电池状态评估方法与流程

本公开涉及一种实时评估电池的状态的方法。

背景技术：

与其他能量存储装置相比，电池具有高适用性，并且由于诸如相对高的能量和功率密度的特性，电池已经广泛地用于由电动驱动源驱动的电动车辆(ev，electricvehicle)或混合动力电动车辆(hev，hybridelectricvehicle)以及便携式装置中。特别地，当需要强输出时，还可以使用其中多个电池串联和并联连接的电池组。

电池管理对于电池或电池供电的电气装置的节能和安全使用是重要的，为此，电池的内部状态的准确评估和诊断是必不可少的。用于表示当前电池的特性的电池内部状态包括电阻分量、电容分量和开路电压(opencircuitvoltage；ocv)。

技术实现要素：

技术问题

提供了一种电池状态评估方法，由此可以通过使用经由测量电池的电压和电流而获得的电压值和电流值来评估电池的状态。

技术方案

根据本公开的一个方面，一种电池状态评估方法包括：周期性地测量使用中的电池的电压和电流以生成电压值和电流值；使用自适应滤波器从电压值和电流值实时生成g参数的值和h参数的值，所述参数指示电池的当前状态；以及使用g参数的值和h参数的值来实时评估电池的状态。g参数可以是表示电压对电池的电流变化的灵敏度的参数，并且h参数可以是表示由电池内部的局部平衡电势分布和电阻分布确定的有效电势的参数。

自适应滤波器可以是使用递归最小二乘(recursiveleastsquares；rls)方法的滤波器。

所述电池状态评估方法还可以包括：使由g参数和h参数组成的状态向量以及协方差矩阵初始化。实时生成g参数的值和h参数的值的步骤可以包括：基于当前电流值和状态向量的前一值来计算电池的当前电压评估值，并且基于当前电流值和协方差矩阵的前一值来更新增益矩阵和协方差矩阵；计算当前电压值与当前电压评估值之间的电压误差；以及基于状态向量的前一值、增益矩阵的当前值和电压误差来更新状态向量，以生成g参数的当前值和h参数的当前值。

电池的当前电压评估值可以被计算为通过将h参数的前一值与当前电流值和g参数的前一值的乘积相加而获得的值。

状态向量的当前值可以被计算为通过将增益矩阵的当前值和电压误差的乘积与状态向量的前一值相加而获得的值。

当更新增益矩阵和协方差矩阵时，可以应用与g参数有关的第一遗忘因子(forgettingfactor)和与h参数有关的第二遗忘因子。

增益矩阵可以通过以下等式来计算。

协方差矩阵可以通过以下等式来计算。

这里，l(t)是增益矩阵的当前值，l(t-1)是增益矩阵的前一值，p(t)是协方差矩阵的当前值，p(t-1)是协方差矩阵的前一值，i(t)是当前电流值，λ1可以是第一遗忘因子，λ2可以是第二遗忘因子。

g参数、h参数和协方差矩阵中的每个可以包括第一g参数至第三g参数、第一h参数至第三h参数和第一协方差矩阵至第三协方差矩阵。所述电池状态评估方法还可以包括：使由第一g参数和第一h参数组成的第一状态向量、由第二g参数和第二h参数组成的第二状态向量、由第三g参数和第三h参数组成的第三状态向量以及第一协方差矩阵至第三协方差矩阵初始化。

所述电池状态评估方法还可以包括：当当前电流值与前一电流值之间的电流差大于或等于第一阈值时，基于当前电流值和第一状态向量的最新值来计算电池的当前电压评估值，并且基于当前电流值和第一协方差矩阵的前一值来更新增益矩阵和第一协方差矩阵；以及基于第一状态向量的最新值、增益矩阵的当前值和电压误差来更新第一状态向量，以生成第一g参数的当前值和第一h参数的当前值。

所述电池状态评估方法还可以包括：当将电池建模为其中电压源(vocv)、串联电阻器(r0)和两个并联的电阻器电容器(rc)网络(resistor-capacitornetwork)串联连接的等效电路时，基于第一g参数的当前值来评估电池的串联电阻器r0的值。

电池状态评估方法还可以包括：当当前电流值与前一电流值之间的电流差小于或等于第二阈值时，基于当前电流值和第二状态向量的最新值来计算电池的当前电压评估值，并且基于当前电流值和第二协方差矩阵的前一值来更新增益矩阵和第二协方差矩阵；以及基于第二状态向量的最新值、增益矩阵的当前值和电压误差来更新第二状态向量，以生成第二g参数的当前值和第二h参数的当前值。

所述电池状态评估方法还可以包括：当将电池建模为其中电压源(vocv)、串联电阻器(r0)和两个并联的电阻器电容器(rc)网络(resistor-capacitornetwork)串联连接的等效电路时，基于第二g参数的当前值评估电池的等效电路的电阻分量之和。

所述电池状态评估方法还可以包括：基于第二h参数的当前值来评估电池的电压源(vocv)。

所述电池状态评估方法还可以包括，当当前电流值与前一电流值之间的电流差小于第一阈值且超过小于第一阈值的第二阈值时，基于当前电流值和第三状态向量的最新值来计算电池的当前电压评估值，并且基于当前电流值和第三协方差矩阵的前一值来更新增益矩阵和第三协方差矩阵；以及基于第三状态向量的最新值、增益矩阵的当前值和电压误差来更新第三状态向量，以生成第三g参数的当前值和第三h参数的当前值。

