推进的动力并回收能量。为了实现最佳车辆性能和燃料经济性，期望对电池的荷电状态(SOC)和容量进行准确估计。
估计电池SOC和容量可经由若干方法来完成。用于锂离子电池SOC的电池SOC和容量估计方法可包括直接放电方法、库仑计数(安培小时计数)方法、电化学和基于等效电路模型的方法以及面向数据的方法。
在不考虑特定电池模型的情况下，库仑计数方法计算电池22随时间的充电或放电电流i(t)的积分以估计电池SOC，所述电池SOC由连续时间库仑计数方程表示，所述连续时间库仑计数方程表示为方程(1)：
Figure BDA0002917577580000091
其中SOC(t)是电池22在时间t处的荷电状态，SOC(t0)是电池荷电状态SOC(t)的初始值，i(t)是流过电池22的可测量电流，并且Q(t)是电池22的当前标称容量。
库仑计数方程(1)可表示为离散形式，所述离散形式可表示为方程(2)：
Figure BDA0002917577580000092
其中ΔT是采样时间。尽管库仑计数方法可能是简单且易于实现的，但是它需要电池22的初始SOC的先验知识。
使用库仑计数方法来估计电池SOC取决于电流积分，估计的电池SOC的准确度受以下因素影响：电池SOC的初始值、从电池输出的所测量电流的精度、电池的充电/放电库仑效率以及电池容量值。电池容量的变化、电池输入/输出的所测量电流的误差以及电池的充电/放电库仑效率误差及其变化可能致使估计的SOC偏离电池的实际SOC，并且估计的SOC值与电池的实际SOC之间的偏离可随时间增加。为了校正在先前驾驶循环中累积的估计电池SOC的误差并获得车辆中的初始电池SOC的正确值，当满足预定条件时，将车辆起动时的所测量电池电压用作开路电压(OCV)。然后，OCV用于推导电池的初始估计SOC。当不满足用于更新初始估计SOC的预定条件时，在诸如长的怠速时间或短的停车时间的一些使用情况下，初始估计SOC值将不利用现有的控制方法来校正，所述现有的控制方法将进一步导致在新的驾驶循环期间电池的估计SOC的误差。
为了提供更稳健的估计和实时应用，可使用电池模型，特别是基于等效电路模型(ECM)的电池SOC估计方法。一阶和二阶电路电阻器-电容器(RC)模型可能由于其简单特性而被使用。此类电路的动态方程包括电池的开路电压(OCV)。因此，基于模型的方法是间接方法，因为它使用电池OCV与电池SOC之间的关系来提供估计。
面向数据的(数据驱动)方法(诸如，具有外源输入的非线性自回归网络(NARX)神经网络、自适应网络模糊干扰系统(ANFIS)等)可用于通过将电池视为黑箱系统来估计SOC。由于近似非线性函数的强大能力，这些方法通常产生对电池22的SOC的良好估计。然而，学习过程可能是计算性的且复杂的。特别地，在训练过程中需要模型的目标数据，并且存储大小可能较大。
为了克服特定方法的局限性，这些方法的趋势已经面向不同电池SOC估计方法的混合。来自库仑计数的估计SOC可能由于积分累积误差和/或初始SOC估计而生成误差。为了补偿库仑计数方法中可能出现的估计SOC的误差，可使用包括库仑计数和基于等效电路模型模型的方法的组合电池SOC估计方法。
影响混合动力/电动车辆中的电池的SOC估计的另一个重要因素是电池容量，所述电池容量随电池寿命而变化。当电池操作到指定的放电深度(SOC变化范围)时，可估计电池容量，即，当电池在宽的充电/放电范围内操作时，可更准确地估计电池容量。对于较高续航里程混合动力/电动车辆，当电池在窄或小的充电/放电范围内操作时，估计电池容量变得不太准确。
本公开包括用于估计混合动力/电动车辆中使用的电池的荷电状态(SOC)和容量的系统。提出了能够处理电池的复杂非线性和不确定性的独特的集成电池SOC估计系统。所提出的系统包括：基于库仑计数的前馈回路；基于电池模型的第一反馈回路，所述第一反馈回路的参数被在线估计以校正从基于库仑计数的前馈回路获得的估计SOC的初始误差和积分累积误差；以及基于预定义电池模型的第二反馈回路，所述第二反馈回路用于进一步校正由在线估计的电池模型引起的SOC估计误差。所提出的系统通过基于双反馈控制系统架构处理电池的不确定性和非线性来提高估计电池SOC和容量的精度。
参考图2，其示出了用于估计车辆电池(例如，电池22)的荷电状态和容量的控制系统100的框图。控制系统100包括用于估计车辆电池22的SOC的两种类型的电池模型。第一模型是在线电池模型102，其中电池参数中的一些是在车辆操作期间基于所测量值或来自物理电池22的输入/输出在线并且在车辆内估计的。在线电池模型102的参数可通过使用不同的在线算法(诸如卡尔曼滤波器)来估计。第二模型是预校准的电池模型104，其中电池参数被离线校准。预校准的电池模型104可包括多个输入以开发准确的电池模型。例如，预校准的电池模型104可基于基于机器学习的神经网络模型来开发，所述神经网络模型诸如通过使用测试数据来训练的NARX(具有外源变量的非线性自回归网络)模型。预校准的电池模型104也可以是基于具有经校准参数的物理模型、数学模型或利用测试数据校准的任何其他类型的模型的简化模型。在控制系统100中，在线电池模型102和预校准的电池模型104可以是电池单元模型、电池模块模型或电池组模型。也可使用混合模型结构。例如，预校准的电池模型104可以是电池组模型，而在线电池模型102可以是电池单元模型，反之亦然。
