使用电池荷电状态和电力容量策略的电动化车辆控制的制作方法

1.本公开涉及使用电池荷电状态和电力容量策略的电动车辆和控制策略。


背景技术：

2.电动化车辆可以依靠牵引电池来提供电力以进行推进。为了提供期望的车辆性能，可以监测牵引电池的各种性质和/或参数以控制电池充电/放电和车辆操作。电池电力容量提供电池可以在任何特定时间供应或吸收多少电力的指示，而电池荷电状态(soc)提供存储在电池中的电荷量的指示。
3.电池性质和/或参数可以直接或间接地测量或以其他方式确定。电池电压和电流可以使用传感器直接测量。其他电池性质可能需要首先估计电池的一个或多个参数。估计的参数可以包括与牵引电池相关联的电阻、电容和电压。然后可以从估计的电池参数计算电池性质。许多现有技术策略可用于估计电池参数，包括实现卡尔曼滤波器模型以递归地估计模型参数。


技术实现要素：

4.在至少一个实施例中，一种车辆包括：牵引电池，其具有多个单元；温度传感器，其被配置为测量牵引电池的电池温度；电流传感器，其被配置为测量流入和流出牵引电池的电池电流；电压传感器，其被配置为测量牵引电池的输出端子电压；电机，其由牵引电池供电并且被配置为向车辆提供推进动力；以及控制器，其被配置为响应于估计的电池电力容量，基于具有多个模型参数的电池模型来控制电机和牵引电池中的至少一个，所述多个模型参数响应于所述参数中的至少一个超过对应的参数极限而被重新初始化。控制器还可以被配置为响应于电池电流的变化(电池电流增量)超过对应阈值而重新初始化多个模型参数。多个模型参数可以包括电池模型的第一电阻、第二电阻和电容，其中第一电阻与第二电阻串联，并且电容与第二电阻并联。控制器还可以被配置为在车辆的操作期间使用卡尔曼滤波器来调整第一电阻、第二电阻和电容。控制器可以响应于牵引电池的荷电状态(soc)来控制电机和牵引电池中的至少一个，所述soc是基于多个模型参数、电池温度、电池电流和电池端子电压。多个模型参数中的每一个可以响应于触发条件而被重新初始化为先前存储的值，所述触发条件可以包括车辆钥匙接通、参数值越过极限、或电池电流增量超过阈值。车辆可以包括收发器，所述收发器被配置为将车辆数据无线地传达到云服务器，其中多个模型参数中的每一个被重新初始化为从云服务器接收的值。车辆可以包括联接到电机的内燃发动机。
5.实施例还可以包括一种车辆，所述车辆包括：牵引电池；温度传感器，其被配置为测量牵引电池的电池温度；电流传感器，其被配置为测量流入和流出牵引电池的电池电流；电压传感器，其被配置为测量牵引电池的输出端子电压；电机，其由牵引电池供电并且被配置为向车辆提供推进动力；以及控制器，其被配置为响应于使用电池模型估计的电池荷电状态(soc)来控制电机和牵引电池中的至少一个，所述电池模型包括与第二电阻串联的第
一电阻和与第二电阻并联的电容，其中第一电阻、第二电阻和电容响应于电池电流的变化超过对应的阈值而被初始化为对应值。在车辆的操作期间基于接合的卡尔曼滤波器来调整第一电阻值、第二电阻值和电容值。第一电阻值、第二电阻值和第三电阻值的值可以由控制器从云服务器无线地接收。可以响应于第一电阻值、第二电阻值和电容值中的至少一个越过对应的参数极限而重新初始化第一电阻值、第二电阻值和电容值。车辆可以包括内燃发动机。控制器还可以被配置为基于第一电阻、第二电阻和电容来确定电池电力容量。第一电阻、第二电阻和电容可以根据牵引电池的电池温度、电池电流和寿命来确定。
6.在至少一个实施例中，一种用于控制电动化车辆的方法包括：通过控制器响应于车辆钥匙接通而针对第一电阻、第二电阻和电容初始化牵引电池模型参数；以及响应于使用电池模型估计的电池荷电状态(soc)和电池电力容量而控制电机和牵引电池中的至少一个，所述电池模型包括与第二电阻串联的第一电阻和与第二电阻并联的电容，其中第一电阻、第二电阻和电容在车辆的操作期间使用卡尔曼滤波器进行调整，并且其中第一电阻、第二电阻和电容响应于电池电流的变化超过对应的电流阈值，以及响应于第一电阻、第二电阻和电容中的至少一个超过相关联的参数阈值而被重新初始化为相关联的值。所述方法可以包括根据牵引电池的温度来确定soc和电池电力容量中的至少一个。所述方法可以包括根据牵引电池的寿命来确定soc和电池电力容量中的至少一个。所述方法可以包括根据牵引电池电流来确定soc和电池电力容量中的至少一个。所述方法还可以包括从云服务器无线地接收值以初始化第一电阻、第二电阻和电容。
附图说明
7.图1是示出典型的传动系和能量存储部件的代表性电动化车辆的图示。
8.图2是具有多个单元且由电池能量控制模块监测并控制的代表性电池组布置的图示。
9.图3是示例性电池单元等效电路的图示。
10.图4是示出代表性电池单元的可能开路电压(voc)与电池荷电状态(soc)关系的曲线图。
11.图5是示出根据代表性实施例的使用具有参数极限和初始化的卡尔曼滤波器模型来估计电池电力容量和soc的控制器或控制策略的操作的框图。
12.图6是示出用于初始化卡尔曼滤波器参数的控制器或控制策略的操作的框图。