根据本公开的另一方面，一种电池状态评估方法包括：使在递归最小二乘(recursiveleastsquares；rls)滤波器中使用的第一状态向量至第三状态向量和第一协方差矩阵至第三协方差矩阵初始化，其中，第一状态向量至第三状态向量中的每个包括第一g参数至第三g参数和第一h参数至第三h参数；在每个第一时间段(timeperiod)测量使用中的电池的电压和电流，以生成前一电压值和前一电流值，并且在第一时间段过去之后生成当前电压值和当前电流值；在当前电流值与前一电流值之间的电流差大于或等于第一阈值的情况下，更新第一状态向量和第一协方差矩阵，并且在电流差小于或等于小于第一阈值的第二阈值的情况下，更新第二状态向量和第二协方差矩阵，并且在电流差超过第二阈值且小于第一阈值的情况下，更新第三状态向量和第三协方差矩阵；以及在将电池建模为其中电压源vocv、串联电阻器r0和两个并联的电阻器电容器(rc)网络(resistor-capacitornetwork)串联连接的等效电路的情况下，实时评估电池的串联电阻器r0的值作为第一状态向量的第一g参数的值，并且实时评估电池的等效电路的电阻分量之和作为第二状态向量的第二g参数的值。

更新第一状态向量和第一协方差矩阵的步骤可以包括：基于当前电流值和第一状态向量的最新值来计算电池的当前电压评估值，并且更新增益矩阵和第一协方差矩阵；计算当前电压值与当前电压评估值之间的电压误差；以及基于第一状态向量的最新值、增益矩阵的当前值和电压误差来更新第一状态向量。

当更新增益矩阵和第一协方差矩阵时，可以应用与第一g参数有关的第一遗忘因子(forgettingfactor)和与第一h参数有关的第二遗忘因子。

更新第二状态向量和第二协方差矩阵的步骤可以包括：基于当前电流值和第二状态向量的最新值来计算电池的当前电压评估值，并且更新增益矩阵和第二协方差矩阵；计算当前电压值与当前电压评估值之间的电压误差；以及基于第二状态向量的最新值、增益矩阵的当前值和电压误差来更新第二状态向量。

有益效果

与传统方法相比，根据本公开的各种实施例的电池内部状态评估方法在成本、可扩展性和适应性方面是有利的。具体地，因为根据可以直接测量的值直接评估电池的内部状态，而不是像传统实验模型那样基于有限的实验数据的评估方法，所以可以实现更高的准确度。

另外，根据本公开的各种实施例的电池内部状态评估方法可以利用电池管理系统(batterymanagementsystem；bms)来实现。即使在过去，bms也可以用于评估电池内部状态。然而，电池的内部状态可以基于在实验数据的基础上创建的表来评估。因此，不仅评估误差大，而且需要存储表的所有数据。然而，根据本公开，因为可以大幅减少计算时间并且不需要存储表类型数据，所以即使使用bms，也可以容易地实现根据本公开的方法。

因此，根据本公开的各种实施例，通过使用经由测量电池的电压和电流而获得的电压值和电流值，可以通过简单的计算实时准确地评估电池的状态。由于仅使用电池的电压和电流的测量数据，所以不需要太多的硬件，并且用于评估电池状态的计算过程不复杂。因此，即使在低规格的微处理器(诸如电池组的bms)上，也可以实时准确地评估电池的状态。另外，由于用于评估电池状态的计算所需的数据量不多，所以即使当存储器的容量不大时，也可以执行根据本公开的方法。

附图说明

图1是根据实施例的用于执行电池状态评估方法的电池系统的示意性配置图。

图2是示出根据实施例的电池状态评估方法的流程图。

图3示出了电池的等效电路。

图4是示出根据另一实施例的电池状态评估方法的流程图。

图5是将实验测量的串联电阻和电阻分量之和与通过使用根据本公开的电池状态评估方法实时评估的第一g参数gh和第二g参数gl进行比较的曲线图。

图6是将实验获得的电池的开路电压与通过使用根据本公开的电池状态评估方法实时评估的第二h参数hl进行比较的曲线图。

具体实施方式

通过参考稍后将参照附图详细描述的实施例，本公开的优点和特征以及实现它们的方式将变得明显。然而，本公开不限于以下呈现的实施例，而是可以以各种不同的形式来实施，并且应当理解，不脱离发明的精神和技术范围的所有改变、等同物和替代物均包含在本公开中。提供以下呈现的实施例以使本公开的公开内容完整，并且向本公开所属领域的技术人员充分告知本公开的范围。在本公开的描述中，当认为相关技术的某些详细解释可能会不必要地使本公开的本质模糊时，省略相关技术的某些详细解释。

本申请中使用的术语仅用于描述具体实施例，并且不旨在限制本公开。如在这里所使用的，除非上下文另外清楚地指出，否则单数形式“一”、“一个(种/者)”和“所述(该)”也意图包括复数形式。将进一步理解的是，这里所使用的术语“包括”和/或“包含”说明存在所陈述的特征或组件，但是不排除存在或附加一个或更多个其他特征或组件。将理解的是，尽管这里可以使用术语“第一”、“第二”等来描述各种组件，但是这些组件不应该受这些术语限制。这些术语仅用于将一个组件与其他组件区分开。