电池22的电流i(t)和电压v(t)是可经由传感器确定的经调整的所测量值。电池22的电流i(t)和电压v(t)可基于电池22的实际测量电流im(t)和实际测量电压vm(t)，它们各自分别在节点106和108处分别通过ni(t)和nv(t)进行调整以计及噪声和偏移值。电池22的所测量电池电流i(t)和电压v(t)是时间函数。应当注意，本文描述的后接括号中“t”的任何变量都是时间函数。电池的估计
Figure BDA0002917577580000111
可在框110处根据库仑计数算法并且在框112处通过考虑电池的初始荷电状态SOCini来获得。框110的输入是电池22的所测量电流i(t)，其在框110处通过库仑计数算法Kcc/s进行调整。“cc”表示“库仑计数”计算，其是利用所测量电池电流i(t)来获得电池的估计
Figure BDA0002917577580000112
的积分计算。Kcc是前馈回路(即，经由框110和框112从i(t)到
Figure BDA0002917577580000121
)中的纯增益值，并且1/s是复数域中s形式的积分。因此，Kcc可以是积分数学计算的速率或斜率。
第一反馈回路由可由传递函数Mm(s)表示的在线电池模型102和可由传递函数Km(s)表示的相关联的反馈控制器114组成。控制器114可以是P控制器、PI控制器或PID控制器。控制器114可以是任何类型的控制器，但是实际上控制器114不必是复杂的。在线电池模型102的输出是电池22的估计端电压
Figure BDA0002917577580000122
其被馈送到第一反馈回路的输入中。从在线电池模型102输出的电池22的估计端电压
Figure BDA0002917577580000123
与所测量端电压v(t)之间的差值在减法框116处确定，然后将所述差值输入到控制器114中并由控制器114处理以生成电池的估计SOC的第一校正因子
Figure BDA0002917577580000124
根据库仑计数计算获得的估计
Figure BDA0002917577580000125
被认为是此反馈回路的前向输入。
第二反馈回路由可由传递函数Mp(s)表示的预校准的电池模型104和可由传递函数Kp(s)表示的相关联的反馈控制器118组成。预校准的电池模型104的输出是电池22的估计输出电压
Figure BDA0002917577580000126
从在线电池模型102输出的电池22的估计电压
Figure BDA0002917577580000127
与从预校准的电池模型104输出的电池22的估计电压
Figure BDA0002917577580000128
之间的差值在减法框120处确认。此差值可称为反馈误差，并且被限定为
Figure BDA0002917577580000129
然后将反馈误差
Figure BDA00029175775800001210
输入到控制器118中并由控制器118处理以生成第二校正因子
Figure BDA00029175775800001211
控制器118可以是第二反馈回路中的增益，其操作来减小
Figure BDA00029175775800001212
与
Figure BDA00029175775800001213
之间的误差(即，
Figure BDA00029175775800001214
)。它可能是恒定值、查找表、P控制器、PI控制器或PID控制器。控制器118可以是任何类型的控制器，但是实际上控制器118不必是复杂的。
在求和框122处，将来自两个反馈回路的校正因子
Figure BDA00029175775800001215
和
Figure BDA00029175775800001216
与来自前馈回路的电池的估计
Figure BDA00029175775800001217
相加以生成电池的最终SOC估计
Figure BDA00029175775800001218
然后将电池的最终SOC估计
Figure BDA00029175775800001219
发送到在线电池模型102、预校准的电池模型104以及框124处的集成电池容量估计系统，该集成电池容量估计系统更新电池22的估计容量。然后，将电池22的更新后的估计充电容量从框124处的集成电池容量估计系统发送到在线电池模型102、预校准的电池模型104和框112处的前馈回路，以便为每个模型更新估计的电池容量。
从控制角度来看，基于库仑计数的前馈回路允许基于来自电池22的输入电流i(t)来快速响应地更新估计的电池SOC。然而，来自前馈回路的估计
Figure BDA0002917577580000131
由于所测量电池电流i(t)的误差、不准确的初始电池SOC值和/或不准确的估计电池容量值而可能是不准确的。第一反馈回路通过来自控制器114的自动调整生成使初始SOC估计误差衰减并提供关于噪声测量和建模误差的稳健的SOC估计的第一校正因子
