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:
其中,在公式(Ⅰ)中C表示为电容值,R1表示为电容阻抗,ik表示为k时刻的电流,Δt表示为采样时间间隔,ηi表示为库伦效率,Cn表示为电池的总容量,xk可表示为SOCk进一步表示为k时刻的电池荷电状态,v1,k进一步表示为t=k时刻的电池的电容电压,wk表示为所述电池在测量过程中的噪声;
在公式(Ⅱ)中OCV(SOCk)表示为电池开路电压与k时刻的电池荷电状态的关系,vC1,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,qk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。