在下文中，下面将参照附图更详细地描述本公开的实施例。相同或对应的那些组件被赋予相同的附图标记，而与附图编号无关，并且省略了其冗余的描述。

图1是用于执行根据实施例的电池状态评估方法的电池系统的示意性配置视图。

参照图1，电池系统100可以包括电池110、电压测量单元120、电流测量单元130、微处理器140和存储单元150。

作为用于存储电力的单元的电池110可以包括至少一个电池单元。电池110可以包括多个电池单元，多个电池单元可以串联连接、并联连接或者串联和并联的组合连接。电池单元中的每个可以包括可再充电二次电池。例如，电池单元中的每个可以包括镍镉电池(nickel-cadmiumbattery)、镍金属氢化物电池(nimh，nickelmetalhydridebattery)、锂离子电池(lithiumionbattery)或锂聚合物电池(lithiumpolymerbattery)。可以根据所需的输出电压来确定包括在电池110中的电池单元的数量。

虽然在图1中示出了一个电池110，但是多个电池110可以并联和/或串联连接并且可以通过外部端子连接到负载和/或充电装置。虽然在图1中未示出，但是电池110正在与负载和/或充电装置连接使用，并且可以放电以向负载供应电力或者通过从充电装置接收电力来充电。

电压测量单元120可以连接到正在使用的电池110的两个端子，并且可以周期性地测量电池110的电压以生成电压值。例如，电压测量单元120可以在第一时间段δt内测量电池110的两个端子的电压，可以将当前或最近测量的电压值称为当前电压值，并且可以由v(t)指示当前电压值。另外，在第一时间段δt之前测量的电压值可以被称为前一电压值并且由v(t-1)指示。第一时间段δt可以是例如1秒。然而，这仅仅是示例，并且第一时间段δt可以被设定为另一时间。例如，第一时间段δt可以被设定为0.1秒、0.5秒、2秒、5秒或10秒。可以根据使用电池110的电气系统适当地设定第一时间段δt。

虽然图1示出了电压测量单元120测量电池110的两个端子的电压，但是当电池110包括多个电池单元、多个电池模块或多个电池组时，电压测量单元120还可以测量每个电池单元、每个电池模块或每个电池组的两个端子的电压。

电流测量单元130可以周期性地测量正在使用的电池110的电流，以生成电流值。电压测量单元120和电流测量单元130可以彼此同步，以同时测量电池110的电压和电流。电流测量单元130还可以在第一时间段δt内测量电池110的电流。由电流测量单元130测量的电流值可以在其为充电电流时显示为正(+)，并且在其为放电电流时显示为负(-)。当前或最近测量的电流值可以被称为当前电流值且由i(t)指示，并且在第一时间段之前测量的电流值可以被称为前一电流值且由i(t-1)指示。

微处理器140可以从由电压测量单元120提供的电压值和由电流测量单元130提供的电流值来生成指示电池的当前状态的g参数的值和h参数的值。这里，g参数可以是指示电压相对于正在使用的电池110的电流变化的灵敏度的参数，h参数可以是指示由局部平衡电势分布和电阻分布确定的有效电势的参数。

微处理器140可以使用自适应滤波器，以从电压值和电流值生成g参数的值和h参数的值。微处理器140使用的自适应滤波器可以是使用递归最小二乘(recursiveleastsquares；rls)方法的滤波器或使用加权最小二乘(weightedleastsquares；wls)方法的滤波器。在下文中，将详细描述其中微处理器140使用rls方法的滤波器的实施例。

微处理器140可以通过使用实时生成的g参数的值和h参数的值来实时评估电池110的状态。这里，可以根据本实施例评估的电池110的状态可以是电池110中的开路电压(ocv)、串联电阻分量和总电阻分量。

因为微处理器140可以通过四个简单的算术运算来执行根据本实施例的电池状态评估方法，所以微处理器140可以包括在电池组的bms中。根据另一实施例，微处理器140可以包括在电动车辆的bms或电子控制单元(ecu)中。根据另一实施例，微处理器140可以包括在能量存储系统的控制器中。根据另一实施例，微处理器140可以实现为与电池系统或能量存储系统通信连接并通信的服务器的处理器。

存储单元150可以存储通过微处理器140执行根据本实施例的电池状态评估方法所需的命令和数据。在根据本实施例的电池状态评估方法中，基于每个第一时间段δt生成的电压值和电流值来生成g参数的值和h参数的值，并且通过使用g参数的值和h参数的值来评估电池110的状态，因此存储单元150不需要存储除了当前电压值、当前电流值和前一电流值之外的其他电压和电流数据。也就是说，存储单元150不需要存储大量的电压和电流数据。另外，在根据本实施例的电池状态评估方法中，存储单元150可以存储由g参数和h参数组成的状态向量的前一值和当前值以及递归最小二乘(rls)方法的计算所需的协方差矩阵的前一值和当前值。因此，存储单元150不需要存储大量的命令和数据，并且因此可以实现为具有小容量的存储器。例如，存储单元150也可以实现为微处理器140内部的存储器。

在相关领域中，预先在实验上找到电池的可测量参数(诸如，电流、电压和温度)与待评估的内部状态之间的相关性，然后以表形式形成相关性，并且评估电池的电阻和电容以及诸如开路电压的内部状态。这些电池状态评估方法需要通过实验找到可测量参数与内部状态之间的相关性，因此需要大量的成本和时间，并且在可扩展性(scalability)和适应性(adaptability)方面存在缺点。

