CN115079011A - 车辆的sof估算方法、装置和车辆 - Google Patents

Abstract

本发明提供了一种车辆的SOF估算方法、装置和车辆。涉及新能源汽车技术领域。该方法包括：可以结合动态工况以及静态工况的特点，综合确定出更精确的SOF，并且用于估算SOF的模型可以由云端基于历史数据进行训练得到，车端将实时获取的数据发送至云端，以便云端及时的对模型进行更新，更能够适应车辆电池的当前状态，以便得到更准确的SOF。

Description

车辆的SOF估算方法、装置和车辆

技术领域

本发明涉及新能源汽车技术领域，尤其是涉及一种车辆的SOF估算方法、装置和车辆。

背景技术

现阶段，新能源汽车高速发展，其中以电能为动力源，电机为驱动装置的新能源汽车发展显著。动力电池及电池管理系统是电动汽车的关键部件。电池SOF(State ofFunction，充放电能力)是电池管理系统状态估算的重要参数，SOF估算精度不高，容易出现电池欠压、或者过充，影响电池的安全与使用，或者能量过于保守影响驾驶体验。准确的估算电池的最大充放电能力一直是国内外研究的重点和难点。

目前新能源电动汽车主流的SOF估算方法为查表方法，即经过大量的试验得到试验数据，考虑温度和当前SOC状态，查二维功率电流表得到当前电池的最大充放电能力。但电池随着使用是不断变化的，该种方式再应对该种情况较为死板。

发明内容

本发明的目的在于提供一种车辆的SOF估算方法、装置和车辆，以缓解了现有技术中存在的SOF估算准确度底的技术问题。

第一方面，本发明提供一种车辆的SOF估算方法，还包括：

基于当前工况下的电池工作状态数据以及预先确定的动态电流限制预测模型确定第一限制电流值；

基于当前工况下的电池工作状态数据以及预先确定的充放电功率曲线确定第二限制电流值；其中，所述动态电流限制预测模型和所述充放电功率曲线是预先基于历史电池工作状态数据以及电池系统的SOF在云端进行全局优化得到的；

基于所述第一限制电流值以及所述第二限制电流值中最小的一个目标限制电流值确定电池系统的SOF。

在可选的实施方式中，所述方法还包括：

基于所述基于当前工况下的电池工作状态数据以及电池系统的SOF在本地对所述动态电流限制预测模型以及所述充放电功率曲线进行局部优化，以便在接收到云端发送的全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线之前，基于局部优化后的动态电流限制预测模型以及局部优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算。

在可选的实施方式中，所述预先确定的动态电流限制预测模型基于蒙特卡洛算法对极限工况进行模拟得到的限制条件确定。

在可选的实施方式中，所述电池工作状态数据包括电流测量值、温度测量值、功率能力、SOC参数以及SOH参数中的一项或多项。

在可选的实施方式中，所述充放电功率曲线包括与SOC参数和温度相关的第一充放电功率曲线，以及与SOH相关的第二充放电功率曲线。

在可选的实施方式中，在对充放电功率曲线进行优化过程中基于充放电策略进行优化，所述充放电策略包括健康充放电策略以及快速充放电策略。

在可选的实施方式中，基于所述第一限制电流值以及所述第二限制电流值中最小的一个目标限制电流值确定电池系统的SOF，包括：

基于所述目标限制电流值、所述第一限制电流值以及预测因子，确定第一限制电压值；

基于所述目标限制电流值以及所述第一限制电压值，确定电池系统的SOF。

在可选的实施方式中，基于所述目标限制电流值以及所述第一限制电压值，确定电池系统的SOF，包括：

基于所述第一限制电压值以及第三充放电功率曲线，进行电压限制降额，确定降额后的第二限制电压值；

基于所述目标限制电流值以及所述第二限制电压值，确定电池系统的SOF。

第二方面，本发明提供一种BMS，还包括：

动态模块，用于基于当前工况下的电池工作状态数据以及预先确定的动态电流限制预测模型确定第一限制电流值；

静态模块，用于基于当前工况下的电池工作状态数据以及预先确定的充放电功率曲线确定第二限制电流值；其中，所述动态电流限制预测模型和所述充放电功率曲线是预先基于历史电池工作状态数据以及电池系统的SOF在云端进行全局优化得到的；

