电池组荷电状态SOC估计方法及估计系统与流程

本发明涉及电池技术领域，具体地涉及一种电池组荷电状态soc估计方法及估计系统。

背景技术：

荷电状态(state-of-charge，soc)是电池的关键参数之一，soc体现了电池组的剩余电量。

现有技术发表的电池soc评估方法一般基于在soc与可测量的参数，例如电池模块、或者电池组电压、电流、以及温度之间不精确的相关性。电池运行中所涉及的过程的复杂性使得soc评估易于出错。

随着电动汽车的迅速发展，锂电池作为其主流动力来源则备受关注。荷电状态，是用户评估当前电动汽车续航里程的直接参数。

目前电动汽车电池管理系统(batterymanagementsystem，bms)主要采用安时积分法来对电池组的soc进行估计，并辅以开路电压和充放电末端电压的校正，实现锂电池的soc估计。对于这种方式，一方面安时积分法中的电流偏差导致的soc误差难以解决，另一方面在使用电压校正时，如果soc偏差较大，会造成soc的跳变，给用户带来soc不准的误判。同时，soc一般在充放电末期进行校准，soc在放电末期的跳变会导致用户对电动汽车剩余续驶里程的误判，造成电动汽车在半路“趴窝”，给用户带来不便，制约电动汽车产业的发展。

技术实现要素：

本发明实施例的目的是提供一种电池组荷电状态soc估计方法及估计系统，该方法改善soc跳变现象，提高soc估计的准确性。

为了实现上述目的，本发明实施例提供一种电池组荷电状态soc估计方法，该方法包括：基于安时积分法获取所述电池组荷电状态估计值soc1；根据所述soc1，基于扩展卡尔曼滤波算法获取所述电池组荷电状态估计值soc2，并使电池组荷电状态soc期望值与所述soc2相一致；以及显示所述soc1，并使所述soc1收敛到所述soc期望值。

可选的，该方法还包括：判断所述电池组的当前状态；其中，在所述电池组的当前状态为放电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最低者作为soc2；以及在所述电池组的当前状态为充电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最高者作为soc2。

可选的，其中，基于安时积分法获取所述电池组荷电状态估计值soc1包括：根据如下公式计算所述电池组荷电状态估计值soc1：

其中，soc(t)是t时刻的瞬时荷电状态；soc(0)为荷电状态初始值；η为充放电倍率对电池容量的影响，常设为1；i(t)是t时刻电池的测量电流；c0为电池的额定容量。

可选的，基于扩展卡尔曼滤波算法获取所述电池组中各个电池单体的荷电状态估计值soc包括：采用如下公式表示电池单体电压与soc的关系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

对公式(1)和公式(2)进行离散化，根据离散化后的式(1)计算soc，代入离散化后的式(2)得到电池单体端电压，与测量的电池单体电压进行比较，计算差值，根据差值反推出soc的变化，对soc进行修正，计算各个电池单体的soc；

其中，

e(t)是电池单体t时刻的端电压；

e0是电池单体充满电后的空载电压；

r0是电池单体的欧姆内阻；

k0、k1、k2和k3是测量得到的待辨识参数，用来表征电池单体的极化内阻。

可选的，在所述电池组的当前状态为上电静置状态，且静置时间大于或等于设定值的情况下，测量所述电池组的开路电压，根据开路电压校准下电前保存的soc1。

另一方面，本发明提供一种电池组荷电状态soc估计系统，该系统包括：计算模块，基于安时积分法获取所述电池组荷电状态估计值soc1，和根据所述soc1，基于扩展卡尔曼滤波算法获取所述电池组荷电状态估计值soc2；处理模块，用于使电池组荷电状态soc期望值与所述soc2相一致；以及显示模块，用于显示所述soc1；其中，所述处理模块还被配置成：使所述soc1收敛到所述soc期望值。