根据这些常规方法，在预先通过实验收集大量的数据之后，通过使用所收集的数据提取电池的内部状态。因为电池的内部状态受若干变量的影响，所以为了准确地评估电池的内部状态，需要进行各种变量(诸如，电池的荷电状态(stateofcharge；soc)、电流、电压和温度)的组合，并且需要针对它们中的每个收集数据。因此，需要的精度越高，需要的数据就越多，导致时间和金钱成本增加。

另外，当通过外推法(extrapolation)针对超过在实验中测量的变量的范围的值来评估电池的内部状态时，例如，当通过使用在室温测量的数据与电池的内部状态之间的相关性来评估在高温或低温的电池的内部状态时，可能难以依赖评估值。

为了评估电池组的状态信息，需要关于电池组的实验数据。然而，由于收集电池组的实验数据所需的高成本，通常，通过使用在电池单元中测量的数据来评估关于电池组的状态信息。然而，该实践是基于以下假设：在电池单元中测量的变量之间的关系是对较大系统(诸如，电池组)的可扩展机制(scalablemechanism)。因此，除非提前执行额外的验证以证明机制的可扩展性，否则由于准确性的问题，可能难以依赖以上述方式针对电池组评估的状态信息。

另外，根据相关领域的电池内部状态评估方法具有差的适应性(adaptability)。电池随时间具有不同的特性。这被称为老化(aging)效应。由于老化效应，可测量变量(诸如，电池的电压、电流和温度)与内部状态之间的相关性随时间而改变。然而，当完成总结了预先通过实验收集的数据与内部状态之间的相关性的表时，难以反映老化效应。为了在表上反映老化效应，需要提前执行很多关于老化效应的实验，或者需要提前在实验模型中准确预测并反映老化效应。然而，前者具有增加成本的问题，后者具有以下风险：当无法提前准确地预测老化效应时，内部状态评估的可靠性差。此外，不仅时间而且电池单元的设计改变(诸如，电池单元中使用的活性材料或电池单元的形状)可能引起电池单元的特性的改变。当这些改变在实验模型中未被提前预测并反映在实验模型中时，如果将来发生设计改变，则不能使用现有的实验模型。

电池的内部状态还可以通过使用除了实验模型之外的电化学模型(例如，纽曼模型(newman’smodel))来评估，电化学模型考虑电池中的电化学现象和热行为。电化学模型的使用具有以下优点：难以直接测量的物理状态(physicalstates)可以用作bms的控制参数(controlparameter)。然而，因为使用电化学模型的方法具有在于过度需要开发时间和成本且计算所需的资源太大的缺点，所以其难以在bms中利用。

在为了克服常规实验模型和电化学模型的缺点而提出的多尺度多维度(msmd，multi-scalemulti-dimensional)模型中，电池的分析域按层次划分为发生微观物理学的颗粒级、板级和发生宏观物理现象的电池级。在颗粒级的分析域中，对固体活性材料颗粒内部的锂离子的行为进行建模，并且这被称为颗粒域模型(pdm，particledomainmodel)。在板级的分析域中，通过板和电解质中的电子和离子的守恒方程来对板内部的电压和电流的行为进行建模，并且这被称为电极域模型(edm，electrodedomainmodel)。在作为最高级的电池级的分析域中，对包括板集流体(currentcollector)的整个电池的温度、电流和电压的行为进行建模，并且这被称为电池域模型(cdm，celldomainmodel)。

在每个分析域中，独立地执行建模和计算。然而，每个分析域未被完全划分，并且在相邻区域之间交换分析所需的最少信息。在msmd模型中，根据物理现象的大小对分析域按层次进行划分，使得可以有效地计算复杂的多物理现象的相互作用。此外，由于分析域之间的计算独立性，因此自由地执行模型选择。例如，当正确完成分析域之间的信息交换时，即使在颗粒级使用任何模型时，这也不会影响更高级的模型选择。此外，msmd模型的模块化结构(modularstructure)具有不仅可以应用于单个电池而且可以应用于电池组的高可扩展性。

尽管与常规模型相比提高了计算效率、模型选择灵活性和可扩展性，但是msmd模型复杂且计算量大，因此难以使用msmd模型来评估实际电气设备中使用的电池的内部状态。为了解决这些问题，本公开的发明人已经开发了使用g参数和h参数的gh-msmd模型，以大幅提高现有msmd模型的计算速度。

g参数是表示端电压对正在使用的电池的施加电流的变化的灵敏度的状态量，并且具有电阻单位。h参数是由使用期间的电池中的局部平衡电势分布和电阻分布确定的有效电势。电池的g参数和h参数可以使用理论模型通过电池材料性质与设计变量之间的显式相关性来量化。因此，可以根据电池的g参数和h参数简单地评估电池的内部状态。在下文中，将对电池的g参数和h参数进行描述。

在电池中，可以假设电压v和电流i具有与v＝f(i；x,p)相同的关系。这里，x是表示电池的内部状态的物理量，p是参数。

函数f可以是非线性隐函数(nonlinearimplicitfunction)。如果函数f可以分为快速变化量g和缓慢变化量h，则上述关系式可以表示为v＝g(i；x,p)+h(i；x,p)。

假设存在相对于电流i缓慢变化的函数g(i；x,p)＝dg/di，则上述关系式可以表示为v＝g(i；x,p)i+h(i；x,p)。

在上述关系式中，dg/di和dh/di具有非常小的值。换句话说，如果满足上述假设，则g和h是相对于电流i缓慢变化的函数。因此，表示电压v和电流i之间的非线性关系的函数f可以以准线性关系来表示。