综合模块，用于基于所述第一限制电流值以及所述第二限制电流值中最小的一个目标限制电流值确定电池系统的SOF。

在可选的实施方式中，还包括：优化模块，用于基于所述基于当前工况下的电池工作状态数据以及电池系统的SOF再本地对所述动态电流限制预测模型以及所述充放电功率曲线进行局部优化，以便在接收到云端发送的全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线之前，基于局部优化后的动态电流限制预测模型以及局部优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算。

在可选的实施方式中，所述预先确定的动态电流限制预测模型基于蒙特卡洛算法对极限工况进行模拟得到的限制条件确定。

在可选的实施方式中，所述电池工作状态数据包括电流测量值、温度测量值、功率能力、SOC参数以及SOH参数等中的一项或多项。

在可选的实施方式中，所述充放电功率曲线包括与SOC参数和温度相关的第一充放电功率曲线，以及与SOH相关的第二充放电功率曲线。

在可选的实施方式中，在对充放电功率曲线进行优化过程中基于充放电策略进行优化，所述充放电策略包括健康充放电策略以及快速充放电策略。

在可选的实施方式中，所述综合模块具体用于：

基于所述目标限制电流值、所述第一限制电流值以及预测因子，确定第一限制电压值；

基于所述目标限制电流值以及所述第一限制电压值，确定电池系统的SOF。

在可选的实施方式中，所述综合模块具体用于：

基于所述第一限制电压值以及第三充放电功率曲线，进行电压限制降额，确定降额后的第二限制电压值；

基于所述目标限制电流值以及所述第二限制电压值，确定电池系统的SOF。

第三方面，本发明提供一种车辆，包括电池管理系统BMS，所述BMS包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述前述实施方式任一项所述的方法的步骤。

本发明提供的本发明提供一种车辆的SOF估算方法、装置和车辆。通过基于当前工况下的电池工作状态数据以及预先确定的动态电流限制预测模型确定第一限制电流值；基于当前工况下的电池工作状态数据以及预先确定的充放电功率曲线确定第二限制电流值；基于所述第一限制电流值以及所述第二限制电流值中最小的一个目标限制电流值确定电池系统的电池功能状态SOF；基于当前工况下的电池工作状态数据以及电池系统的SOF上传至云端，以便云端基于当前工况下的电池工作状态数据以及电池系统的SOF对所述动态电流限制预测模型以及所述充放电功率曲线进行全局优化，并将全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线发送至车端；基于全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算。以此可以结合动态工况以及静态工况的特点，综合确定出更精确的SOF，并且用于估算SOF的模型可以由云端基于历史数据进行训练得到，车端将实时获取的数据发送至云端，以便云端及时的对模型进行更新，更能够适应车辆电池的当前状态，以便得到更准确的SOF。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种车辆的SOF估算系统的方框图；

图2为本发明实施例提供的一种BMS结构示意图；

图3为本发明实施例提供的一种车辆的SOF估算方法流程示意图；

图4为本发明实施例提供的一种SOF系统的架构图；

图5为本发明实施例提供的一种SOF系统动态电流限制模型的示意图；

图6为本发明实施例提供的另一种SOF系统动态电流限制模型的示意图；

图7为本发明实施例提供的一种SOF估算的流程图；

图8为本发明实施例提供的一种BMS800的硬件架构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

图1为根据本发明实施例的车辆的SOF估算系统的方框图。如图1所示，该车辆的SOF估算系统包括云端120和设置在车端110之上的电池管理系统BMS(Battery ManagementSystem，电池管理系统)111。

图2为本申请实施例提供的一种BMS结构示意图。如图2所示，该BMS11可以包括：

动态模块201，用于基于当前工况下的电池工作状态数据以及预先确定的动态电流限制预测模型确定第一限制电流值；

静态模块202，用于基于当前工况下的电池工作状态数据以及预先确定的充放电功率曲线确定第二限制电流值；

综合模块203，用于基于第一限制电流值以及第二限制电流值中最小的一个目标限制电流值确定电池系统的电池功能状态SOF；

发送模块204，用于基于当前工况下的电池工作状态数据以及电池系统的SOF上传至云端120，以便云端120基于当前工况下的电池工作状态数据以及电池系统的SOF对动态电流限制预测模型以及充放电功率曲线进行全局优化，并将全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线发送至车端110的BMS11上；

估算模块205，用于基于全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算；估算模块205包括动态模块201、静态模块202以及综合模块205。