可选的，其中所述计算模块还被配置成：判断所述电池组的当前状态；其中，在所述电池组的当前状态为放电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最低者作为soc2；以及在所述电池组的当前状态为充电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最高者作为soc2。

可选的，其中，所述计算模块基于安时积分法获取所述电池组荷电状态估计值soc1包括：根据如下公式计算所述电池组荷电状态估计值soc1：

其中，soc(t)是t时刻的瞬时荷电状态；soc(0)为荷电状态初始值；η为充放电倍率对电池容量的影响，常设为1；i(t)是t时刻电池的测量电流；c0为电池的额定容量。

可选的，其中，基于扩展卡尔曼滤波算法获取所述电池组中各个电池单体的荷电状态估计值soc包括：

表示电池单体电压与soc的关系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

对公式(1)和公式(2)进行离散化，根据离散化后的式(1)计算soc，代入离散化后的式(2)得到电池单体端电压，与测量的电池单体电压进行比较，计算差值，根据差值反推出soc的变化，对soc进行修正，计算各个电池单体的soc；

其中，

e(t)是电池单体t时刻的端电压；

e0是电池单体充满电后的空载电压；

r0是电池单体的欧姆内阻；

k0、k1、k2和k3是测量得到的待辨识参数，用来表征电池单体的极化内阻。

可选的，其中所述处理模块还被配置成：当判断所述电池组的当前状态为上电静置状态，且静置时间大于或等于设定值的情况下，测量所述电池组的开路电压，根据所述开路电压校准下电前保存的soc1。

通过上述技术方案，考虑电池组中各个电池单体的不一致性对电池组荷电状态的影响，结合安时积分法和扩展卡尔曼滤波算法针对不同电池组状态对电池组荷电状态soc进行修正，使当前的soc值以一定速率快速跟随至电池组荷电状态soc真实期望值，改善电池组荷电状态soc值跳变现象，提高电池组荷电状态soc估计的准确性。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明一种实施方式的电池组荷电状态soc估计方法流程图；

图2a是本发明另一种实施方式的电池组荷电状态soc估计方法流程图；

图2b是本发明另一种实施方式的电池组荷电状态soc估计方法流程图；

图2c是本发明另一种实施方式的电池组荷电状态soc估计方法流程图；

图2d是基于扩展卡尔曼滤波算法进行电池荷电状态soc估计的流程图；

图3是本发明另一种实施方式的电池组荷电状态soc估计方法流程图；

图4是本发明另一种实施方式的电池组荷电状态soc估计方法流程图；

图5是本发明一种实施方式的电池组荷电状态soc估计系统结构示意图；

图6是本发明另一种实施方式的电池组荷电状态soc估计系统结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是本发明一种实施方式的电池组荷电状态soc估计方法流程图。如图1所示的本发明一种实施方式的电池组荷电状态soc估计方法，包括：在步骤s110中，基于安时积分法获取所述电池组荷电状态估计值soc1；在步骤s120中，根据所述soc1，基于扩展卡尔曼滤波算法获取所述电池组荷电状态估计值soc2，并在步骤s130中，使电池组荷电状态soc期望值与所述soc2相一致；以及在步骤s140中，显示所述soc1，并使所述soc1收敛到所述soc期望值。

基于安时积分法获取的电池组荷电状态估计值soc1因电流偏差导致的soc1误差较大，会造成soc1跳变的现象，影响电池组荷电状态估计的准确性。

通过上述技术方案，考虑电池组中各个电池单体的不一致性对电池组荷电状态的影响，结合安时积分法和扩展卡尔曼滤波算法对电池组荷电状态进行修正，使当前的soc1值以一定速率快速跟随至基于扩展卡尔曼滤波算法获取的电池组荷电状态期望值soc2，改善电池组荷电状态soc值跳变现象，提高电池组荷电状态soc估计的准确性。