13.图7是示出用于经由云计算更新卡尔曼滤波器初始化值的控制器或控制策略的操作的框图。
14.图8是示出用于经由云计算更新卡尔曼滤波器初始化值的另一个控制器或控制策略的操作的框图。
具体实施方式
15.本文中描述了本公开的各实施例。然而，应理解，所公开的实施例仅仅是示例并且其他实施例可以呈现各种和替代形式。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，本文所公开的具体结构细节和功能细节不应被解释为是限制性的，而仅是解释为教导本领域技术人员以不同方式采用本发明的代表性基础。如
本领域的普通技术人员将理解，参考附图中的任一附图示出和描述的各个特征可以与一个或多个其他附图中示出的特征组合以产生未明确地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，对于特定的应用或实现方式，可能期望与本公开的教导一致的对特征的各种组合和修改。
16.本公开认识到，当在低温下操作时，用于电池状态估计的各种现有技术实现方式可能无法准确地匹配于电池端子测量值。另外，soc估计可能对电流传感器偏置敏感，这在没有基于电压的更新(诸如由根据本公开的一个或多个实施例提供的那些更新)的情况下可能导致soc漂移。另外，现有策略可能需要大量校准。
17.根据本公开的各种实施例可以相对于一个或多个现有技术策略提供相关联的优点。例如，一个或多个实施例可以通过减少校准工作来提供工程效率，同时提供电池端子测量值的更准确匹配，特别是当在低温下操作时。与一些现有技术不同，根据本公开的实施例可以使用卡尔曼滤波器策略来提供电池状态估计，所述卡尔曼滤波器策略考虑了影响参数值的各种因素，以在宽范围的工况(例如，诸如温度、soc和电流)下提供更好的准确性。
18.根据本公开的一个或多个实施例向卡尔曼滤波器模型提供水平增加的结构和数学复杂性，其目标在于减少校准工作并提高估计准确性。通过添加更多动态卡尔曼滤波器输入、对初始化参数的依赖性以及参数极限，控制模型和估计器产生更准确的状态，特别是soc，所述状态可以用于通知附加的控制算法，并且可以替换各种现有技术策略中使用的大量查找表，这原本将需要大量工程资源来进行校准。
19.关于附图详细示出和描述的各种实施例的高级结构包括用于测量电池温度、端子电压和电流的传感器。这些传感器将电流以及在可用时将静止电压/ocv(开路电压)测量值馈送到基于测量值的soc估计，并将所有三个测量值馈送到卡尔曼滤波器。在至少一个实施例中，randles电路与单个rc对一起使用，所述单个rc对具有与rc对(即，第二电阻和与第二电阻并联的电容)串联的第一电阻。其他实现方式可以使用更高阶的等效电路模型(例如，更多rc对)。再者，卡尔曼滤波器用于调适至少包括第一电阻、第二电阻和电容的控制模型参数。其他状态应捕获跨任何rc对的电压以及soc或ocv。
20.在各种实施例中，将端子电压、电流和温度的系统测量值传递到卡尔曼滤波器。电池阻抗初始化参数取决于电流、温度和soc。这允许将低温(例如，低于约25℃)下的非线性阻抗行为包括在参数中，而不是作为标称值附近的噪声。这可以经由查找表、基于物理的方程、受物理启发的拟合方程或其某种组合来实现。
21.向卡尔曼滤波器添加的输入包括：状态和噪声协方差，其可以是电池温度和电池老化的函数；参数极限，其可以取决于电池温度和电池老化；以及针对非参数状态(例如，rc对上的电压和ocv/soc)的初始化。实施例还可以在初始化期间调整卡尔曼滤波器的协方差以增加滤波器收敛速度，因为这允许在电池的行为被很好地理解并且可预测(例如，温度高于25℃、电池寿命开始)时使用较小的协方差值并且在情况并非如此时允许使用较大值。
22.实现参数极限(诸如用于在特定温度范围内操作的至少第一电阻和第二电阻的最大和最小电阻值)防止卡尔曼滤波器将参数驱动到非物理值。由于该策略使用ocv/soc状态来估计真实soc，因此可期望电池模型是准确的。参数极限可以基于驱动电池行为的物理性质来确定，或者以经验确定。取决于实现方式，这些极限可以在卡尔曼滤波器初始化时设置，或者可以随着测量的电池温度变化而动态地调整。
23.在一个或多个实施例中，附加的卡尔曼滤波器输入提供针对非参数状态的初始化。在合理的初始状态下开始如ocv、soc和rc对电压等非参数状态会增加卡尔曼滤波器的收敛速度(减少收敛时间)。在电池在驱动事件之间未完全弛豫的情况下(例如，rc对电压不能被假设为0v，端子电压可能不等于ocv)，这可以更快地提供更准确的结果。在一个实施例中，使用上一个已知或估计的值来初始化非参数状态。替代地，可以通过基于上一个已知的参数和其他已知因素(诸如经过的时间、电池老化等)估计电流值来初始化非参数状态。