在一些实施例中，还包括：优化模块，用于基于当前工况下的电池工作状态数据以及电池系统的SOF再本地对动态电流限制预测模型以及充放电功率曲线进行局部优化，以便在接收到云端发送的全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线之前，基于局部优化后的动态电流限制预测模型以及局部优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算。

在一些实施例中，预先确定的动态电流限制预测模型基于蒙特卡洛算法对极限工况进行模拟得到的限制条件确定。

在一些实施例中，电池工作状态数据包括电流测量值、温度测量值、功率能力、SOC参数以及SOH参数等中的一项或多项。

在一些实施例中，充放电功率曲线包括与SOC参数和温度相关的第一充放电功率曲线，以及与SOH相关的第二充放电功率曲线。

在一些实施例中，在对充放电功率曲线进行优化过程中基于充放电策略进行优化，充放电策略包括健康充放电策略以及快速充放电策略。

在一些实施例中，综合模块具体用于：

基于目标限制电流值、第一限制电流值以及预测因子，确定第一限制电压值；

基于目标限制电流值以及第一限制电压值，确定电池系统的SOF。

在一些实施例中，综合模块具体用于：

基于第一限制电压值以及第三充放电功率曲线，进行电压限制降额，确定降额后的第二限制电压值；

基于目标限制电流值以及第二限制电压值，确定电池系统的SOF。

以此可以结合动态工况以及静态工况的特点，综合确定出更精确的SOF，并且用于估算SOF的模型可以由云端基于历史数据进行训练得到，车端将实时获取的数据发送至云端，以便云端及时的对模型进行更新，更能够适应车辆电池的当前状态，以便得到更准确的SOF。

图3为本申请实施例提供的一种车辆的SOF估算方法流程示意图。如图3所示，该方法可以包括如下步骤：

S310，基于当前工况下的电池工作状态数据以及预先确定的动态电流限制预测模型确定第一限制电流值；

其中，电池工作状态数据可以包括电流测量值、温度测量值、功率能力((Uocv-Um)*I)、SOC(State of Charge，荷电状态)参数以及SOH(state of health，电池健康度)参数等中的一项或多项。

在一些实施例中，电压、电流、温度等的测量值可以为实时采集的传感器数据。用于计算SOF的SOC和SOH可以基于戴维南2阶电路模型的电化学模型，及卡尔曼或者观测器在线估算得到。

可以基于测量值以及电池模型确定当前工况对应的电池工作状态数据。这里的电池模型，可以是在实验室条件下测得的多条参考曲，在该参考曲线即影响因素(如电流I、温度T、电荷状态SOC、健康状态SOH)对电池模型参数(电池内阻DCIR、电阻R0、电阻R1、电容C1)和电池状态量(Cap容量、SOC、SOH、SOP、SOE)的函数关系曲线。可选地，该参考曲线可以是电动汽车出厂时预先存储在BMS中，也可以是从云端下载的。

这里的预先确定的动态电流限制预测模型可以为基于蒙特卡洛算法对极限工况进行模拟得到的限制条件确定限制曲线组合，并预先基于历史电池工作状态数据以及电池系统的SOF在云端进行全局优化后得到。基于当前工况下的电池工作状态数据以及动态电流限制预测模型可以得到第一限制电流值。

如图4所示，该动态电流限制预测模型可以为系统动态电流限制模型，该系统动态电流限制模型可以包括两部分，一个部分预测电芯电压U反算极限工况最大能力的电流I，另一个部分保证功率能力((Uocv-Um)*I)不超边界。

具体的，如图5所示，可以基于蒙特卡洛随机算法，训练模型。模拟最恶劣的电芯电压条件和功率损失，从云平台获取原始数据输入进行数据训练优化，得到动态电流限制模型。

如图6所示，动态电流限制模型一部分通过等效电路建立过程方程，预测SOC，电化学电流Ibv，Iwb；以及根据U＝I*R欧姆定律，输入的电流、内阻建立观测方程，求得预测电压U；根据在线内阻老化等情况估算电压限制，根据电压限制反算得到充电、放电电流，最终得到第一子限制电流值。