Figure BDA0002917577580000132
然而，第一反馈回路中的在线电池模型102是真实电池特性的近似模型，并且基于一些假设和近似值。因此，在线电池模型102可能不完全表示电池22的行为，诸如电池22在较低SOC范围内的快速电压降或电池22在极低温度下的扩散行为。而且，在线电池模型102可能不能完全覆盖电池22的非线性、不确定性以及时变特性。
预校准的电池模型104提供了处理模型不确定性和非线性的最佳解决方案。它可通过使用从车辆和实验室测试捕获的输入和输出测试数据离线地训练或校准，然后在车辆10中在线使用。其输入包括所测量电流i(t)、电池的最终SOC估计
Figure BDA0002917577580000133
和电池温度T(t)。也可包括影响电池特性的其他输入。预校准的电池模型104的输出变量是估计电池电压
Figure BDA0002917577580000134
从预校准的电池模型104获得的估计电池电压
Figure BDA0002917577580000135
与从在线电池模型102获得的估计电池电压
Figure BDA0002917577580000136
之间的差值
Figure BDA0002917577580000137
被馈送到第二反馈回路以生成第二校正因子
Figure BDA0002917577580000138
第二校正因子
Figure BDA0002917577580000139
操作以改善可能由在线电池模型102引起的电池22的估计SOC中的估计误差。预校准的电池模型104可基于测试数据进行训练。预校准的电池模型104的准确度随着测试数据量增加以及随着测试数据范围增加以覆盖所有输入变量的操作范围和电池寿命(HOL)范围而增加。
用于估计电池容量Q(t)的控制系统200在图2中示出为框124。根据库仑计数方程(2)，以下关系可由方程(3)和(4)限定：
x(t)＝1/Q(t) (3)
Figure BDA0002917577580000141
在电池容量Q(t)估计中考虑状态变量x(t)以及y(t)的测量噪声。因此，基于方程(4)，实际电池容量可被限定为以下离散状态空间方程：
x(k+1)＝x(k)+Δx(k) (5)
y(k+1)＝y(k)+(x(k)+Δx(k))ΔTi(k)+v(k) (6)
其中Δx(k)是状态不确定性，v(k)是未知测量噪声，并且ΔT是采样时间。目标是设计估计器以估计状态不确定性和测量噪声的影响下的x(k)。
对于实际系统(即，方程(3)和(4))，我们可设计以下估计器来估计电池容量x(t)＝1/Q(t)：
Figure BDA0002917577580000142
其中
Figure BDA0002917577580000143
是x(t)＝1/Q(t)的估计变量，K是观测器增益，并且估计器输出是
Figure BDA0002917577580000144
因此，在线电池容量估计
Figure BDA0002917577580000145
可通过使用估计器方程(7)来确定，所述估计器方程(7)取决于电池的最终SOC估计
Figure BDA0002917577580000146
图3是示出包括估计系统(5)和(6)以及估计器(7)的容量估计的框图。电池容量Q(t)可通过使用估计电池
Figure BDA0002917577580000147
作为输入进行在线估计。可用来确定电池容量Q(t)的状态估计方法可包括在线计算、扩展卡尔曼滤波器(EKF)或稳健的H无穷滤波器状态估计器。
可监测电池容量估计值
Figure BDA0002917577580000148
并将其与库仑计数计算中使用的值进行比较。如果电池容量估计值
Figure BDA0002917577580000149
减小到低于预定值，则库仑计数计算中使用的电池容量值可用根据控制系统200确定的新估计值进行更新。如果电池容量作为参数中的一个被使用，则在预校准的电池模型104和在线电池模型102中，电池容量也可在电池容量估计值
Figure BDA0002917577580000151
减小到低于预定值时进行更新。
本文描述并在图2至图3中的任一者中描绘的所有方法、流程图、框图、图形等都可作为控制逻辑和/或算法存储在控制器32内。控制器32可通过控制车辆10的各个部件来实现本文描述的方法、流程图、框图、图形等。
在说明书中使用的词语是描述性词语而非限制性词语，并且应当理解，在不脱离本公开的精神和范围的情况下可以做出各种改变。如前所述，各个实施例的特征可以被组合以形成可能未明确描述或示出的另外的实施例。尽管各个实施例可能已经被描述为就一个或多个所期望特性而言相较其他实施例或现有技术实现方式来说提供优点或是优选的，但是本领域的普通技术人员将认识到，一个或多个特征或特性可以折衷以实现期望的总体系统属性，这取决于特定应用和实现方式。因而，就一个或多个特性而言被描述为不如其他实施例或现有技术实现方式理想的实施例处在本公开的范围内，并且对于特定应用来说可能是期望的。