24.图1描绘了代表性电动化车辆，其在该示例中是插电式混合动力电动车辆(hev)。车辆12可以包括机械地连接到变速器16的一个或多个电机14。电机14可以能够作为马达或发电机进行操作。另外，变速器16机械地连接到内燃发动机18。变速器16还机械地连接到驱动轴20，所述驱动轴机械地连接到车轮22。电机14可以在发动机18开启或关闭时提供推进和再生制动能力。在再生制动期间，电机14充当发电机并且可以通过回收原本通常在摩擦制动系统中作为热量损失的能量来提供燃料经济性益处。通过允许发动机18以更有效的转速操作并允许混合动力电动车辆12在某些状况下以其中发动机18关闭的电动模式进行操作，电机14还可以减少车辆排放。
25.牵引电池或电池组24存储可以由电机14使用的能量。车辆电池组24通常提供高电压dc输出。牵引电池24电连接到一个或多个电力电子模块。一个或多个接触器42在断开时将牵引电池24与其他部件隔离，并在闭合时将牵引电池24连接到其他部件。电力电子模块26还电连接到电机14，并提供在牵引电池24与电机14之间双向传递能量的能力。例如，典型的牵引电池24可以提供dc电压，而电机14可能需要三相ac电流起作用。电力电子模块26可以将dc电压转换为如电机14所需要的三相ac电流。在再生模式下，电力电子模块26可以将来自充当发电机的电机14的三相ac电流转换为牵引电池24所需的dc电压。本文的描述同样适用于纯电动车辆，通常被称为电池电动车辆(bev)。对于纯电动车辆而言，混合动力变速器16可以是连接到电机14的齿轮箱，并且发动机18可以是不存在的。
26.除了提供用于推进的能量之外，牵引电池24还可以为其他车辆电气系统提供能量。典型的系统可以包括dc/dc转换器模块28，所述dc/dc转换器模块将牵引电池24的高电压dc输出转换成与其他车辆负载兼容的低电压dc供应。诸如压缩机和电加热器的其他高电压负载可以在不使用dc/dc转换器模块28的情况下直接连接至高电压。低电压系统可以电连接到辅助电池30(例如，12v电池)。
27.电动化车辆12可以是电动车辆或插电式混合动力车辆，其中牵引电池24可以通过外部电源36再充电。外部电源36可以是到电气插座的连接件。外部电源36可以电连接到电动车辆供电装备(evse)38。evse 38可以提供用于调节和管理电源36与车辆12之间的能量传递的电路和控制。在其他实施例中，车辆12可以采用无线充电，其可以被称为使用感应或类似的无线电力传输的免提或非接触式充电。
28.外部电源36可以向evse 38提供dc或ac电力。evse 38可以具有充电连接器40，用于插入到车辆12的充电端口34中。充电端口34可以是被配置为将电力从evse 38传送到车辆12的任何类型的端口。充电端口34可以电连接到充电器或车载电力转换模块32。电力转换模块32可以调节从evse 38供应的电力以向牵引电池24提供适当的电压和电流电平。电力转换模块32可以与evse 38介接以协调向车辆12的电力递送。evse连接器40可以具有插脚，所述插脚与充电端口34的对应凹部配合。替代地，被描述为电连接的各种部件可以使用
如先前描述的无线感应耦合来传输电力。
29.可以提供一个或多个车轮制动器44以用于摩擦制动车辆12并防止车辆12的运动。车轮制动器44可以是液压致动的、电致动的或者它们的某一组合。车轮制动器44可以是制动系统50的一部分。制动系统50可以包括操作车轮制动器44所需的其他部件。为了简单起见，附图描绘了制动系统50与车轮制动器44中的一个之间的单个连接。暗示了制动系统50与其他车轮制动器44之间的连接。制动系统50可以包括用于监测和协调制动系统50的控制器。制动系统50可以监测制动部件并控制车轮制动器44以实现期望的操作。制动系统50可以响应于驾驶员命令并且还可以自主地操作以实现诸如稳定性控制等特征。制动系统50的控制器可以实现当由另一个控制器或子功能请求时施加所请求的制动力的方法。
30.一个或多个电气负载46可以连接到高电压总线。电气负载46可以具有相关联的控制器，所述控制器在适当时操作电气负载46。电气负载46的示例可以是加热模块或空调模块。
31.所讨论的各种部件可以具有一个或多个相关联的控制器以控制和监测部件的操作。控制器可以经由串行总线(例如，控制器局域网(can))或经由分立的导体进行通信。此外，可以存在系统控制器48以协调各种部件的操作。
32.牵引电池24可以采用各种化学配方。典型的电池组化学物质可以是铅酸、镍金属氢化物(nimh)或锂离子。图2示出了n个电池单元72处于简单串联配置的典型牵引电池组24。其他电池组24可以由串联或并联或其某种组合连接的任何数量的单独的电池单元组成。典型的系统可以具有一个或多个控制器，诸如监测和控制牵引电池24的性能的电池能量控制模块(becm)76。becm 76可以监测几个电池组水平特性，诸如电池组电流78、电池组电压80和电池组温度82。becm 76可以具有非易失性存储器，使得当becm 76处于关闭状况时可以保留数据。保留的数据可以在下一个钥匙循环中可用。