这里，将g称为g参数，将h称为h参数。当电流i是充电/放电电流且ueq是电池的平衡电势时，可以通过使用g参数g和h参数h将放电过电压表示为ueq-v＝-g·i+(ueq-h)。

这里，-g·i是由电池生成的使电流流过端子的过电压，并且包括反应动态极化量以及电子和离子电阻极化量。(ueq-h)为由电池的局部热力学平衡偏离整体系统平衡引起的过电压。即，(ueq-h)表示由电池内部的热力学不均匀性引起的低效率，并且当电池的内部系统达到热力学平衡状态时，h参数h等于平衡电势ueq。

在根据本公开的实施例的电池状态评估方法中，例如，通过使用递归最小二乘(rls)方法从在电池中测量的电压值和电流值直接提取g参数g和h参数h，并且可以通过其评估电池的内部状态。

图2是示出根据实施例的电池状态评估方法的流程图。

参照图1和图2，微处理器140可以通过使用rls方法来执行图2中所示的电池状态评估方法。

在根据本实施例的电池状态评估方法中，可以在rls方法中使用由g参数和h参数组成的状态向量以及协方差矩阵p(t)。

状态向量可以如下定义。

协方差矩阵p(t)可以如下定义。

由于在每个第一时间段δt测量电池110的电压值v(t)和电流值i(t)，所以状态向量和协方差矩阵p(t)可以通过使用递归方法在每个第一时间段δt更新。因此，g参数和h参数也可以在每个第一时间段δt更新。

在根据本实施例的电池状态评估方法中，微处理器140可以如下使状态向量和协方差矩阵p(t)初始化(s10)。

在本示例中，尽管状态向量的元素和协方差矩阵p(t)的元素全部已经被初始化为1，但是这仅仅是示例，并且这些元素可以被初始化为另一值。

微处理器140可以使用电压测量单元120和电流测量单元130，以周期性地(例如，在每个第一时间段δt)测量电池110的电压和电流，并且生成电池110的电压值和电流值(s20)。当前测量的电压值和当前测量的电流值分别被称为当前电压值v(t)和当前电流值i(t)，并且在第一时间段δt之前测量的电压值和电流值分别被称为前一电压值v(t-1)和前一电流值i(t-1)。

微处理器140可以使用rls方法，以从电压值和电流值实时生成g参数和h参数(s30)。在根据本公开的电池状态评估方法中，根据在每个第一时间段δt接收的当前电压值v(t)和当前电流值i(t)来更新g参数和h参数。

因为根据本实施例的电池状态评估方法使用递归方法，所以在生成当前电压值v(t)和当前电流值i(t)之前，基于前一电压值v(t-1)和前一电流值i(t-1)计算状态向量的前一值和协方差矩阵的前一值p(t-1)。

当生成当前电压值v(t)和当前电流值i(t)时，微处理器140可以基于当前电流值i(t)和状态向量的前一值来计算电池110的当前电压评估值。

状态向量的前一值由g参数的前一值和h参数的前一值组成。电池110的当前电压评估值可以计算为通过将h参数的前一值与当前电流值i(t)和g参数的前一值的乘积相加而获得的值，并且可以由以下等式表示。

微处理器140可以基于当前电流值i(t)和协方差矩阵的前一值p(t-1)来更新增益矩阵l(t)。根据协方差矩阵p(t)的定义，协方差矩阵的前一值p(t-1)由协方差矩阵的第一前一值p1(t-1)和协方差矩阵的第二前一值p2(t-1)组成。增益矩阵l(t)用于更新状态向量和协方差矩阵p(t)。增益矩阵l(t)可以如下计算。

这里，λ1可以是与g参数有关的第一遗忘因子(forgettingfactor)。λ2可以是与h参数有关的第二遗忘因子。第一遗忘因子λ1和第二遗忘因子λ2是这样的值，其中当计算出g参数和h参数时，指示过去电压值和过去电流值对g参数的当前值和h参数的当前值的影响。当接近1时，第一遗忘因子λ1和第二遗忘因子λ2在长时间期间影响g参数的当前值和h参数的当前值，当接近零时，它们仅在短时间期间影响g参数的当前值和h参数的当前值。

根据示例，第一遗忘因子λ1和第二遗忘因子λ2可以大于或等于0.9且小于或等于1。根据另一示例，第一遗忘因子λ1可以被设定为大于或等于第二遗忘因子λ2的值。例如，第一遗忘因子λ1可以被设定为0.9999，并且第二遗忘因子λ2可以被设定为0.95。这些设定值可以根据电池110的特性而变化。

本公开的发明人已经发现，在对特定电池执行的实验中，当第一遗忘因子λ1和第二遗忘因子λ2分别为0.9999和0.95时，得出了高可靠性结果。然而，上述值是示例，并且其他值可以根据电池110的特性来设定。例如，第一遗忘因子λ1可以被设定为1，并且第二遗忘因子λ2可以被设定为0.98。

在另一示例中，也可以将第一遗忘因子λ1和第二遗忘因子λ2全部设定为1。在这种情况下，可以认为没有应用第一遗忘因子λ1和第二遗忘因子λ2。

微处理器140可以基于当前电流值i(t)、增益矩阵l(t)和协方差矩阵的前一值p(t-1)来更新协方差矩阵p(t)。先前计算的增益矩阵l(t)由增益矩阵的第一值l1(t)和增益矩阵的第二值l2(t)组成。协方差矩阵p(t)可以如下计算。

