CN115453376A - 电动汽车动力电池的状态监控方法、系统及电动汽车 - Google Patents

Abstract

本发明提供一种电动汽车动力电池的状态监控方法、系统及电动汽车，所述方法包括基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态；根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻；根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态。本发明的方法能够同时准确地确定动力电池的电池荷电状态和电池健康状态。

Description

电动汽车动力电池的状态监控方法、系统及电动汽车

技术领域

本发明涉及新能源技术领域，尤其涉及一种电动汽车动力电池的状态监控方法、系统及电动汽车。

背景技术

随着电动汽车的普及，电动汽车的安全性越来越受到重视。当前电动汽车的安全事故主要源于电动汽车的动力电池，而动力电池发生故障的主要原因在于电池的老化所引起的一系列问题。

申请号为202111323904.4，发明名称为“一种电动汽车电池健康状态监测方法及系统”的专利公开了如下内容：

固定间隔提取充放电循环提取相应记录的充电过程中的各电池容量增量曲线、放电时间、充电电压、瞬时容量和放电电流；对记录的对应次数充放电循环的各单体电池的上述参数和求取的峰值邻域面积计算相应的算术平均值；再结合当前放电循环电池稳定放电时间和各单体电动汽车电池的累计放电时间，构建基于八个参数与单体电动汽车电池预测容量之间的模型；计算当前待测试的单体电动汽车电池的预测容量与额定容量的关系。

其虽然公开了基于八个参数与单体电动汽车电池预测容量之间的模型进行电池健康状态检测，但是其单纯采用了一种类型的模型，并且所需的参数过多，不利于模型的构建与计算，鲁棒性较差。

申请号为201811368576.8，发明名称为“一种电动汽车动力电池系统健康状态估算方法及装置”的专利公开了如下内容：

根据动力电池系统达到寿命终止条件的容量保持率，得到动力电池系统的最大衰减度，获取动力电池系统当前的使用率；根据动力电池系统的最大衰减度和当前的使用率，得到真实衰减度，进而得到动力电池系统的健康状态。

其采用了衰减度来描述动力电池系统的健康状态，表征角度单一，并且对于动力电池这一非线性问题，采用衰减度这一方式所得到的结果并不准确。

发明内容

本发明实施例提供一种电动汽车动力电池的状态监控方法、系统及电动汽车，能够至少解决现有技术中的部分问题。

本发明实施例的第一方面，

提供一种电动汽车动力电池的状态监控方法，所述方法包括：

基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态，其中，所述融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出所述电池荷电状态；

根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻；

根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

在一种可选的实施方式中，

所述融合模型包括基于神经网络模型构建的第一模型和基于所述卡尔曼滤波算法构建的第二模型；

基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态的方法包括：

将所述端电压信息、所述电流信息以及所述温度信息转换为特征向量输入所述融合模型的第一模型中，所述第一模型根据预设的第一目标函数以及优化目标输出估计荷电状态信息；

为所述估计荷电状态信息分配对应的第一权重信息，并将所述估计荷电状态信息和所述第一权重信息输入所述融合模型的第二模型中，所述第二模型根据预设的第二目标函数以及预先确定的估计误差值确定所述电池荷电状态。

在一种可选的实施方式中，

将所述端电压信息、所述电流信息以及所述温度信息转换为特征向量输入所述融合模型的第一模型中，所述第一模型根据预设的第一目标函数以及优化目标输出估计荷电状态信息的方法包括：

按照如下公式所示的方法输出估计所述荷电状态信息：

；

其中，y表示估计荷电状态信息，N表示特征向量的维度，

表示第i个权向量，

表示特征向量x对应的空间映射函数，e表示偏差量，

表示针对权向量和偏 差量的最小优化目标，

表示权向量的初始值，

表示正规化参数，e _i 表示第i个偏差量。

在一种可选的实施方式中，

所述第二模型根据预设的第二目标函数以及预先确定的估计误差值确定电池荷电状态的方法包括：

所述第二模型根据所述估计荷电状态信息、所述第一权重信息以及所述第二目标函数，确定中间评估值，其中，所述中间评估值用于指示所述估计荷电状态信息对应的所述电池荷电状态的评估结果;