33.除了电池组水平特性之外，电池单元72水平特性也可以被测量和监测。例如，可以测量每个单元72的端子电压、电流和温度。系统可以使用传感器模块74来测量电池单元72的特性。根据容量，传感器模块74可以测量电池单元72中的一个或多个的特性。电池组24可以利用多达nc个传感器模块74来测量全部电池单元72的特性。每个传感器模块74可以将测量值传送到becm 76以进行进一步的处理和协调。传感器模块74可以按模拟或数字形式将信号传送到becm 76。在一些实施例中，传感器模块74的功能可以并入becm 76的内部。即，传感器模块74硬件可以集成为becm 76中的电路的一部分，并且becm 76可以进行原始信号的处理。
34.各种实施例测量、计算或以其他方式确定电池组的各种特性、性质和/或参数，以控制电池组和/或车辆12的操作。诸如电池电力容量和电池荷电状态(soc)等数量可以用于在车辆正在操作以及任何电气负载从电池组接收电力时的充电/放电期间控制电池组的操作。电池电力容量提供电池可以提供的电力量或电池可以接收或存储的电力量的指示。电池电力容量可以用于管理电气负载，使得所请求的电力在特定电池或工况的期望极限内。
35.电池组荷电状态(soc)提供电池组中剩余的电荷量的指示。类似于燃料表，电池组soc可以由车辆网络输出或广播以向驾驶员通知剩余电荷和/或估计的行驶距离。电池组soc还可以用于控制电动车辆或混合动力电动车辆的操作。电池组soc的计算可以通过多种方法实现。一种计算电池soc的可能方法是执行电池组电流随时间的积分。这在本领域中熟
知为安培-小时(或安-小时)积分。这种方法的一个可能的缺点是电流测量值可能有噪声。由于该噪声信号随时间的积分，可能发生soc的可能的不准确性。在各种实施例中，如本文更详细描述的，电池电流的变化或增量超过对应参数极限触发电池模型参数的重新初始化。
36.电池单元可以被建模为等效电路。图3示出了一个可能的电池单元等效电路模型(ecm)。电池单元可以被建模为具有相关联的电阻(102和104)和电容106的电压源(voc)100。voc 100表示电池的开路电压。所述模型包括内电阻r1 102、电荷转移电阻r2 104和双层电容c 106。电压v1 112是由于电流114流过电池而引起的跨内电阻102的电压降。电压v2 110是由于电流114流过r2和c的并联组合而引起的跨所述组合的电压降。电压vt 108是跨电池的端子的电压(端子电压)。
37.由于电池单元的阻抗，端子电压vt 108可能与开路电压voc 100不同。开路电压voc 100可能不容易测量，这是因为只有电池单元的端子电压108可用于测量。当在足够长的时间段内没有电流114流动时，端子电压108可以与开路电压100相同。可能需要足够长的时间段来允许电池的内部动态达到稳定状态。当电流114流动时，voc 100可能不容易测量，并且可能需要基于电路模型来推断值。阻抗参数值r1、r2和c可以是已知的或未知的。参数的值可以取决于电池化学物质。虽然所示的代表性实施例使用相对简单的等效电路模型，但是可以使用具有更多rc对的更高阶等效电路模型。
38.如下文更详细描述，车辆控制可以包括：响应于车辆钥匙接通而针对第一电阻(r1)、第二电阻(r2)和电容(c)初始化牵引电池模型参数；以及响应于使用电池模型估计的电池荷电状态(soc)和电池电力容量而控制电机14和牵引电池24中的至少一个，所述电池模型包括与第二电阻(r2)串联的第一电阻(r1)和与第二电阻(r2)并联的电容(c)，其中第一电阻、第二电阻和电容在车辆的操作期间使用卡尔曼滤波器进行调整，并且其中第一电阻、第二电阻和电容响应于电池电流的变化超过对应的电流阈值，以及响应于第一电阻、第二电阻和电容中的至少一个超过相关联的参数阈值而被重新初始化为相关联的值。
39.对于典型的电池单元，soc与开路电压(voc)之间存在关系，使得voc＝f(soc)。图4示出了典型曲线124，所述曲线示出了对于代表性锂离子电池根据soc变化的开路电压voc。可以根据对电池性质的分析或通过测试电池单元来确定soc与voc之间的关系。函数可以是使得soc可以使用voc的反函数来计算。所述函数或反函数可以在控制器内被实现为查找表或等效方程。曲线124的确切形状可能会基于锂离子电池的特定配方而变化。电压voc由于电池的充电和放电而改变。项df(soc)/dsoc表示曲线124的斜率。
40.图5是示出根据代表性实施例的控制器或控制策略500的操作的框图，所述控制器或控制策略使用具有参数极限522和一个或多个电池模型参数值的策略初始化或重新初始化516、518的卡尔曼滤波器502模型以改善卡尔曼滤波器的收敛以及估计的电池电力容量和soc的准确性。控制器或控制策略500包括卡尔曼滤波器502，所述卡尔曼滤波器是用于基于输入510来预测504和校正506模型参数值以提供牵引电池soc估计值560以及牵引电池电力容量570的递归算法或模型。输入510可以包括传递到卡尔曼滤波器502的端子电压、电流和温度的系统测量值。电池阻抗初始化参数取决于电流、温度和soc。这允许将低温(低于约25℃)下的非线性阻抗行为包括在参数中，而不是作为标称值附近的噪声。这可以经由查找表、基于物理的方程、受物理启发的拟合方程或其某种组合来实现。