微处理器140可以如下计算当前电压值v(t)与先前计算的当前电压评估值之间的电压误差e(t)。

微处理器140可以基于状态向量的前一值、增益矩阵的当前值l(t)和电压误差e(t)来更新状态向量，从而生成g参数的当前值和h参数的当前值。

状态向量的当前值可以如下被计算为通过将增益矩阵的当前值l(t)和电压误差e(t)的乘积与状态向量的前一值相加而获得的值。

其中状态向量被递归表达的上述等式可以如下得出。

首先，应用了第一遗忘因子λ1和第二遗忘因子λ2的损失函数(loss-function)ε如下定义。

这里，v(i)是第i个电压值，i(i)是第i个电流值。因为t表示当前，所以v(t)和i(t)分别是当前电压值和当前电流值。因此，v(t-1)和i(t-1)分别是前一电压值和前一电流值。

g(i)和h(i)分别是第i个g参数和第i个h参数的实际值，并且和分别是g参数的当前值评估和h参数的当前值评估。

因为损失函数ε对于和需要最小，所以其中损失函数ε分别对和进行微分的结果需要为零。

首先，如下得到，其中损失函数ε对进行微分的结果为零。

总结上述等式，如下。

如下得到，其中损失函数ε对进行微分的结果为零。

总结上述等式，如下。

对于实时评估，通过使用如下的状态向量以递归形式总结先前获得的和。

如上所述，因为电压误差e(t)和当前电压评估值分别被计算为和，所以状态向量可以如下表示。

这里，如上所述，如下计算增益矩阵l(t)和协方差矩阵p(t)。

存储单元150可以存储用于执行图2中所示的电池状态评估方法的命令和若干变量。需要存储在存储单元150中的变量可以是包括和的状态向量以及协方差矩阵p(t)。当微处理器140接收到当前电压值v(t)和当前电流值i(t)时，可以使用状态向量的前一值和协方差矩阵的前一值p(t-1)通过利用递归方法来更新状态向量和协方差矩阵p(t)。

第一遗忘因子λ1和第二遗忘因子λ2可以进一步存储在存储单元150中。另外，增益矩阵l(t)可以根据计算顺序存储在存储单元150中。所有过去的电压值和电流值不需要存储在存储单元150中。

因为图2中所示的电池状态评估方法使用递归方法，所以计算非常简单，并且仅使用具有若干kb的小容量的存储单元150进行计算是可能的。此外，因为每当接收到电压值和电流值时，状态向量和协方差矩阵p(t)都被新更新，所以电池110的电压和电流波动可以基本上实时地反映在g参数和h参数上。

微处理器140可以使用在操作s20中生成的g参数和h参数，以实时评估电池110的状态(s40)。

微处理器140可以在每个第一时间段δt重复执行操作s20至s40，在每个第一时间段δt中，电池110的电压值v(t)和电流值i(t)被测量。

图3示出了电池110的等效电路。

电池110可以被建模为等效电路，其中，电压源vocv、串联电阻(器)r0、第一电阻器电容器(rc)网络r1和c1以及第二rc网络r2和c2串联连接。图3的等效电路最常用于电池领域。

操作s30中由微处理器140评估的电池110的状态可以是当电池110被建模为图3的等效电路时的电池110的电压源vocv的电压、串联电阻r0以及电池110的等效电路的电阻分量的和(r0+r1+r2)中的至少一个。操作s30中评估的电池110的状态可以是通过将电压源vocv的电压与在第一rc网络r1和c1中下降的第一电压v1和在第二rc网络r2和c2中下降的第二电压v2的和相加而获得的值。

当电池110被建模为其中电压源vocv、串联电阻器r0、n个rc网络(其中，n是等于或大于1的自然数)串联连接的等效电路时，可以在操作s30中评估的电池110的等效电路的电阻分量的和为串联电阻r0与n个rc网络中包括的n个电阻的和。

图4是示出根据另一实施例的电池状态评估方法的流程图。

根据图2的电池状态评估方法，基于过去的电压值v和过去的电流值i来更新一个g参数g和一个h参数h，而根据图4的电池状态评估方法，不同之处在于：基于电流变化量δi划分的多个g参数g和多个h参数h来更新。

在图4的示例中，基于电流变化量δi将g参数g和h参数h划分为三个，但这仅仅是示例，g参数g和h参数h也可以被划分为更少个或更多个。

用于更新图4中的g参数g和h参数h的详细方法和等式在上面已经参照图2进行了描述，因此将不进行重复描述。另外，在图2中，为了描述等式及其推导方法，g参数由表示，h参数由表示。然而，在与图4的电池状态评估方法相关的以下描述中，g参数简单地由“g”表示，并且h参数简单地由“h”表示。另外，状态向量由“θ”表示，协方差矩阵由“p”表示。虽然如上简要描述，但是本领域技术人员将参照图2的描述容易理解更新由g参数g和h参数h组成的状态向量θ以及协方差矩阵p的方式。

根据图4的电池状态评估方法，准备第一状态向量至第三状态向量θh、θl和θm以及第一协方差矩阵至第三协方差矩阵ph、pl和pm。第一状态向量至第三状态向量θh、θl和θm以及第一协方差矩阵至第三协方差矩阵ph、pl和pm可以被存储在存储单元150中。第一状态向量至第三状态向量θh、θl和θm由第一g参数至第三g参数gh、gl和gm以及第一h参数至第三h参数hh、hl和hm组成。

