基于卡尔曼滤波的soc估算方法、系统、介质及电子设备

摘要

本发明提供一种基于卡尔曼滤波的soc估算方法、系统、介质及电子设备，所述方法包括：提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值；基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量；基于所述soc状态量以及所述soc观测量计算卡尔曼增益，以基于所述卡尔曼增益校正更新soc估算值。本发明将检测参数和soc估算算法一起集成在芯片上，能实时估算soc，实用性强，具有较高的应用价值；能够精确识别电动车电池的soc，可以预报电池的状态及问题，提高使用时的安全性；并且在估算时考虑到温度的影响，会根据温度变化调整，保证在高低温下的估算结果仍具有很高的准确性。

权利要求

1.一种基于卡尔曼滤波的soc估算方法，其特征在于，包括：提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值；

基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量；

基于所述soc状态量以及所述soc观测量计算卡尔曼增益，以基于所述卡尔曼增益校正更新soc估算值，其中，计算卡尔曼增益具体通过soc观测量误差协方差和soc状态量与soc真实值误差协方差计算得到，公式如下：Kk＝(Pk‑1+Q)/(Pk‑1+Q+R)；

其中，Pk‑1为上一时刻soc估算值与soc真实值之间的误差方差，Kk为卡尔曼增益，Q为soc状态量与soc真实值之间的误差协方差，R为soc观测量与soc真实值之间的误差协方差。

2.根据权利要求1所述的基于卡尔曼滤波的soc估算方法，其特征在于，所述提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值，具体包括：基于检测电流识别当前电池组充放电状态，其中，所述电池组处于充电状态下时，提取第一电压作为所述电池组单体电压值；

基于所述第一电压计算当前所述端电压，并与所述自查表中充电电压值进行对比，以得到对应的所述soc初始值。

3.根据权利要求2所述的基于卡尔曼滤波的soc估算方法，其特征在于，还包括：所述电池组处于放电状态下时，将提取第二电压作为所述电池组单体电压值；

基于所述第二电压计算当前所述端电压，并与所述自查表中放电电压值进行对比，以得到对应的所述soc初始值。

4.根据权利要求1所述的基于卡尔曼滤波的soc估算方法，其特征在于，所述基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量，具体包括：结合所述电池组额定容量以及当前温度值计算所述电池初始容量；

提取所述间隔周期内所述初始容量的变化值，并结合所述额定容量以及所述温度值计算所述soc状态量；

提取所述间隔周期内当前时刻电池组单体电压以及电流，以得到第二等效电阻，并匹配预设自查表得到所述soc观测量。

5.根据权利要求1所述的基于卡尔曼滤波的soc估算方法，其特征在于，所述自查表的生成步骤具体包括：提取电动车首次充放电的充电电压、放电电压以及充电电流与放电电流；

基于所述充电电压、所述放电电压、所述充电电流以及所述放电电流得到第一等效电阻；

将所述第一等效电阻以及所述充电电压与所述放电电压作为所述自查表的组成元素以得到所述自查表。

6.根据权利要求1所述的基于卡尔曼滤波的soc估算方法，其特征在于，所述方法还包括在每个所述间隔周期内更新所述卡尔曼增益。

7.根据权利要求1所述的基于卡尔曼滤波的soc估算方法，其特征在于，所述方法还包括基于更新后的所述soc估算值更新所述自查表。

8.一种基于卡尔曼滤波的soc估算系统，其特征在于，包括：提取模块，用于提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值；

计算模块，用于基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量；

校正模块，用于基于所述soc状态量以及所述soc观测量计算卡尔曼增益，以基于所述卡尔曼增益校正更新soc估算值，其中，计算卡尔曼增益具体通过soc观测量误差协方差和soc状态量与soc真实值误差协方差计算得到，公式如下：Kk＝(Pk‑1+Q)/(Pk‑1+Q+R)；

其中，Pk‑1为上一时刻soc估算值与soc真实值之间的误差方差，Kk为卡尔曼增益，Q为soc状态量与soc真实值之间的误差协方差，R为soc观测量与soc真实值之间的误差协方差。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一项所述基于卡尔曼滤波的soc估算方法。

10.一种电子设备，其特征在于，所述电子设备包括：处理器及存储器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如权利要求1至7中任一项所述基于卡尔曼滤波的soc估算方法。