上述方案中，在步骤s140中，显示所述soc1，并使所述soc1收敛到所述soc期望值。作为示例，可以根据电流和soc差值将soc1加速收敛到soc2，具体地，当电流较大，或超过某一限值时，使收敛的过程加快，反之，当电流较小，或低于某一限值时，使收敛的过程减慢。例如，当soc差值≥5％，电流≥0.2c，soc1以每秒(soc差值/60)的速度收敛到soc2，即经过1分钟，soc1逐渐变为soc2；而在其他情况，soc1以每秒(soc差值/30)的速度收敛到soc2，即经过0.5分钟，soc1逐渐变为soc2。

图2a是本发明一种实施方式的电池组荷电状态soc估计方法流程图。如图2a所示的本发明一种实施方式的电池组荷电状态soc估计方法，还包括：在步骤s104中，判断所述电池组的当前状态；其中，在所述电池组的当前状态为放电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最低者作为soc2；以及在所述电池组的当前状态为充电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最高者作为soc2。

通过上述技术方案，考虑电池组中各个电池单体的不一致性对电池组荷电状态的影响，针对判断确定的不同电池组状态结合安时积分法和扩展卡尔曼滤波算法对电池组荷电状态进行修正，如果采用电池单体电压中最小者来作为模型的观测变量，则获得的soc2为电池组中所有电池单体中的最小soc；如果采用电池单体电压中最大者作为模型的观测变量，则获得的soc2为电池组中所有电池单体中的最大soc，因此，在充电过程中采用最大电池单体电压作为模型观测变量，放电过程中采用最小电池单体电压作为模型观测量，可以避免电池不一致性导致的电池过充和过放问题。

同时，使当前的soc1以一定速率快速跟随至电池组荷电状态soc期望值，改善电池组荷电状态估计值soc1跳变的现象，提高电池组荷电状态soc估计的准确性。

图2b是本发明另一种实施方式的电池组荷电状态soc估计方法流程图。如图2b所示的本发明一种实施方式的电池组荷电状态soc估计方法，其中，在步骤s106中，判断电池组的当前状态是否为放电状态，如在所述电池组的当前状态为放电状态的情况下，则在步骤s121中，根据soc1，基于扩展卡尔曼滤波算法获取电池组中各个电池单体荷电状态估计值soc，并在步骤s132中，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最低者作为soc2；如在步骤s106中判断电池组状态不是放电状态，在步骤s108中，判断电池组的当前状态是否为充电状态，如果在所述电池组的当前状态为充电状态的情况下，则在步骤s121中，根据soc1，基于扩展卡尔曼滤波算法获取电池组中各个电池单体荷电状态估计值soc，并在步骤s134中，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最高者作为soc2。

图2c是本发明另一种实施方式的电池组荷电状态soc估计方法流程图。如图2c所示的本发明一种实施方式的电池组荷电状态soc估计方法是图2b所示的本发明一种实施方式的电池组荷电状态soc估计方法的变形，对于充电和放电状态的判断前，在步骤s110中，基于安时积分法获取所述电池组荷电状态估计值soc1。

图2d是基于扩展卡尔曼滤波算法进行电池荷电状态soc估计的流程图。

上述方案中，在步骤s110中，基于安时积分法获取所述电池组荷电状态估计值soc1包括：根据如下公式计算所述电池组荷电状态估计值soc1：

其中，soc(t)是t时刻的瞬时荷电状态；soc(0)为荷电状态初始值；η为充放电倍率对电池容量的影响，常设为1；i(t)是t时刻电池的测量电流；c0为电池的额定容量。

上述方案中，在步骤s120中，基于扩展卡尔曼滤波算法获取所述电池组中各个电池单体的荷电状态估计值soc包括：表示电池单体电压与soc的关系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

对公式(1)和公式(2)进行离散化，根据离散化后的式(1)计算soc，代入离散化后的式(2)得到电池单体端电压，与测量的电池单体电压进行比较，计算差值，根据差值反推出soc的变化，对soc进行修正，计算各个电池单体的soc；