根据本发明，提供了一种车辆，所述车辆具有：电池，所述电池具有荷电状态；电机，所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电；以及控制器，所述控制器被编程为：基于前馈控制来调整所述电池荷电状态的估计，其中所述前馈控制包括库仑计数算法，所述库仑计数算法基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计；基于第一反馈控制来调整所述电池荷电状态的所述估计，所述第一反馈控制包括第一电池模型，所述第一电池模型基于所述电池的当前荷电状态输出所述电池的第一估计电压，其中所述第一反馈控制基于所述电池的所测量电压与所述电池的所述第一估计电压之间的差值来调整所述电池荷电状态的所述估计；基于第二反馈控制来调整所述电池荷电状态的所述估计，所述第二反馈控制包括第二电池模型，所述第二电池模型基于所述电池的所述当前荷电状态、所述电池的温度以及流入和流出所述电池的所述所测量电流输出所述电池的第二估计电压，其中所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的所述第二估计电压之间的差值来调整所述电池荷电状态的所述估计；以及基于所述电池的所述荷电状态的所述估计控制所述电池与所述电机之间的电力流。
根据一个实施例，所述第一电池模型是卡尔曼滤波器。
根据一个实施例，所述第二电池模型基于训练神经网络来测试数据。
根据一个实施例，所述神经网络是具有外源变量的非线性自回归网络。
根据一个实施例，所述控制器还被编程为基于补偿状态不确定性和测量噪声的估计器算法来更新估计的电池容量。
根据本发明，提供了一种车辆，所述车辆具有：电池，所述电池具有荷电状态；电机，所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电；以及控制器，所述控制器被编程为：根据前馈控制来调整所述电池荷电状态的估计，所述前馈控制基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计；基于第一反馈控制来调整所述电池荷电状态的所述估计，所述第一反馈控制基于所述电池的所测量电压与所述电池的第一估计电压之间的差值来调整所述电池荷电状态的所述估计；基于第二反馈控制来调整所述电池荷电状态的所述估计，所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的第二估计电压之间的差值来调整所述电池荷电状态的所述估计；以及基于所述电池的所述荷电状态的所述估计控制所述电池与所述电机之间的电力流。
根据一个实施例，所述前馈控制包括库仑计数算法，所述库仑计数算法基于流入和流出所述电池的所述所测量电流来调整所述电池的所述荷电状态的所述估计。
根据一个实施例，第一反馈控制包括电池模型，所述电池模型基于所述电池的当前荷电状态输出所述电池的所述第一估计电压。
根据一个实施例，所述电池模型是卡尔曼滤波器。
根据一个实施例，第二反馈控制包括电池模型，所述电池模型基于所述电池的所述当前荷电状态、所述电池的温度以及流入和流出所述电池的所述所测量电流输出所述电池的第二估计电压。
根据一个实施例，所述电池模型基于训练神经网络来测试数据。
根据一个实施例，所述神经网络是具有外源变量的非线性自回归网络。
根据一个实施例，所述控制器还被编程为基于补偿状态不确定性和测量噪声的估计器算法来更新所述电池的估计充电容量。
根据本发明，提供了一种车辆，所述车辆具有：电池，所述电池具有荷电状态；电机，所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电；以及控制器，所述控制器被编程为：基于包括库仑计数算法的前馈控制、包括第一电池模型的第一反馈控制和包括第二电池模型的第二反馈控制调整所述电池荷电状态的估计；以及基于所述电池的所述荷电状态的所述估计控制所述电池与所述电机之间的电力流。
根据一个实施例，所述前馈控制基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计。
根据一个实施例，所述前馈控制包括库仑计数算法，所述库仑计数算法基于流入和流出所述电池的所述所测量电流来调整所述电池的所述荷电状态的所述估计。
根据一个实施例，所述第一电池模型基于所述电池的当前荷电状态输出所述电池的第一估计电压，并且其中所述第一反馈控制基于所述电池的所测量电压与所述电池的所述第一估计电压之间的差值来调整所述电池荷电状态的所述估计。
根据一个实施例，所述第一电池模型是卡尔曼滤波器。
根据一个实施例，所述第二电池模型基于所述电池的所述当前荷电状态、所述电池的温度以及流入和流出所述电池的所述所测量电流输出所述电池的第二估计电压，并且其中所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的所述第二估计电压之间的差值来调整所述电池荷电状态的所述估计。
根据一个实施例，所述第二电池模型基于训练神经网络来测试数据。