说明书

基于卡尔曼滤波的soc估算方法、系统、介质及电子设备

技术领域

[0001] 本发明涉及电池电量管理技术领域，特别是涉及一种基于卡尔曼滤波的soc估算方法、系统、介质及电子设备。

背景技术

[0002] 两轮电动车作为一种新型的交通工具，目前越来越多的人选择两轮电动车作为市内及短途交通的主要工具，而且其发展和使用必将在主流交通方式中占据一定地位，动力锂电池作为两轮电动车的的能量来源，其SOC(State of Charge)是能量管理系统中最重要和最基础的参数之一，SOC指的是电池的荷电状态，用来描述电池的剩余电量，只有准确的SOC估算值才能进行合理的能量分配，从而更有效地利用有限能源，也能正确预测电动车的剩余行驶里程。

[0003] 但锂电池是一个封闭复杂的非线性系统，而且外部环境和内部参数随机变化，使系统数学模型不够准确，产生误差，因此必须提高对电池荷电状态估计的准确性和抗干扰能力，提高估计的鲁棒性。

[0004] 现有预测锂电池SOC的方法，大部分都无法实时估算SOC值，且没有考虑到温度对soc 估算的影响，采用的技术都需要将电动车电池参数上传至云端，再对参数进行在线估计，很难应用到两轮电动车上；且这种在线估计在非高斯白噪状态下，无法准确地预测SOC。

发明内容

[0005] 鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于卡尔曼滤波的soc估算方法、系统、介质及电子设备，用于解决现有技术中电动车电池电量检测的问题。

[0006] 为实现上述目的及其他相关目的，本发明提供一种基于卡尔曼滤波的soc估算方法，所述方法包括：提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值；基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量；基于所述soc状态量以及所述soc观测量计算卡尔曼增益，以基于所述卡尔曼增益校正更新soc估算值。

[0007] 于本发明的一实施例中，所述提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值，具体包括：

[0008] 基于检测电流识别当前电池组充放电状态，其中，所述电池组处于充电状态下时，提取第一电压作为所述电池组单体电压值；

[0009] 基于所述第一电压计算当前所述端电压，并与所述自查表中充电电压值进行对比，以得到对应的所述soc初始值。

[0010] 于本发明的一实施例中，所述方法还包括：

[0011] 所述电池组处于放电状态下时，提取第二电压作为所述电池组单体电压值；

[0012] 基于所述第二电压计算当前所述端电压，并与所述自查表中放电电压值进行对比，以得到对应的所述soc初始值。

[0013] 于本发明的一实施例中，所述基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量，具体包括：

[0014] 结合所述电池组额定容量以及当前温度值计算所述电池初始容量；

[0015] 提取所述间隔周期内所述初始容量的变化值，并结合所述额定容量以及所述温度值计算所述soc状态量；

[0016] 提取所述间隔周期内当前时刻电池组单体电压以及电流，以得到第二等效电阻，并匹配预设自查表得到所述soc观测量。

[0017] 于本发明的一实施例中，所述自查表的生成步骤具体包括：

[0018] 提取电动车首次充放电的充电电压、放电电压以及充电电流与放电电流；

[0019] 基于所述充电电压、所述放电电压、所述充电电流以及所述放电电流得到第一等效电阻；

[0020] 将所述第一等效电阻以及所述充电电压与所述放电电压作为所述自查表的组成元素以得到所述自查表。

[0021] 于本发明的一实施例中，所述方法还包括在每个所述间隔周期内更新所述卡尔曼增益。

[0022] 于本发明的一实施例中，所述方法还包括基于更新后的所述soc估算值更新所述自查表，

[0023] 为实现上述目的及其他相关目的，本发明提供一种上述的基于卡尔曼滤波的soc估算系统，所述系统包括：

[0024] 提取模块，用于提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值；

[0025] 计算模块，用于基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量；

[0026] 校正模块，用于基于所述soc状态量以及所述soc观测量计算卡尔曼增益，以基于所述卡尔曼增益校正更新soc估算值。

[0027] 为实现上述目的及其他相关目的，本发明提供一种上述的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于卡尔曼滤波的soc估算方法。

[0028] 为实现上述目的及其他相关目的，本发明提供一种上述的电子设备，所述电子设备包括：所述存储器用于存储计算机程序，所述处理器用于加载执行所述计算机程序，以使所述电子设备执行所述基于卡尔曼滤波的soc估算方法。