基于所述中间评估值与所述估计误差值计算模型残差值；

根据所述模型残差值结合条件概率密度函数确定所述中间评估值对应的第二权重信息，结合所述中间评估值和所述第二权重信息的加权叠加结果，确定所述电池荷电状态。

在一种可选的实施方式中，

所述根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻的方法包括：

根据所述端电压信息和所述电流信息的分布规律，确定所述动力电池对应的状态空间矩阵；

基于所述状态空间矩阵以及随机确定的初始电池等效内阻，通过迭代递推算法更新电池等效内阻，直至电池等效内阻与预设电池等效内阻的协方差满足预设条件，将满足预设条件时刻的电池等效内阻作为最终的电池等效内阻。

在一种可选的实施方式中，

所述根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态的方法包括：

根据所述电池荷电状态和所述电池等效内阻，以及所述动力电池的标定内阻和电池容量，通过电池健康状态估计算法确定所述动力电池的健康因子，其中，所述健康因子用于指示所述动力电池的衰减度；

根据所述健康因子以及所获取的端电压信息、电流信息确定所述动力电池的实际电池容量，基于所述实际电池容量与所述动力电池的标称容量的比值确定所述电池健康状态。

本发明实施例的第二方面，

提供一种电动汽车动力电池的状态监控系统，所述系统包括：

第一单元，用于基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态，其中，所述融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出所述电池荷电状态；

第二单元，用于根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻；

第三单元，用于根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

本发明实施例的第三方面，

提供电动汽车，所述电动汽车包括前述的电动汽车动力电池的状态监控系统。

本发明实施例的第四方面，

一种设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述中任意一项所述的方法。

本发明实施例的第五方面，

提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述中任意一项所述的方法。

本发明实施例提供一种电动汽车动力电池的状态监控方法，所述方法包括：

基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态，其中，所述融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出电池荷电状态；

本发明实施例的融合模型是基于不同模型融合构建，能够针对动力电池的具体情况分别输出两次电池荷电状态，其中，在后模型能够对在前模型输出的电池荷电状态进一步处理，增加了模型的学习能力，并且可以保证所输出的电池荷电状态更加准确。

根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻；

本发明实施例通过电池电路模型只需要端电压信息和所述电流信息即可确定动力电池的电池等效内阻，并且根据电池等效内阻能够准确地反映电池的内部情况，有利于后续确定电池健康状态。

根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

本发明实施例通过电池荷电状态和电池等效内阻，将自适应方法引入卡尔曼滤波算法中，能够提高最终输出结果的准确性，减少估计误差。

附图说明

图1为本发明实施例电动汽车动力电池的状态监控方法的流程示意图；

图2为本发明实施例等效电路模型的示意图；

图3为本发明实施例电动汽车动力电池的状态监控装置的结构示意图。

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，所描述的实施例仅仅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做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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1为本发明实施例电动汽车动力电池的状态监控方法的流程示意图，如图1所示，所述方法包括：

S101、基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态；

电池管理系统实时检测电池的工作电压、电流和温度等参数，根据电池的检测量在线估计电池的状态，保证电池工作在安全可靠的状态下。

其中，电池状态主要包括荷电状态（State of Charge，SOC）和健康状态（State ofHealth），电池SOC表示电池的剩余电荷量，其为电池当前剩余容量在相同条件下充满的电池可放出的总容量的比值。实际应用中，电池是个复杂的动力系统，剩余电荷量多少不像油箱剩余油量那么直观，其具有很强的非线性。本发明实施例通过融合模型确定电池荷电状态，将非线性问题转换为线性问题解决。

示例性地，本发明实施例的融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出电池荷电状态；

可选地，融合模型包括基于神经网络模型构建的第一模型和基于卡尔曼滤波算法构建的第二模型；

可以理解的是，动力电池可以作为一个动态系统，电池荷电状态可以认为是其系统中一个内部状态量，需要用动态系统来描述方程，递推过程中涉及到复杂的矩阵运算，其中，卡尔曼滤波算法是一种递推算法，对于初值的选择十分敏感，若初值选择不对，或者错误，将导致最终的计算结果不断恶化，在当前应用中，对于初值的给定还未找到较为合适的方法。

而神经网络模型其输入和输出之间不需要精确的公式来确定，只需要选择输入和输出，两者的关系可以通过网络训练过程确定，具有较好的适应性；并且通过神经网络所确定的估计值，可以重新用于网络训练，对不同类型的电池具有较强的适应性。最为重要的一点，通过神经网络模型所输出的电池荷电状态结果已经是较为准确的结果，将其作为卡尔曼滤波算法的初值，能够进一步保证最终的电池荷电状态相比于采用任何单一模型的结果更为准确。