Claims (15)

1.一种车辆，其包括：
电池，所述电池具有荷电状态；
电机，所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电；以及
控制器，所述控制器被编程为：
基于前馈控制来调整所述电池荷电状态的估计，其中所述前馈控制包括库仑计数算法，所述库仑计数算法基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计，
基于第一反馈控制来调整所述电池荷电状态的所述估计，所述第一反馈控制包括第一电池模型，所述第一电池模型基于所述电池的当前荷电状态输出所述电池的第一估计电压，其中所述第一反馈控制基于所述电池的所测量电压与所述电池的所述第一估计电压之间的差值来调整所述电池荷电状态的所述估计，
基于第二反馈控制来调整所述电池荷电状态的所述估计，所述第二反馈控制包括第二电池模型，所述第二电池模型基于所述电池的所述当前荷电状态、所述电池的温度以及流入和流出所述电池的所述所测量电流输出所述电池的第二估计电压，其中所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的所述第二估计电压之间的差值来调整所述电池荷电状态的所述估计，以及
基于所述电池的所述荷电状态的所述估计控制所述电池与所述电机之间的电力流。
2.如权利要求1所述的车辆，其中所述第一电池模型是卡尔曼滤波器。
3.如权利要求1所述的车辆，其中所述第二电池模型基于训练神经网络来测试数据。
4.如权利要求3所述的车辆，其中所述神经网络是具有外源变量的非线性自回归网络。
5.如权利要求1所述的车辆，其中所述控制器还被编程为基于补偿状态不确定性和测量噪声的估计器算法来更新估计的电池容量。
6.一种车辆，其包括：
电池，所述电池具有荷电状态；
电机，所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电；以及
控制器，所述控制器被编程为：
根据前馈控制来调整所述电池荷电状态的估计，所述前馈控制基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计，
基于第一反馈控制来调整所述电池荷电状态的所述估计，所述第一反馈控制基于所述电池的所测量电压与所述电池的第一估计电压之间的差值来调整所述电池荷电状态的所述估计，
基于第二反馈控制来调整所述电池荷电状态的所述估计，所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的第二估计电压之间的差值来调整所述电池荷电状态的所述估计，以及
基于所述电池的所述荷电状态的所述估计控制所述电池与所述电机之间的电力流。
7.如权利要求6所述的车辆，其中所述前馈控制包括库仑计数算法，所述库仑计数算法基于流入和流出所述电池的所述所测量电流来调整所述电池的所述荷电状态的所述估计。
8.如权利要求6所述的车辆，其中第一反馈控制包括电池模型，所述电池模型基于所述电池的当前荷电状态输出所述电池的所述第一估计电压。
9.如权利要求8所述的车辆，其中所述电池模型是卡尔曼滤波器。
10.如权利要求6所述的车辆，其中第二反馈控制包括电池模型，所述电池模型基于所述电池的当前荷电状态、所述电池的温度以及流入和流出所述电池的所述所测量电流输出所述电池的第二估计电压。
11.如权利要求10所述的车辆，其中所述电池模型基于训练神经网络来测试数据。
12.如权利要求11所述的车辆，其中所述神经网络是具有外源变量的非线性自回归网络。
13.如权利要求6所述的车辆，其中所述控制器还被编程为基于补偿状态不确定性和测量噪声的估计器算法来更新所述电池的估计充电容量。
14.一种车辆，其包括：
电池，所述电池具有荷电状态；
电机，所述电机被配置为从所述电池汲取电力以响应于加速请求来推进所述车辆并且将电力递送到所述电池以对所述电池再充电；以及
控制器，所述控制器被编程为：
基于包括库仑计数算法的前馈控制、包括第一电池模型的第一反馈控制和包括第二电池模型的第二反馈控制调整所述电池荷电状态的估计，以及
基于所述电池的所述荷电状态的所述估计控制所述电池与所述电机之间的电力流。
15.如权利要求14所述的车辆，其中所述前馈控制包括库仑计数算法，所述库仑计数算法基于流入和流出所述电池的所测量电流来调整所述电池的所述荷电状态的所述估计，其中所述第一电池模型基于所述电池的当前荷电状态输出所述电池的第一估计电压，并且其中所述第一反馈控制基于所述电池的所测量电压与所述电池的所述第一估计电压之间的差值来调整所述电池荷电状态的所述估计，并且其中所述第二电池模型基于所述电池的所述当前荷电状态、所述电池的温度以及流入和流出所述电池的所述所测量电流输出所述电池的第二估计电压，并且其中所述第二反馈控制基于所述电池的所述第一估计电压与所述电池的所述第二估计电压之间的差值来调整所述电池荷电状态的所述估计。
CN202110106479.7A 2020-02-04 2021-01-26 用于混合动力/电动车辆的电池荷电状态估计系统 Pending CN113276727A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/781,346 US11541775B2 (en) 2020-02-04 2020-02-04 Battery state of charge estimation system for a hybrid/electric vehicle
US16/781,346 2020-02-04