其中，

e(t)是电池单体t时刻的端电压；

e0是电池单体充满电后的空载电压；

r0是电池单体的欧姆内阻；

k0、k1、k2和k3是测量得到的待辨识参数，用来表征电池单体的极化内阻。

在实际估计过程中，首先对式(1)和式(2)分别进行离散化和线性化，然后将通过式(1)获得的soc1值代入式2，并将估计得到的电池单体电压e(t)与bms测量的电池单体电压值进行比较，获得卡尔曼增益，它反映了残差作用于状态变量soc的权重，依据残差对soc进行校准，实现电池组soc的准确估计。例如，当soc差值≥5％，电流≥0.2c，soc1以每秒(soc差值/60)的速度收敛到soc2，即经过1分钟，soc1逐渐变为soc2；而在其他情况，soc1以每秒(soc差值/30)的速度收敛到soc2，即经过0.5分钟，soc1逐渐变为soc2。

图3是本发明另一种实施方式的电池组荷电状态soc估计方法流程图。如图3所示的本发明另一种实施方式的电池组荷电状态soc估计方法，其中，在所述电池组的当前状态为上电静置状态，且静置时间大于或等于设定值的情况下，测量所述电池组的开路电压，根据开路电压校准下电前保存的soc1。

在步骤s103中，判断电池组的当前状态是否为上电静置状态，如是，则在步骤s104中，判断静置时间是否大于或等于设定值，如是，则在步骤s150中，根据开路电压校准下电前保存的soc1，并显示校准后的soc1。而后在步骤s106、108中，判断电池组是否处于充放电状态，并执行相应的操作。

上述方案中，上电静置时间的设定值例如可以为2小时，当大于等于2小时，根据开路电压对保存的soc1值进行校准并显示，当小于2小时，跳过校准过程。

图4是本发明另一种实施方式的电池组荷电状态soc估计方法流程图。如图4所示的本发明一种实施方式的电池组荷电状态soc估计方法，还包括：在电池组上电的情况下，在步骤s101中，读取下电前保存的荷电状态soc值，而后根据上述实施方式中的判断的电池组的当前状态依次执行后续步骤，显示电池荷电状态值，还包括在步骤s140的显示soc1，并将soc1收敛到soc期望值后，在步骤s160中，更新并存储soc1。

本发明一种实施方式的电池组荷电状态soc估计方法，在电池组结束静置后，电池管理系统bms及电池组上电，bms判断电池组是否满足静置条件，即电池组是否静置超过设定时间，例如是否满2个小时，若静置时间≥2h，则采集电池组的开路电压，根据电池组的开路电压ocv来校准保存的soc1，并显示校准后的soc1；若不满足静置的设定时间，则跳过静置校准过程。

进一步地，例如由电池管理系统bms判断电池组的当前状态，当为充电或放电状态时，bms基于安时积分法获得soc1，该soc1为用于后续修正并显示的实际显示值。

进一步地，bms判断电池组是否为放电状态，若电池组处于放电状态，则依据电池单体电压中的最低者通过扩展卡尔曼滤波ekf算法获取准确的电池组荷电状态估计值soc2，并将其定义为soc期望值，然后soc1以一定速率快速逼近收敛soc期望值，即soc2中的最低者；当判断电池组处于充电阶段，则依据电池单体电压中的最高者通过ekf算法获取准确的socsoc2，并将其定义为soc期望值，然后soc1以一定速率快速收敛至soc期望值，即soc2中的最高者；一方面提高了soc值的估计精度，避免了电池组soc跳变带来的影响，同时也考虑了电池组的一致性，避免了电池不一致性导致的电池组过充和过放问题。

通过定义两个soc值，soc1为当前显示的soc值，通过安时积分法获得；定义soc2为真实的soc期望值，通过准确的电池模型和扩展卡尔曼滤波ekf算法获得。在电动汽车静置过程中，soc1修正为与soc2相等。在电动汽车运行过程中，若soc1不等于soc2，则soc1以一定速率逼近soc2，使得显示的soc值(soc1)最终等于真实的期望值soc2，提高其soc精度。