41.向卡尔曼滤波器502添加的输入510可以包括：状态和噪声协方差520(其可以是温度和电池老化的函数)；参数极限(其也取决于温度和老化)；以及针对非参数状态(例如，rc对上的电压和ocv/soc)的初始化。在初始化期间调整卡尔曼滤波器502的协方差将增加滤波器收敛速度，因为这允许在电池的行为被很好地理解并且可预测(例如，温度高于25℃、电池寿命开始)时使用较小的协方差值并且在情况并非如此时允许使用较大值，如本文更详细描述的。
42.在尝试最小化建模的端子电压与测量的端子电压之间的误差时，卡尔曼滤波器502可能将状态驱动为不切实际的。实现参数极限(诸如用于在特定温度范围内操作的最大电阻值和最小电阻值)防止卡尔曼滤波器502将参数驱动到非物理值。由于该策略使用ocv/soc状态来估计真实soc，因此soc的准确性取决于电池模型的准确性。参数极限理想地应在物理上理解电池行为时推算，但是也可以以经验确定。取决于实现方式，这些极限可以在卡尔曼滤波器初始化时设置，或者可以随着测量的温度变化而动态地调整。
43.卡尔曼滤波器输入还可以针对非参数状态进行初始化，如在518处所表示的。在驱动事件之间电池未完全弛豫的情况下(例如，rc对电压不能被假设为0v、端子电压将不匹配于ocv)，在合理的初始状态下开始如ocv、soc和rc对电压等非参数状态将增加卡尔曼滤波器的收敛速度。这可以通过简单地使用上一个已知或估计的值或通过基于如本文所述的上一个已知的参数和其他已知因素(经过的时间、电池老化等)估计当前值来完成。
44.还如图5所示，可以将输出参数(p)提供给卡尔曼滤波器输入510，所述卡尔曼滤波器输入还可以包括由相关联的传感器提供的各种系统测量值514。如在516处所表示的，电池模型参数被初始化为起始值，其可以是电池电流(i)、soc、电池温度(t)和/或电池老化的函数，这取决于特定应用或实现方式。电池模型参数可以至少包括如前所述的第一电阻、第二电阻和电容，但是其他参数也可以被初始化或重新初始化。其他非参数值或状态也可以被初始化或重新初始化，如在518处所表示的。卡尔曼滤波器(kf)协方差和噪声参数也可以被初始化或重新初始化，如在520处所表示的。这些值可以根据电池温度(t)和电池老化来确定或以其他方式选择。其他状态初始化可以根据电池端子电压(vt)、从先前存储的值的时间或到上一个已知的状态或值来设置值和/或状态。可以应用相关联的参数极限，如在522处所表示的，使得任何参数值表示基于电池性质的物理现实值。
45.框530表示模型的物理工厂，所述物理工厂包括牵引电池单元和由对应的传感器532监测或测量的整体性质或参数。在至少一个实施例中，传感器532包括电池温度传感器、电池电流传感器和电池电压传感器。电池电压传感器可以提供跨电池的输出端子的端子电压。类似地，电池电流传感器提供流入/流出电池的输出端子的电池电流的指示。根据特定应用和实现方式，可以提供其他传感器来测量连接在一起的各个电池单元或单元组的电流或电压。在一个实施例中，电池温度、电池电流和电池端子电压由对应的传感器测量，并且在kf输入510的初始化或重新初始化期间使用。这些测量值也可以由电力容量算法570以类似的方式使用。这些传感器将电流以及在可用时将静止电压/ocv测量值馈送到基于测量值的soc估计536，并将所有三个测量值馈送到卡尔曼滤波器502。该模型可以使用图3所示的randles电路模型，或者可以更新以使用具有更多rc对的更高阶等效电路模型，如先前所述。同样，卡尔曼滤波器502用于调适控制模型参数。其他状态应捕获跨任何rc对的电压以及soc或ocv。
46.如在538处所表示的，还可以提供电池电流(i)以用于库仑计数。如在534处所表示的，在空载状况下并且在预定驰豫时间之后的电池端子电压可以被提供作为开路电压(ocv)，以基于如先前参考图4所描述的ocv和soc之间的对应关系来确定soc估计值。该soc值也可以用于确定kf输入510的初始参数值，如前所述。在536处确定使用由电池传感器测量的值并考虑在538处的库仑计数的测量的soc估计值，并且随后在框540处将其与基于模型的soc值552组合以在560处提供组合的soc估计值。基于模型的soc估计值552基于由卡尔曼滤波器502使用基于当前工况的电池模型参数提供的建模或估计的ocv来确定。然后，在550处基于如先前所述的ocv-soc关系基于建模或估计的ocv来确定估计或建模的soc。
47.先前用于估计soc的策略依赖于电流积分、基于ocv测量值(可用时)的更新以及具有电流、温度和电池寿命的输入的非常大的查找表。如前所述，这种方法在各种应用中需要大量的工程资源来开发和维护。
48.根据本公开的各种实施例，soc估计值560是基于测量值(电流积分和ocv)，但是替代使用大soc查找表来增强该估计值的是，使用基于kf模型的soc估计值。这两个估计值在540处使用以下方程进行组合以得到最终soc估计值560。
49.soc
估计值
＝a*soc
测量值
+b*soc
模型