Publications (1)

Publication Number Publication Date
CN113276727A true CN113276727A (zh) 2021-08-20

Family

ID=76853641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110106479.7A Pending CN113276727A (zh) 2020-02-04 2021-01-26 用于混合动力/电动车辆的电池荷电状态估计系统

Country Status (3)

Country Link
US (1) US11541775B2 (zh)
CN (1) CN113276727A (zh)
DE (1) DE102021101855A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11180125B2 (en) * 2019-09-19 2021-11-23 Ford Global Technologies, Llc Regenerative braking/anti-lock braking control system
US11273713B2 (en) 2019-09-19 2022-03-15 Ford Global Technologies, Llc Regenerative braking/anti-lock braking control system
US11498446B2 (en) * 2020-01-06 2022-11-15 Ford Global Technologies, Llc Plug-in charge current management for battery model-based online learning
US11654875B2 (en) 2020-01-21 2023-05-23 Ford Global Technologies, Llc Regenerative braking and anti-lock braking control system
US11814030B2 (en) * 2020-07-22 2023-11-14 Ford Global Technologies, Llc Electrified vehicle control using battery state of charge and power capability strategy
DE102022129737A1 (de) 2022-11-10 2024-05-16 Audi Aktiengesellschaft Überspannungsschutzanordnung für ein Hochspannungsnetz in einem Kraftfahrzeug, Kraftfahrzeug und Verfahren zum Betrieb einer Überspannungsschutzanordnung
US11897364B1 (en) * 2022-12-19 2024-02-13 Rivian Ip Holdings, Llc Battery model calibration