此外，采用神经网络模型无需复杂的参数输入，只需要获取动力电池的端电压信息和电流信息以及温度信息，即可输出电池荷电状态，计算效率高。

在一种可选的实施方式中，

所述融合模型包括基于神经网络模型构建的第一模型和基于卡尔曼滤波算法构建的第二模型；

所述基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电所述池荷电状态的方法包括：

将所述端电压信息、所述电流信息以及所述温度信息转换为特征向量输入所述融合模型的第一模型中，所述第一模型根据预设的第一目标函数以及优化目标输出估计荷电状态信息；

为所述估计荷电状态信息分配对应的第一权重信息，并将所述估计荷电状态信息和所述第一权重信息输入所述融合模型的第二模型中，所述第二模型根据预设的第二目标函数以及预先确定的估计误差值确定电池荷电状态。

示例性地，本发明实施例的第一模型可以是基于最小二乘支持向量机构建的神经网络模型。最小二乘支持向量机将传统神经网络模型的不等式限制转换为等式限制，并使用误差平方和作为损失函数，将复杂的非线性求解问题转化为求解线性方程组，并可以使用迭代方式进行求解，极大的减小了计算量，求解速度快，便于工程实际应用。

可选地，本发明实施例的第一目标函数可以是端电压信息、电流信息以及温度信息转换为特征向量后作为输入量，估计荷电状态信息为输出量的非线性函数关系，其中，估计荷电状态信息是第一模型输出的动力电池荷电状态，还需要进一步通过第二模型计算来精确电池荷电状态，可以理解为是一种中间状态信息。本发明实施例的优化目标可以是模型参数最优化。

在一种可选的实施方式中，

所述将所述端电压信息、所述电流信息以及所述温度信息转换为特征向量输入所述融合模型的第一模型中，所述第一模型根据预设的第一目标函数以及优化目标输出估计荷电状态信息的方法包括：

按照如下公式所示的方法输出所述估计荷电状态信息：

；

其中，y表示估计荷电状态信息，N表示特征向量的维度，

表示第i个权向量，

表示特征向量x对应的空间映射函数，e表示偏差量，

表示针对权向量和偏 差量的最小优化目标，

表示权向量的初始值，

表示正规化参数，e _i 表示第i个偏差量。

本发明实施例的神经网络模型可以在完成训练后固定其结构，大大减少了应用的计算负担，并且可以降低浮点数存储所用的存储空间。

为了提高本发明实施例第一模型的输出结果的准确度可以对其进行训练，示例性地，对第一模型的训练方法可以包括：

确定多个目标函数的输出值，也即y对应的值；

将多个输出值进行数值排序，并按照从大到小的顺序形成输出序列；

按照预设的数据过滤方式，将输出序列中头部和尾部不满足预设阈值的值删除；

将输出序列中剩余的数据作为训练数据训练第一模型直至满足预设训练条件，其中，预设训练条件可以包括达到训练次数和所输出的值满足预设精度。

在一种可选的实施方式中，

所述第二模型根据预设的第二目标函数以及预先确定的估计误差值确定所述电池荷电状态的方法包括：

所述第二模型根据所述估计荷电状态信息、所述第一权重信息以及所述第二目标函数，确定中间评估值，其中，所述中间评估值用于指示所述估计荷电状态信息对应的电池荷电状态的评估结果;

基于所述中间评估值与所述估计误差值计算模型残差值；

根据所述模型残差值结合条件概率密度函数确定所述中间评估值对应的第二权重信息，结合所述中间评估值和所述第二权重信息的加权叠加结果，确定电池荷电状态。

示例性地，本发明实施例的第二模型可以是基于卡尔曼滤波算法构建的模型，本发明实施例的第二模型可以利用测量值来矫正估计值，并且通过递推计算过程，消除噪声对真实值的干扰。

本发明实施例的第二模型可以根据估计荷电状态为其分配对应的第一权重信息，其中，第一权重信息用于指示估计荷电状态与最终输出的电池荷电状态的接近程度，第一权重信息越大，估计荷电状态与最终输出的电池荷电状态的值越接近。通过将第一模型的输出结果进一步输入第二模型中进行计算，可以进一步提高模型学习的准确度，降低噪声对最终值的干扰。