50.在此方程中使用的权重或比例因子(a和b)都是非负的并且总和为1，并且可以基于许多状况而变化，包括最近多久测量ocv一次、电流测量值中存在多少噪声以及卡尔曼滤波器是否已经收敛。
51.如果在给定的时间间隔(例如，上一个20分钟)内测量到可信任的ocv，则soc“测量值”(基于电流积分/库仑计数)将不会由于电流传感器误差而有太多时间漂移。在这种情况下，soc测量值将是相当准确的，并且相关系数“a”被分配较大值。如果自可信任的ocv测量以来已经过了很长一段时间(例如2小时)，则“a”系数被分配小得多的值，因为soc“测量值”可能已经由于电流传感器误差而漂移。
52.如果电流测量值中的噪声较大或超过相关联的阈值，则所测量的soc将比噪声较小(即低于第二相关联的阈值(或低于大阈值))时更快地漂移。在这种情况下，“a”的值根据自ocv测量值以来经过的时间增加相比于噪声较小时的情况更快地减小。由于电流测量值中的噪声可能随电流幅度、温度或其他因素而变化，因此这种关系可以是动态的。
53.如果卡尔曼滤波器已经收敛，则其估计的soc值可以比其尚未收敛时更受信任。因此，随着卡尔曼滤波器收敛到合理状态，“b”系数的值增加。在测量的soc是可信任的并且“a”接近1的情况下，可以将测量的soc值作为输出值相加，以在卡尔曼滤波器中进行反馈。随着对系统的了解越来越多，预期卡尔曼滤波器将更快地收敛到准确值。
54.电池电力容量可以通过如在570处表示的相关联的算法使用来自电池传感器532的测量值和来自卡尔曼滤波器502的电池参数估计值来估计。结合各种其他环境和/或操作因素或状况572将电池电力容量570提供给电力极限算法574，以确定电池电力极限580。关于各种实施例描述的策略将通过确保来自卡尔曼滤波器的参数估计值具有物理意义来改善电力极限估计并且因此可以提供合理的电力容量。无论电力极限估计是使用基于kf输出参数和其他输入的先前策略，还是电力极限算法改变，都将获得此益处。
55.图6是示出用于初始化卡尔曼滤波器参数的控制器或控制策略的操作的框图600。各种现有技术策略可以仅在车辆开启或起动时初始化卡尔曼滤波器。如果起动时的电池温
度接近上次测量的温度，则使用上次估计的参数来初始化电池温度。否则，使用来自静态(例如，不可更新的)查找表的温度相关参数。
56.本公开认识到，在已知参数随电流、soc和温度(或其子集)变化的情形中，要求卡尔曼滤波器针对所有可变性进行校正可能不是最优的。例如，如果变化不是由噪声引起并且具有已理解的原因，则可以在卡尔曼滤波器的输入中考虑所述变化。因为预期电池温度和soc逐渐变化，所以卡尔曼滤波器将毫不费力地适应由于这些参数引起的变化，并且将难以将由于这些参数引起的变化与噪声相关变化区分开。然而，电池电流是动态的，并且由于变化的电池电流引起的参数变化用卡尔曼滤波器捕获更具挑战性。根据本文所述的实施例，在电流的每次大变化之后重新初始化参数和参数极限允许输入考虑电流依赖性。
57.在各种实施例中，施加参数极限以防止不切实际的状态。如果使用极限来连续限制参数值，则可能发生“回转”并放大非物理行为。根据一个实施例，通过响应于参数值达到对应极限而重新初始化卡尔曼滤波器，以物理理解的标称参数来更新参数状态。在其他实施例中，如果参数值在延长的时间段内接近相关联的极限，则重新初始化参数状态。在两种情形下，重新初始化为卡尔曼滤波器502提供了从合理值重新开始对那些状态参数的估计并且仍然针对由于噪声引起的变化进行校正的机会。取决于特定应用和实现方式，其他参数和滤波器输入也可以被重新初始化以消除不切实际状态的影响。
58.如图6所示，根据本公开的一个或多个实施例包括响应于各种触发条件而初始化或重新初始化卡尔曼滤波器，所述触发条件可以包括：钥匙接通、模型参数达到相关联的极限、或者电池电流是否发生显著变化。策略开始于602以识别机会或触发条件以针对卡尔曼滤波器输入初始化或重新初始化一个或多个参数610。可以响应于如612处所表示的车辆钥匙接通，响应于如614处所表示的一个或多个学习/估计的参数达到相关联的极限值，或者响应于如616处所表示的电池电流变化或增量超过对应阈值，而初始化至少一个参数或非参数状态。触发条件612、614或616中的任一个都可以发起如620处所表示的参数和/或状态值的重新初始化。否则，如在640处所表示的，响应于没有满足任何重新初始化标准，操作继续。
59.响应于如在612处检测到的车辆钥匙接通或唤醒，可以如在622处所表示的初始化一个或多个电池模型参数/状态。这可以包括开始卡尔曼滤波器的操作并初始化用于第一电阻(r1)和一个或多个rc对(rcx)的电池模型参数值，所述rc对包括第二电阻(r2)和与第二电阻(r2)并联的电容(c)。如前所述，rc对的数量可以取决于电池的等效电路模型的特定应用和实现方式。另外，可以将各种其他滤波器参数和/或极限设置为相关联的值，如本文更详细描述的。