微处理器140可以使第一状态向量至第三状态向量θh、θl和θm以及第一协方差矩阵至第三协方差矩阵ph、pl和pm初始化(s110)。与图2的操作s10一样，第一状态向量至第三状态向量θh、θl和θm以及第一协方差矩阵至第三协方差矩阵ph、pl和pm中的所有元素可以被初始化为1。然而，这仅仅是示例，并且这些元素可以被初始化为另一值。

微处理器140可以使用图1的电压测量单元120和电流测量单元130，以周期性地(例如，在每个第一时间段δt)测量电池110的电压和电流，并生成电压值和电流值(s120)。

微处理器140可以计算当前电流值i(t)与前一电流值i(t-1)之间的电流差δi(s131)。电流差δi可以被计算为|i(t)-i(t-1)|。存储单元150还可以存储前一电流值i(t-1)。当第一时间段δt过去时，当前电流值i(t)可以是前一电流值i(t-1)。

将操作s131中计算的电流差δi与第一阈值进行比较(s132)。第一阈值可以根据电池110的容量来设定。例如，可以根据电池110的容量将第一阈值设定为对应于大于或等于0.4c且小于或等于5c的充电/放电电流的值。例如，第一阈值可以被设定为其中电池110对应于0.5c的充电/放电电流的值。当电池110的容量是50ah时，第一阈值可以被设定为对应于0.5c的充电/放电电流的25a。

当在操作s132中，电流差δi大于或等于第一阈值时，更新由第一g参数gh和第一h参数hh组成的第一状态向量θh以及第一协方差矩阵ph(s133)。详细地，可以基于当前电流值i(t)和第一状态向量的最新值θh'来计算电池110的当前电压评估值。第一状态向量的最新值θh'指作为第一状态向量θh存储在存储单元150中的值。

可以基于当前电流值i(t)和第一协方差矩阵的最新值ph'来计算增益矩阵l。第一协方差矩阵的最新值ph'指作为第一协方差矩阵ph存储在存储单元150中的值。另外，可以基于当前电流值i(t)、增益矩阵l和第一协方差矩阵的最新值ph'来计算第一协方差矩阵ph。即使当计算增益矩阵l和第一协方差矩阵ph时，也可以应用与第一g参数gh有关的第一遗忘因子λ1和与第一h参数hh有关的第二遗忘因子λ2。

通过从当前电压值v(t)减去当前电压评估值来计算电压误差e。可以基于第一状态向量的最新值θh'、先前计算的增益矩阵l和电压误差e来计算第一状态向量θh。可以计算第一状态向量θh，使得可以一起计算第一g参数gh和第一h参数hh，并且可以生成第一g参数gh的当前值和第一h参数hh的当前值。

用于计算当前电压评估值、增益矩阵l、第一协方差矩阵ph和第一状态向量θh的等式在上面已经参照图2进行了描述，因此将不再进行重复描述。

当在操作s131中，电流差δi小于第一阈值时，将在操作s131中计算的电流差δi与第二阈值进行比较(s134)。小于第一阈值的第二阈值可以根据电池110的容量来设定。例如，可以根据电池110的容量将第二阈值设定为对应于大于或等于0.0001c且小于或等于0.01c的充电/放电电流的值。例如，第二阈值可以被设定为其中电池110对应于0.001c的充电/放电电流的值。例如，当电池110的容量是50ah时，第二阈值可以被设定为对应于0.001c的充电/放电电流的0.05a。

当在操作s134中，电流差δi小于或等于第二阈值时，更新由第二g参数gl和第二h参数hl组成的第二状态向量θl以及第二协方差矩阵pl(s135)。详细地，可以基于当前电流值i(t)和第二状态向量的最新值θl'来计算电池110的当前电压评估值。第二状态向量的最新值θl'指作为第二状态向量θl存储在存储单元150中的值。

可以基于当前电流值i(t)和第二协方差矩阵的最新值pl'来计算增益矩阵l。第二协方差矩阵的最新值pl'指作为第二协方差矩阵pl存储在存储单元150中的值。另外，可以基于当前电流值i(t)、增益矩阵l和第二协方差矩阵的最新值pl'来计算第二协方差矩阵pl。即使当计算增益矩阵l和第二协方差矩阵pl时，也可以应用与第二g参数gl有关的第一遗忘因子λ1和与第二h参数hl有关的第二遗忘因子λ2。

与第二g参数gl有关的第一遗忘因子λ1可以与在操作s133中描述的与第一g参数gh有关的第一遗忘因子λ1相同或不同。另外，与第二h参数hl有关的第二遗忘因子λ2可以与在操作s133中描述的与第一h参数hh有关的第二遗忘因子λ2相同或不同。

可以通过从当前电压值v(t)减去当前电压评估值来计算电压误差e。可以基于第二状态向量的最新值θl'、先前计算的增益矩阵l和电压误差e来计算第二状态向量θl。可以计算第二状态向量θl，使得可以生成第二g参数gl的当前值和第二h参数hl的当前值。

用于计算当前电压评估值、增益矩阵l、第二协方差矩阵pl和第二状态向量θl的等式在上面已经参照图2进行了描述，因此将不进行重复描述。

当在操作s134中，电流差δi超过第二阈值时，即，当电流差δi小于第一阈值且超过第二阈值时，更新由第三g参数gm和第三h参数hm组成的第三状态向量θm以及第三协方差矩阵pm(s136)。详细地，可以基于当前电流值i(t)和第三状态向量的最新值θm'来计算电池110的当前电压评估值。第三状态向量的最新值θm'指作为第三状态向量θm存储在存储单元150中的值。