另一部分，在温度限制的前提下，自动寻找最大电流。根据温度、功率损失，在保证功率不超边界的情况下计算充电、放电电流，得到第二子限制电流值。

将第一子限制电流值以及第二子限制电流值中最小的一个作为第一限制电流值。

S320，基于当前工况下的电池工作状态数据以及预先确定的充放电功率曲线确定第二限制电流值；

如图4所示该充放电功率曲线可以包括与SOC参数和温度相关的第一充放电功率曲线，以及与SOH相关的第二充放电功率曲线。

基于第一充放电功率曲线，可以确定第三子限制电流值，基于第二充放电功率曲线可以确定第四子限制电流值，将第三子限制电流值以及第四子限制电流值中最小的一个作为第二限制电流值。

该第一充放电功率曲线以及第二充放电功率曲线可以基于OCV(OpenCircuitVoltage，开路电压)-SOC-SOH曲线确定，并预先基于历史电池工作状态数据以及电池系统的SOF在云端进行全局优化。

S330，基于第一限制电流值以及第二限制电流值中最小的一个目标限制电流值确定电池系统的SOF。

如图4所示，在系统动态电流限制模块以及系统稳态电流限制模块输出第一限制电流值以及第二限制电流值后，可以基于电池系统电流限制模块确定第一限制电流值以及第二限制电流值中最小的一个作为目标限制电流值。

基于该目标限制电流值可以确定电池系统的SOF，该SOF是电池管理系统状态估算的重要参数，简单的说就是电池当前工况下的最大充放电电流。

车端在得到当前工况下的电池系统的SOF后，可以将数据上传至云端对动态电流限制预测模型和充放电功率曲线进行优化，具体可以通过如下步骤实现：

步骤1，基于当前工况下的电池工作状态数据以及电池系统的SOF上传至云端，以便云端基于当前工况下的电池工作状态数据以及电池系统的SOF对动态电流限制预测模型以及充放电功率曲线进行全局优化，并将全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线发送至车端；

如图7所示，在动态电流限制模型以及稳态电流限制模型，分别得到第一限制电流值、第二限制电流值以及目标限制电流值后，可以将当前工况下的电池工作状态数据、第一限制电流值、第二限制电流值以及目标限制电流值等上传至云端，该上传周期可以根据实际需要确定。

云端基于上述数据可以对充放电功率相关曲线(包括：第一充放电功率曲线、第二充放电功率曲线以及第三充放电功率曲线)进行优化。

具体的，云端可以基于新上传的数据以及预先记录的历史数据进行数据清洗以及特征提取，基于该数据寻找温度限制最优电流曲线、确定影响因素，基于云端的电池模型进行蒙特卡洛模拟，最终实现优化动态电流限制预测模型以及充放电功率曲线。

在对充放电功率曲线进行优化过程中基于充放电策略进行优化，充放电策略包括健康充放电策略以及快速充放电策略。

步骤2，基于全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算。

车端在接收到全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线后，可以进行新一轮的电池系统的SOF的估算。

在一些实施例中，在基于当前工况下的电池工作状态数据以及电池系统的SOF上传至云端之前，方法还包括：

基于当前工况下的电池工作状态数据以及电池系统的SOF在本地对动态电流限制预测模型以及充放电功率曲线进行局部优化，以便在接收到云端发送的全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线之前，基于局部优化后的动态电流限制预测模型以及局部优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算。

以此本申请可以结合动态工况以及静态工况的特点，综合确定出更精确的SOF，并且用于估算SOF的模型可以由云端基于历史数据进行训练得到，车端将实时获取的数据发送至云端，以便云端及时的对模型进行更新，更能够适应车辆电池的当前状态，以便得到更准确的SOF。

在一些实施例中，如图4所示，上述步骤S330具体可以通过如下步骤实现：

步骤1)，基于目标限制电流值、第一限制电流值以及预测因子，确定第一限制电压值。

步骤2)，基于目标限制电流值以及第一限制电压值，确定电池系统的SOF。

其中，如图4所示，可以基于电池系统最大最低电压预测模块确定第一限制电压值。具体的，在基于动态电流限制预测模型得到第一限制电流值，以及基于动态电流限制预测模型和充放电功率曲线得到目标限制电流值后，如图6所示，可以基于动态电流限制预测模型的观测方程，根据第一限制电流值、目标限制电流值、预测因子以及输入的内阻，结合欧姆定律计算得到第一限制电压值。

在一些实施例中，如图4所示，上述步骤2)具体可以通过如下步骤实现：

步骤a)，基于第一限制电压值以及第三充放电功率曲线，进行电压限制降额，确定降额后的第二限制电压值；

步骤b)，基于目标限制电流值以及第二限制电压值，确定电池系统的SOF。

其中，该第三充放电功率曲线可以为SOF电压限制降额曲线。如图4所示，可以基于SOF电压限制降额曲线和电池系统最大最低电压预测模块得到的第一限制电压值进行电压限制降额，确定降额后的第二限制电压值。