本发明实施例的融合模型是基于不同模型融合构建，能够针对动力电池的具体情况分别输出两次电池荷电状态，其中，在后模型能够对在前模型输出的电池荷电状态进一步处理，增加了模型的学习能力，并且可以保证所输出的电池荷电状态更加准确。

S102、根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，

示例性地，图2为本发明实施例等效电路模型的示意图，如图2所示，

其中，

表示电池电动势，

表示电解质内阻和连接内阻，

表示电荷转移阻抗，

表示电池扩散阻抗，

表示输入电流。

通过结合电池机理建立电池电路模型，能够对于动力电池这种非线性系统，通过参数输入和测试总结电池的规律特性，验证模型的准确性。

其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻。

在一种可选的实施方式中，

所述根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻的方法包括：

根据所述端电压信息和所述电流信息的分布规律，确定所述动力电池对应的状态空间矩阵；

基于所述状态空间矩阵以及随机确定的初始电池等效内阻，通过迭代递推算法更新电池等效内阻，直至电池等效内阻与预设电池等效内阻的协方差满足预设条件，将满足预设条件时刻的电池等效内阻作为最终的电池等效内阻。

示例性地，本发明实施例的状态空间矩阵用于指示端电压信息、电流信息与等效内阻的对应关系。

本发明实施例通过电池电路模型只需要端电压信息和所述电流信息即可确定动力电池的电池等效内阻，并且根据电池等效内阻能够准确地反映电池的内部情况，有利于后续确定电池健康状态。

S103、根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

在一种可选的实施方式中，

所述根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态的方法包括：

根据所述电池荷电状态和所述电池等效内阻，以及所述动力电池的标定内阻和电池容量，通过电池健康状态估计算法确定所述动力电池的健康因子，其中，所述健康因子用于指示所述动力电池的衰减度；

根据所述健康因子以及所获取的端电压信息、电流信息确定所述动力电池的实际电池容量，基于所述实际电池容量与所述动力电池的标称容量的比值确定所述电池健康状态。

示例性地，本发明实施例确定电池健康状态的方法可以如下所示：

；

其中，SOH表示电池健康状态，SOH _R 表示实际电池容量，SOH _B 表示标称电池容量，

表示权重因子，E表示数学期望，U表示端电压信息，I表示电流信息，N表示电压测量节点的 数量，B _k 表示第k个电压测量节点的电压值对应的权重值，U _k 表示第k个电压测量节点的电压 值，M表示电流测量节点的数量，A _J 表示第J个电流测量节点的电流值对应的权重值，I _J 表示 第J个电流测量节点的电流值，

表示动力电池对应的状态空间矩阵。

本发明实施例通过电池荷电状态和电池等效内阻，将自适应方法引入卡尔曼滤波算法中，能够提高最终输出结果的准确性，减少估计误差。

本发明实施例提供一种电动汽车动力电池的状态监控方法，所述方法包括：

基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态，其中，所述融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出电池荷电状态；

本发明实施例的融合模型是基于不同模型融合构建，能够针对动力电池的具体情况分别输出两次电池荷电状态，其中，在后模型能够对在前模型输出的电池荷电状态进一步处理，增加了模型的学习能力，并且可以保证所输出的电池荷电状态更加准确。

根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻；

本发明实施例通过电池电路模型只需要端电压信息和所述电流信息即可确定动力电池的电池等效内阻，并且根据电池等效内阻能够准确地反映电池的内部情况，有利于后续确定电池健康状态。

根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

本发明实施例通过电池荷电状态和电池等效内阻，将自适应方法引入卡尔曼滤波算法中，能够提高最终输出结果的准确性，减少估计误差。

本发明实施例的第二方面，

提供一种电动汽车动力电池的状态监控系统，图3为本发明实施例电动汽车动力电池的状态监控装置的结构示意图，如图3所示，所述系统包括：

第一单元31，用于基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态，其中，所述融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出电池荷电状态；

第二单元32，用于根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻；

第三单元33，用于根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

本发明实施例的第三方面，

提供电动汽车，所述电动汽车包括前述的电动汽车动力电池的状态监控系统。

本发明实施例的第四方面，

一种设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述中任意一项所述的方法。

本发明实施例的第五方面，

提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述中任意一项所述的方法。

本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。在有些作为替换的实现中，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。