可以基于当前电流值i(t)和第三协方差矩阵的最新值pm'来计算增益矩阵l。第三协方差矩阵的最新值pm'指作为第三协方差矩阵pm存储在存储单元150中的值。另外，可以基于当前电流值i(t)、增益矩阵l和第三协方差矩阵的最新值pm'来计算第三协方差矩阵pm。即使当计算增益矩阵l和第三协方差矩阵pm时，也可以应用与第三g参数gm有关的第一遗忘因子λ1和与第三h参数hm有关的第二遗忘因子λ2。

通过从当前电压值v(t)减去当前电压评估值来计算电压误差e。可以基于第三状态向量的最新值θm'、先前计算的增益矩阵l和电压误差e来计算第三状态向量θm。可以计算第三状态向量θm，使得可以生成第三g参数gm的当前值和第三h参数hm的当前值。

用于计算当前电压评估值、增益矩阵l、第三协方差矩阵pm和第三状态向量θm的等式在上面已经参照图2进行了描述，因此将不进行重复描述。

当操作s133、s135和s136终止时，微处理器140可以基于第一g参数至第三g参数gh、gl和gm以及第一h参数至第三h参数hh、hl和hm来评估电池110的内部状态(s140)。当电池110被建模为图3的等效电路时，等效电路的串联电阻r0被实时评估为第一g参数gh的值。另外，图3的等效电路的电阻分量的和(即，r0+r1+r2)被实时评估为第二g参数gl的值。当电池110被建模为包括第nrc网络的等效电路时，等效电路的电阻分量的和也可以被实时评估为第二g参数gl的值。

图3的等效电路的电压源vocv的电压可以被实时评估为第二h参数hl的值。另外，在图3的等效电路中，通过将电压源vocv的电压与在第一rc网络r1和c1中下降的第一电压v1和在第二rc网络r2和c2中下降的第二电压v2的和相加而获得的值可以被实时评估为第一h参数hh的值。在图3的等效电路中，在第一rc网络r1和c1中下降的第一电压v1与在第二rc网络r2和c2中下降的第二电压v2的和(v1+v2)可以被实时评估为通过从第一h参数hh减去第二h参数hl而获得的值。

参照图3，当在图4的操作s132中，电流差δi大于或等于第一阈值时，电流i(t)快速改变。因此，在第一rc网络r1和c1中下降的第一电压v1和在第二rc网络r2和c2中下降的第二电压v2相对于电流i(t)非线性地改变。因此，电池110的电压v(t)和电流i(t)具有以下关系。

v(t)＝vocv+i(t)r0+v1+v2

因此，当电流差δi大于或等于第一阈值时，在操作s133中，第一g参数gh被推导为r0，并且第一h参数hh被推导为vocv+v1+v2。

当在图4的操作s134中，电流差δi小于或等于第二阈值时，电流i(t)缓慢改变。因此，在第一rc网络r1和c1中下降的第一电压v1可以表示为电流i(t)和电阻r1的乘积，并且在第二rc网络r2和c2中下降的第二电压v2可以表示为电流i(t)和电阻r2的乘积。因此，电池110的电压v(t)和电流i(t)具有以下关系。

v(t)＝vocv+i(t)r0+i(t)r1+i(t)r2

因此，当电流差δi小于或等于第二阈值时，第二g参数gl可以推导为r0+r1+r2(即，∑ri)，第二h参数hl可以推导为vocv。

图5是将实验测量的串联电阻和电阻分量之和与通过使用根据本公开的电池状态评估方法实时评估的第一g参数gh和第二g参数gl进行比较的曲线图。

在图5的曲线图中，基于电流/电压使用模式驱动具有50ah容量的电池大约12天，并且表示了针对该电池实验测量的串联电阻r0与电阻分量之和∑ri。在这种情况下，基于针对运行中的电池周期性测量的电压值和电流值而实时评估的第一g参数gh和第二g参数gl示出在图5的曲线图中。

如图5中所示，可以看出，实验测量的电池的串联电阻r0与基于针对该电池周期性测量的电压值和电流值而实时评估的第一g参数gh基本相同。实际上，实验测量的电池的串联电阻r0与实时评估的第一g参数gh之间的误差小于1％。

如图5中所示，实验测量的电池的电阻分量之和∑ri与基于针对该电池周期性测量的电压值和电流值而实时评估的第二g参数gl基本相同。实际上，实验测量的电池的电阻分量之和∑ri与实时评估的第二g参数gl之间的误差小于1％。

图6是将实验获得的电池的开路电压与通过使用根据本公开的电池状态评估方法实时评估的第二h参数hl进行比较的曲线图。

在图6的曲线图中，如图5的曲线图中那样，基于电流/电压使用模式驱动具有50ah容量的电池大约12天，表示了针对该电池实验测量的ocv。在这种情况下，基于针对运行中的电池周期性测量的电压值和电流值而实时评估的第二h参数hl示出在图6的曲线图中。

如图6中所示，可以看出，实验测量的电池的ocv与基于针对该电池周期性测量的电压值和电流值而实时评估的第二h参数hl基本相同。实际上，实验测量的电池的ocv与实时评估的第二h参数hl之间的误差小于0.01％。

本公开的精神不限于上述实施例，并且等同于权利要求或从权利要求等效改变的所有范围以及描述的权利要求均属于本公开的精神的范围。