本申请实施例提供的BMS，与上述实施例提供的车辆的SOF估算方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

图8为本发明实施例提供的BMS800的硬件架构示意图。参见图8所示，该电子设备800包括：机器可读存储介质801和处理器802，还可以包括非易失性存储介质803、通信接口804和总线805；其中，机器可读存储介质801、处理器802、非易失性存储介质803和通信接口804通过总线805完成相互间的通信。处理器802通过读取并执行机器可读存储介质801中的机器可执行指令，可执行上文实施例描述方法。

本文中提到的机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。

非易失性介质可以是非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等)，或者类似的非易失性存储介质，或者它们的组合。

可以理解的是，本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述，在此不再重复赘述。

对应于上述车辆的SOF估算方法，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有机器可运行指令，计算机可运行指令在被处理器调用和运行时，计算机可运行指令促使处理器运行上述车辆的SOF估算方法的步骤。

本申请实施例所提供的BMS可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例移动控制方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种车辆的SOF估算方法，其特征在于，还包括：

基于当前工况下的电池工作状态数据以及预先确定的动态电流限制预测模型确定第一限制电流值；

基于当前工况下的电池工作状态数据以及预先确定的充放电功率曲线确定第二限制电流值；其中，所述动态电流限制预测模型和所述充放电功率曲线是预先基于历史电池工作状态数据以及电池系统的SOF在云端进行全局优化得到的；

基于所述第一限制电流值以及所述第二限制电流值中最小的一个目标限制电流值确定电池系统的SOF。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述基于当前工况下的电池工作状态数据以及电池系统的SOF在本地对所述动态电流限制预测模型以及所述充放电功率曲线进行局部优化，以便在接收到云端发送的全局优化后的动态电流限制预测模型以及全局优化后的充放电功率曲线之前，基于局部优化后的动态电流限制预测模型以及局部优化后的充放电功率曲线进行下一工况下的电池系统的SOF的估算。

3.根据权利要求1所述的方法，其特征在于，所述预先确定的动态电流限制预测模型基于蒙特卡洛算法对极限工况进行模拟得到的限制条件确定。

4.根据权利要求1所述的方法，其特征在于，所述电池工作状态数据包括电流测量值、温度测量值、功率能力、SOC参数以及SOH参数中的一项或多项。

5.根据权利要求4所述的方法，其特征在于，所述充放电功率曲线包括与SOC参数和温度相关的第一充放电功率曲线，以及与SOH相关的第二充放电功率曲线。

6.根据权利要求1所述的方法，其特征在于，在对充放电功率曲线进行优化过程中基于充放电策略进行优化，所述充放电策略包括健康充放电策略以及快速充放电策略。

7.根据权利要求1所述的方法，其特征在于，基于所述第一限制电流值以及所述第二限制电流值中最小的一个目标限制电流值确定电池系统的SOF，包括：

基于所述目标限制电流值、所述第一限制电流值以及预测因子，确定第一限制电压值；

基于所述目标限制电流值以及所述第一限制电压值，确定电池系统的SOF。

8.根据权利要求7所述的方法，其特征在于，基于所述目标限制电流值以及所述第一限制电压值，确定电池系统的SOF，包括：

基于所述第一限制电压值以及第三充放电功率曲线，进行电压限制降额，确定降额后的第二限制电压值；

基于所述目标限制电流值以及所述第二限制电压值，确定电池系统的SOF。

9.一种电池管理系统BMS，其特征在于，还包括：

动态模块，用于基于当前工况下的电池工作状态数据以及预先确定的动态电流限制预测模型确定第一限制电流值；

静态模块，用于基于当前工况下的电池工作状态数据以及预先确定的充放电功率曲线确定第二限制电流值；其中，所述动态电流限制预测模型和所述充放电功率曲线是预先基于历史电池工作状态数据以及电池系统的SOF在云端进行全局优化得到的；

综合模块，用于基于所述第一限制电流值以及所述第二限制电流值中最小的一个目标限制电流值确定电池系统的SOF。

10.一种车辆，其特征在于，包括电池管理系统BMS，所述BMS包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1至8任一项所述的方法的步骤。

Images