注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所发明的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。

本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种电动汽车动力电池的状态监控方法，其特征在于，所述方法包括：

基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态，其中，所述融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出所述电池荷电状态；

根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻；

根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

2.根据权利要求1所述的方法，其特征在于，所述融合模型包括基于神经网络模型构建的第一模型和基于所述卡尔曼滤波算法构建的第二模型；

基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态的方法包括：

将所述端电压信息、所述电流信息以及所述温度信息转换为特征向量输入所述融合模型的第一模型中，所述第一模型根据预设的第一目标函数以及优化目标输出估计荷电状态信息；

为所述估计荷电状态信息分配对应的第一权重信息，并将所述估计荷电状态信息和所述第一权重信息输入所述融合模型的第二模型中，所述第二模型根据预设的第二目标函数以及预先确定的估计误差值确定所述电池荷电状态。

3.根据权利要求2所述的方法，其特征在于，所述将所述端电压信息、所述电流信息以及所述温度信息转换为特征向量输入所述融合模型的第一模型中，所述第一模型根据预设的第一目标函数以及优化目标输出估计荷电状态信息的方法包括：

按照如下公式所示的方法输出所述估计荷电状态信息：

；

其中，y表示估计荷电状态信息，N表示特征向量的维度，

表示第i个权向量，

表 示特征向量x对应的空间映射函数，e表示偏差量，

表示针对权向量和偏差量的最 小优化目标，

表示权向量的初始值，

表示正规化参数，e _i 表示第i个偏差量。

4.根据权利要求2所述的方法，其特征在于，所述第二模型根据预设的第二目标函数以及预先确定的估计误差值确定电池荷电状态的方法包括：

所述第二模型根据所述估计荷电状态信息、所述第一权重信息以及所述第二目标函数，确定中间评估值，其中，所述中间评估值用于指示所述估计荷电状态信息对应的所述电池荷电状态的评估结果；

基于所述中间评估值与所述估计误差值计算模型残差值；

根据所述模型残差值结合条件概率密度函数确定所述中间评估值对应的第二权重信息，结合所述中间评估值和所述第二权重信息的加权叠加结果，确定所述电池荷电状态。

5.根据权利要求1所述的方法，其特征在于，所述根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻的方法包括：

根据所述端电压信息和所述电流信息的分布规律，确定所述动力电池对应的状态空间矩阵；

基于所述状态空间矩阵以及随机确定的初始电池等效内阻，通过迭代递推算法更新电池等效内阻，直至电池等效内阻与预设电池等效内阻的协方差满足预设条件，将满足预设条件时刻的电池等效内阻作为最终的电池等效内阻。

6.根据权利要求1所述的方法，其特征在于，所述根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态的方法包括：

根据所述电池荷电状态和所述电池等效内阻，以及所述动力电池的标定内阻和电池容量，通过电池健康状态估计算法确定所述动力电池的健康因子，其中，所述健康因子用于指示所述动力电池的衰减度；

根据所述健康因子以及所获取的端电压信息、电流信息确定所述动力电池的实际电池容量，基于所述实际电池容量与所述动力电池的标称容量的比值确定所述电池健康状态。

7.一种电动汽车动力电池的状态监控系统，其特征在于，所述系统包括：

第一单元，用于基于电池管理系统获取动力电池在充放电状态的端电压信息、电流信息以及温度信息，通过预先构建的融合模型，确定动力电池的电池荷电状态，其中，所述融合模型基于多种不同模型融合构建，用于根据输入模型与动力电池相关的参数输出所述电池荷电状态；

第二单元，用于根据所述端电压信息和所述电流信息的分布规律，通过预先建立的电池电路模型确定所述动力电池的电池等效内阻，其中，所述电池电路模型根据历史电压信息和历史电流信息进行训练，并根据拟合等效电路确定电池等效内阻；

第三单元，用于根据所述电池荷电状态和所述电池等效内阻，通过电池健康状态估计算法确定电池健康状态，其中，

所述电池健康状态估计算法基于改进的卡尔曼滤波算法而来。

8.一种电动汽车，其特征在于，所述电动汽车包括权利要求7所述的电动汽车动力电池的状态监控系统。

9.一种电动汽车动力电池的状态监控设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。

Images