电池荷电状态的估计方法与流程

技术特征：

1.一种电池荷电状态的估计方法，其特征在于：其包括以下的步骤：基于扩展卡尔曼滤波算法建立至少两个在不同电池SOH下的估计模型；对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算，获得与所述在不同电池SOH下的估计模型对应的电池荷电状态估计值；及基于所述电池荷电状态估计值获得一时刻在不同电池SOH下的估计模型各自的权重值，以得到该时刻所述电池荷电状态的最优估计。

2.如权利要求1中所述电池荷电状态的估计方法，其特征在于：基于扩展卡尔曼滤波算法建立至少两个在不同电池SOH下的估计模型具体包括以下步骤：建立基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型；测量获得至少两个不同电池SOH下对应的电池参数；将所述电池参数代入并获得所需至少两个在不同电池SOH下的估计模型。

3.如权利要求2中所述电池荷电状态的估计方法，其特征在于：基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型为一阶RC模型或二阶RC模型。

4.如权利要求3中所述电池荷电状态的估计方法，其特征在于：基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型具体表示为：

$\left\{\begin{array}{cc}{x}_{k+1}=\left[\begin{array}{cc}1& 0\\ 0& e^{-\frac{\mathrm{\Δ}t}{R_{1}C}}\end{array}\right]x_k+\left[\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C_n}\\ R_1(1-e^{-\frac{\mathrm{\Δ}t}{R_{1}C}})\end{array}\right]i_k+w_k& \left(I\right)\\ v_{k+1}=OCV\left({\mathrm{SOC}}_k\right)-v_{C1,k}-R_0{i}_k+q_k& \left(II\right)\end{array}\right.$

其中，在公式(Ⅰ)中C表示为电容值，R₁表示为电容阻抗，i_k表示为k时刻的电流，Δt表示为采样时间间隔，η_i表示为库伦效率，C_n表示为电池的总容量，x_k可表示为SOC_k进一步表示为k时刻的电池荷电状态，v_1,k进一步表示为t＝k时刻的电池的电容电压，w_k表示为所述电池在测量过程中的噪声；

在公式(Ⅱ)中OCV(SOC_k)表示为电池开路电压与k时刻的电池荷电状态的关系，v_C1,k表示为k时刻电池的电容电压，R₀表示为电池内部的直流内阻，q_k表示为电池电压的测量误差。

5.如权利要求2中所述电池荷电状态的估计方法，其特征在于：所述测量获得至少两个在不同电池SOH下对应的电池参数具体包括以下步骤：确立电池开路电压和电池荷电状态的函数关系；基于所述函数关系，测量获得在不同电池SOH下所述电池的内部参数。

6.如权利要求5中所述电池荷电状态的估计方法，其特征在于：所述电池的内部参数包括电池内部的直流内阻、极化电容或电压中的一种或多种。

7.如权利要求1中所述电池荷电状态的估计方法，其特征在于：对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算的具体步骤为：分别对在不同电池SOH下的多个时刻电池荷电状态估计进行迭代运算。

8.如权利要求1中所述电池荷电状态的估计方法，其特征在于：对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算的具体步骤为：并行对在不同电池SOH下的多个时刻电池荷电状态估计进行迭代运算。

9.如权利要求8中所述电池荷电状态的估计方法，其特征在于：在对所述在不同电池SOH下的估计模型，并行进行扩展卡尔曼滤波算法计算之后，且在获得所述在不同电池SOH下的估计模型中各自的权重值之前，进一步包括：对并行进行的扩展卡尔曼滤波算法计算结果进行误差分析。

10.如权利要求1-9中任一项所述电池荷电状态的估计方法，其特征在于：在获得在不同电池SOH下的估计模型中各自的权重值之后，通过加权运算得到该时刻所述电池荷电状态的最优估计。