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100740097B1 (ko) * 2005-10-20 2007-07-16 삼성에스디아이 주식회사 배터리의 ｓｏｃ 추정 방법 및 이를 이용한 배터리 관리시스템
KR100859688B1 (ko) * 2006-10-12 2008-09-23 삼성에스디아이 주식회사 배터리 관리 시스템 및 그의 구동 방법
US8204702B2 (en) * 2007-10-26 2012-06-19 GM Global Technology Operations LLC Method for estimating battery life in a hybrid powertrain
US9018893B2 (en) 2011-03-18 2015-04-28 Medtronic Minimed, Inc. Power control techniques for an electronic device
US8808140B2 (en) * 2012-05-04 2014-08-19 Ford Global Technologies, Llc Methods and systems for driveline sailing mode entry
FR2996695B1 (fr) 2012-10-09 2016-04-01 Electricite De France Centrale de pilotage d'une batterie de stockage d'energie
US8779725B2 (en) * 2012-11-07 2014-07-15 Zero Motorcycles, Inc. System and method for improved battery protection cutoff
US9718455B2 (en) * 2014-02-20 2017-08-01 Ford Global Technologies, Llc Active battery parameter identification using conditional extended kalman filter
US9539912B2 (en) * 2014-02-20 2017-01-10 Ford Global Technologies, Llc Battery capacity estimation using state of charge initialization-on-the-fly concept
JP6369389B2 (ja) 2015-05-15 2018-08-08 トヨタ自動車株式会社 電源制御装置
CN105717460B (zh) * 2016-02-19 2018-05-22 深圳大学 一种基于非线性观测器的动力电池soc估计方法和系统
US20180246173A1 (en) * 2017-02-28 2018-08-30 Honeywell International Inc. Online determination of model parameters of lead acid batteries and computation of soc and soh

Also Published As

Publication number Publication date
US20210237614A1 (en) 2021-08-05
US11541775B2 (en) 2023-01-03
DE102021101855A1 (de) 2021-08-05

Similar Documents

Publication Publication Date Title
US11541775B2 (en) Battery state of charge estimation system for a hybrid/electric vehicle
US10723229B1 (en) Regenerative braking control system
US10071653B2 (en) Speed controlling an electric machine of a hybrid electric vehicle
CN107757605B (zh) 旁通离合器的瞬变阶段期间的电机扭矩控制
CN107757607B (zh) 混合动力电动车辆的电机的转速控制
US11654875B2 (en) Regenerative braking and anti-lock braking control system
US11209054B1 (en) Vehicle powertrain control system
US10131342B2 (en) Engine friction model adaptation
WO2020005488A1 (en) Real time trajectory optimization for hybrid energy management utilizing connected information technologies
CN107472234B (zh) 车辆和车辆发动机起动控制方法
US9598071B2 (en) Method and system for adaptive motor power loss estimation in hybrid electric vehicles
US11628817B2 (en) Torque control system for a vehicle powerplant
CN110040130A (zh) 使用变矩器离合器容量估计的混合动力车辆控制
US9550488B1 (en) Hybrid vehicle and method of controlling a hybrid vehicle powertrain
US11167661B2 (en) Battery cell rebalancing method
CN113022325A (zh) 电机扭矩控制系统
CN110155025A (zh) 马达通信损失期间的自主马达控制
US11597391B2 (en) One-pedal drive system for a vehicle
CN108082177B (zh) 混合动力传动系中的蠕行消除方法
US11498566B2 (en) Vehicle powertrain control system
Razavian et al. Design and evaluation of a real–time fuel–optimal control system for series hybrid electric vehicles
GB2590961A (en) Hybrid vehicle control system and method
US11995923B2 (en) Vehicle powertrain control system
US11708007B2 (en) Control systems and methods for modifying a battery state of charge signal
US11535241B2 (en) Vehicle powertrain control system

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