同时为了考虑电池不一致性对电池soc值的影响，在电池放电过程中，用电池组最低单体电压来作为观测变量通过ekf估计得到真实的soc期望值，防止其过放；而在充电过程中，采用电池组最高单体电压作为观测变量通过ekf估计得到真实的期望soc，防止电池组过充。

图5是本发明一种实施方式的电池组荷电状态soc估计系统结构示意图。如图5所示的本发明一种实施方式的电池组荷电状态soc估计系统，包括：计算模块10，基于安时积分法获取所述电池组荷电状态估计值soc1，和根据所述soc1，基于扩展卡尔曼滤波算法获取所述电池组荷电状态估计值soc2；处理模块20，用于使电池组荷电状态soc期望值与所述soc2相一致；以及显示模块30，用于显示所述soc1；其中，所述处理模块还被配置成：使所述soc1收敛到所述soc期望值。

上述方案中，所述计算模块10还被配置成：判断所述电池组的当前状态；其中，在所述电池组的当前状态为放电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最低者作为soc2；以及在所述电池组的当前状态为充电状态的情况下，将所述电池组中基于扩展卡尔曼滤波算法获取的各个电池单体的荷电状态估计值soc中的最高者作为soc2。

上述方案中，所述计算模块10基于安时积分法获取所述电池组荷电状态估计值soc1包括：根据如下公式计算所述电池组荷电状态估计值soc1：

其中，soc(t)是t时刻的瞬时荷电状态；soc(0)为荷电状态初始值；η为充放电倍率对电池容量的影响，常设为1；i(t)是t时刻电池的测量电流；c0为电池的额定容量。

上述方案中，所述计算模块10基于扩展卡尔曼滤波算法获取所述电池组中各个电池单体的荷电状态估计值soc包括：

采用如下公式表示电池单体电压与soc的关系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

对公式(1)和公式(2)进行离散化，根据离散化后的式(1)计算soc，代入离散化后的式(2)得到电池单体端电压，与测量的电池单体电压进行比较，计算差值，根据差值反推出soc的变化，对soc进行修正，计算各个电池单体的soc；

其中，

e(t)是电池单体t时刻的端电压；

e0是电池单体充满电后的空载电压；

r0是电池单体的欧姆内阻；

k0、k1、k2和k3是测量得到的待辨识参数，用来表征电池单体的极化内阻。

上述方案中，所述处理模块20还被配置成：当判断所述电池组的当前状态为上电静置状态，且静置时间大于或等于设定值的情况下，测量所述电池组的开路电压，根据所述开路电压校准所述电池荷电状态soc期望值。

图6是本发明另一种实施方式的电池组荷电状态soc估计系统结构示意图。如图6所示的本发明一种实施方式的电池组荷电状态soc估计系统还包括：采集模块40，用于采集电池组的状态信息，如母线电流、电池总电压/开路电压、电池单体最高电压、电池单体最低电压、电池组平均温度和电池组充放电状态等信息；电池组状态判断模块21，用于根据采集模块40采集的电池组的状态信息判断电池组的当前状态；以及校准模块22，用于根据电池组状态判断模块21判断的电池组的当前状态，对电池组荷电状态soc值进行校准。

作为示例，电池组状态判断模块21用于判断电池组的当前状态，如电池组的状态是否为上电静置、充电或放电状态，当判断为上电静置状态时，校准模块22依据计算模块10基于按时积分法获取的电池组荷电状态估计值soc1和计算模块10根据soc1，基于扩展卡尔曼滤波算法获取的电池组荷电状态估计值soc2，使电池组荷电状态soc期望值与电池组单体中的基于扩展卡尔曼滤波算法获取的电池组荷电状态估计值soc2的最高者相一致，对soc1进行校准，校准后的soc1值由显示模块30显示。

以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述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(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。