60.响应于如在614处所表示的学习/估计的参数值达到相关联的极限，可以如在624处所表示的基于当前车辆和/或环境状况来重新初始化各种模型参数。类似地，响应于如在616处所表示的电池电流的变化或增量超过对应阈值，可以如在626处所表示的基于当前车辆和/或环境状况来重新初始化各种模型参数。
61.由于电池组之间的变化并且由于预期的电池老化，因此希望能够学习电池参数。如电池变化和老化等性质是电池组特有的，并且通常不会反转，因此保存学习的参数以加速收敛是有价值的。
62.取决于初始化对各种参数的依赖性的格式(例如，诸如函数、分段函数、查找表等)
以及所存储的复杂性的量，更新所存储的初始化参数的过程可能会或多或少的复杂。对于使用简单依赖性的应用，诸如具有比例因子以考虑低温电流依赖性的温度相关查找表，可以在每个车辆事件或驾驶事件之后基于最近学习的值，简单地更新初始化程序。然而，为了更复杂的依赖性，用于更新的计算可能需要比车辆上通常可用的更多的计算和存储资源。因此，各种实施例提供了一个或多个云服务器以执行更复杂的计算、分析和存储。
63.图7是示出控制器或控制策略的操作的框图，所述控制器或控制策略响应于在卡尔曼滤波器收敛之后电池模型性能满足既定标准，而经由云计算更新卡尔曼滤波器初始化值。在各种实施例中，存储在车辆上的数据710可以由车辆收发器传达到一个或多个云计算服务器720。车辆数据可以包括例如soc、电池温度(t)、电池电流(i)、电池端子电压(vt)、卡尔曼滤波器参数(诸如r0和rcx的值)、卡尔曼滤波器极限、协方差和噪声。可以如在722处所表示的周期性地或者响应于特定触发条件(诸如车辆断电或钥匙循环、车辆操作参数超过阈值、车辆诊断代码或故障状况等)，将车辆数据从车辆推送到云服务器。在一个实施例中，当电池模型性能满足指定的性能标准(这例如可以指示与实际测量值匹配的模型值)时，将车辆数据推送到云720。车辆数据可以由云服务器720分析，以如在724处所表示的识别支持卡尔曼滤波器的收敛的参数。云服务器可以执行拟合算法以如在726处所表示的将学习的模型参数拟合到车辆参数存储结构，并使用查找表(lut)、曲线拟合方程等将参数极限与应用于较旧数据的衰减滤波器或遗忘因子相关联。
64.如在728处确定的，如果新值/参数显著偏离旧值/先前值，或者如果学习的参数与参数存储结构的拟合性较差，则可以如在740处所表示的生成用户消息并将其传达到车辆和/或支持人员。否则，如在750处所表示的，将具有新值/参数的更新的映射图推送到车辆以用于随后的车辆操作。例如，可以响应于随后的钥匙接通而加载更新的映射图。
65.如图7所示的代表性实施例所示，包括卡尔曼滤波器初始化值(参数、极限、协方差、增益等)和电池状态(soc、温度、电流和端子电压)的新数据被推送到云并存储在云中。在云中，识别表示卡尔曼滤波器估计值已经收敛的实例的数据，并将所述数据与来自同一车辆的类似的较旧数据组合。为了防止新数据因过时数据而受怀疑，基于年数将遗忘因子应用于数据。然后将来自卡尔曼滤波器输出的学习的参数拟合到特定车辆的参数存储结构(查找表、函数等)。在成功拟合值之后，然后将值与先前保存的值进行比较。如果存在显著或意外的偏差，则生成通知并将其传达给负责的电池服务团队和用户以进行排查。如果没有意外的偏差，则将更新的值推送到车辆以供使用。
66.图8的图中示出了图7所示的策略的变型，其中代替使用学习的参数来更新所存储的初始化值的是，与活动的驾驶循环分开地计算新的初始化值，以最小化建模的端子电压和测量的端子电压之间的不匹配性，然后更新所存储的值。对于这个或类似复杂的过程，可以按计划表(例如，每月、每两个月或每年)或在模型估计准确性已经下降超过某个阈值时完成更新。策略800包括存储车辆数据810并如在822处所表示的将数据推送到云服务器820。可以周期性地或响应于类似于关于图7所描述的那些条件的触发条件来推送车辆数据。可以重新计算电池模型参数以最小化建模的电池端子电压与测量的电池端子电压之间的误差，其中遗忘因子应用于较旧的数据，如在824处所表示的。可以基于824处的计算，在826处更新参数存储结构和相关联的参数极限。如果新值/参数显著偏离旧值，或者如果曲线拟合较差，如在828处所表示的，则可以如在840处所表示的向用户和支持人员提供相关
联的消息。否则，如在850处所表示的，经由车辆收发器将具有新值/参数的更新的映射图无线地推送到车辆。然后，可以响应于触发条件(例如，诸如车辆钥匙接通)而将新映射图加载到活动的存储器中，以在车辆操作期间由车辆控制器使用以控制车辆牵引电池和电机中的至少一个。
67.本文中公开的过程、方法或算法可能能够递送到处理装置、控制器或计算机或者由它们实现，所述处理装置、控制器或计算机可以包括任何现有的可编程电子控制单元或专用电子控制单元。类似地，所述过程、方法或算法可以存储为可由控制器或计算机以许多形式执行的数据和指令，所述形式包括但不限于永久地存储在诸如rom装置等不可写且非暂时性存储介质上的信息和可改动地存储在诸如磁盘或磁带、固态存储器或驱动器、cd、ram装置、快闪存储器以及其他磁性和光学介质等可写的且非暂时性存储介质上的信息。所述过程、方法或算法也可以以软件可执行对象来实现。替代地，可以使用合适的硬件部件或者硬件、软件和固件部件的组合全部或部分地实施所述过程、方法或算法，所述硬件部件诸如专用集成电路(asic)、现场可编程门阵列(fpga)、状态机、控制器或其他硬件部件或装置。
68.尽管上文描述了示例性实施例，但这些实施例并不意图描述权利要求所涵盖的所有可能形式。在说明书中使用的词语是描述词语而非限制性词语，并且应理解，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。如先前所述，各种实施例的特征可以组合以形成可能未明确描述或示出的本发明的另外的实施例。尽管各个实施例就一个或多个期望的特性而言可能已经被描述为提供优点或优于其他实施例或现有技术实现方式，但本领域普通技术人员应认识到，可以折衷一个或多个特征或特性来实现期望的整体系统属性，这取决于具体应用和实现方式。这些属性可以包括但不限于成本、强度、耐久性、生命周期成本、可销售性、外观、包装、大小、可维护性、重量、可制造性、易组装性等。因此，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期望的实施例不在本公开的范围外，并且对于特定应用可为期望的。
69.根据本发明，提供了一种车辆，其具有：牵引电池，其具有多个单元；温度传感器，其被配置为测量牵引电池的电池温度；电流传感器，其被配置为测量流入和流出牵引电池的电池电流；电压传感器，其被配置为测量牵引电池的输出端子电压；电机，其由牵引电池供电并且被配置为向车辆提供推进动力；以及控制器，其被配置为响应于估计的电池电力容量，基于具有多个模型参数的电池模型来控制电机和牵引电池中的至少一个，所述多个模型参数响应于所述参数中的至少一个超过对应的参数极限而被重新初始化。
70.根据实施例，控制器还被配置为响应于电池电流的变化超过对应阈值而重新初始化多个模型参数。
71.根据实施例，多个模型参数包括电池模型的第一电阻、第二电阻和电容，其中第一电阻与第二电阻串联，并且电容与第二电阻并联。
72.根据实施例，控制器还被配置为在车辆的操作期间使用卡尔曼滤波器来调整第一电阻、第二电阻和电容。
73.根据实施例，控制器响应于牵引电池的荷电状态(soc)来控制电机和牵引电池中的至少一个，所述soc是基于多个模型参数、电池温度、电池电流和电池端子电压。
74.根据实施例，多个模型参数中的每一个被重新初始化为先前存储的值。
75.根据实施例，本发明的特征还在于收发器，所述收发器被配置为将车辆数据无线地传达到云服务器，其中多个模型参数中的每一个被重新初始化为从云服务器接收的值。
76.根据实施例，本发明的特征还在于联接到电机的内燃发动机。
77.根据本发明，提供了一种车辆，所述车辆具有：牵引电池；温度传感器，其被配置为测量牵引电池的电池温度；电流传感器，其被配置为测量流入和流出牵引电池的电池电流；电压传感器，其被配置为测量牵引电池的输出端子电压；电机，其由牵引电池供电并且被配置为向车辆提供推进动力；以及控制器，其被配置为响应于使用电池模型估计的电池荷电状态(soc)来控制电机和牵引电池中的至少一个，所述电池模型包括与第二电阻串联的第一电阻和与第二电阻并联的电容，其中第一电阻、第二电阻和电容响应于电池电流的变化超过对应的阈值而被初始化为对应值。
78.根据实施例，在车辆的操作期间基于卡尔曼滤波器来调整第一电阻值、第二电阻值和电容值。
79.根据实施例，第一电阻、第二电阻和电容的值由控制器从云服务器无线地接收。
80.根据实施例，响应于第一电阻值、第二电阻值和电容值中的至少一个越过对应的参数值极限而重新初始化第一电阻值、第二电阻值和电容值。
81.根据实施例，本发明的特征还在于内燃发动机。
82.根据实施例，控制器还被配置为基于第一电阻、第二电阻和电容来确定电池电力容量。
83.根据实施例，第一电阻、第二电阻和电容根据牵引电池的电池温度、电池电流和寿命来确定。
84.根据本发明，一种用于控制电动化车辆的方法包括，通过控制器：响应于车辆钥匙接通而针对第一电阻、第二电阻和电容初始化牵引电池模型参数；响应于使用电池模型估计的电池荷电状态(soc)和电池电力容量而控制电机和牵引电池中的至少一个，所述电池模型包括与第二电阻串联的第一电阻和与第二电阻并联的电容，其中第一电阻、第二电阻和电容在车辆的操作期间使用卡尔曼滤波器进行调整，并且其中第一电阻、第二电阻和电容响应于电池电流的变化超过对应的电流阈值，以及响应于第一电阻、第二电阻和电容中的至少一个超过相关联的参数阈值而被重新初始化为相关联的值。
85.在本发明的一个方面，所述方法包括根据牵引电池的温度来确定soc和电池电力容量中的至少一个。
86.在本发明的一个方面，所述方法包括根据牵引电池的寿命来确定soc和电池电力容量中的至少一个。
87.在本发明的一个方面，所述方法包括根据牵引电池电流来确定soc和电池电力容量中的至少一个。
88.在本发明的一个方面，所述方法包括从云服务器无线地接收值以初始化第一电阻、第二电阻和电容。