[0029] 如上所述，本发明所述的基于卡尔曼滤波的soc估算方法、系统、介质及电子设备，可作将检测参数和soc估算算法一起集成在芯片上，能实时估算soc，实用性强，具有较高的应用价值；能够精确识别电动车电池的soc，可以预报电池的状态并帮助使用者判断是否够骑行，防止半路电动车停电，提高使用时的安全性；并且在估算时考虑到温度的影响，会根据温度变化调整，保证在高低温下的估算结果仍具有很高的准确性。

附图说明

[0030] 图1显示为本发明的基于卡尔曼滤波的soc估算方法于一实施例中的方法步骤图；

[0031] 图2显示为本发明的基于卡尔曼滤波的soc估算方法于一实施例中的方法步骤图；

[0032] 图3显示为本发明的基于卡尔曼滤波的soc估算方法于一实施例中的方法步骤图；

[0033] 图4显示为本发明的基于卡尔曼滤波的soc估算方法于一实施例中的方法步骤图；

[0034] 图5显示为本发明的基于卡尔曼滤波的soc估算方法于一实施例中的估算结果示意图；

[0035] 图6显示为本发明的基于卡尔曼滤波的soc估算系统于一实施例中的结构示意图；

[0036] 图7显示为本发明的电子设备结构示意图。

具体实施方式

[0037] 以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

[0038] 需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

[0039] 请参阅图1，于发明一实施例中，本发明的基于卡尔曼滤波的soc估算方法包括如下步骤：

[0040] 步骤S11、提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值；

[0041] 步骤S12、基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量；

[0042] 步骤S13、基于所述soc状态量以及所述soc观测量计算卡尔曼增益，以基于所述卡尔曼增益校正更新soc估算值。

[0043] 需要说明的是，如图4所示，所述自查表的生成步骤具体包括如下步骤：步骤S41、提取电动车首次充放电的充电电压、放电电压以及充电电流与放电电流；步骤S42、基于所述充电电压、所述放电电压、所述充电电流以及所述放电电流得到第一等效电阻；步骤S43、将所述第一等效电阻以及所述充电电压与所述放电电压作为所述自查表的组成元素以得到所述自查表。

[0044] 具体地，对电动车首次充放电，提取充电电压U充、放电电压U放、充电电流I充、放电电流I放得到第一等效电阻R0，其中，所述第一等效电阻 参考表1，其中，表1为一个自查表实例，实际应用时不局限于表中的值。

[0045] 表1.自查表

[0046] Ro U放 U充 SOC180 2960 3090 0
150 3030 3140 5
60 3090 3180 10
100 3140 3200 15
110 3180 3220 20
95 3200 3240 25
70 3220 3250 30
70 3240 3270 35
80 3250 3280 40
80 3270 3290 45
85 3280 3300 50
85 3290 3305 55
90 3300 3310 60
90 3305 3315 65
90 3310 3330 70
80 3315 3340 75
80 3330 3380 80
70 3340 3480 85
75 3360 3510 90
79 3380 3530 95
87 3400 3580 100

[0047] 进一步地，如图2所示，所述提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值，具体包括如下步骤：

[0048] 步骤S21、基于检测电流识别当前电池组充放电状态，其中，所述电池组处于充电状态下时，提取第一电压作为所述电池组单体电压值；

[0049] 步骤S22、基于所述第一电压计算当前所述端电压，并与所述自查表中充电电压值进行对比，以得到对应的所述soc初始值。

[0050] 具体地，通过预设的检测芯片可以检测到当前电流I、当前电压U′以及当前温度T，基于检测到的电流可以判断此时电动车的电池组是充电还是放电，其中，电动车初始状态下使用即为充电，当前电压U′即为所述第一电压，计算端电压U1＝U′‑|I|*R0，再将U1与自查表的充电电压U充对应的电压值进行对比，以得到初始条件下电池组对应的SOC，其中，电动车充电则用当前电压U′中的最大电压值做计算对比。

[0051] 值得一提的是，结合电池额定容量RCap和当前温度T可以计算电池的初始容量Cap，其中，初始容量Cap＝soc*RCap*kr，其中，kr为温度系数，表示不同温度T下电池容量与25度℃时电池容量的比值，具体取值为：

[0052]

[0053] 其中，温度系数kr取值“0～1”，a，b为参数值，是通过磷酸铁锂电池的温度与容量的关系曲线提取出来的，提取步骤在本实施例中不做赘述。

[0054] 进一步地，如图3所示，所述方法还包括如下步骤：

[0055] 步骤S31、所述电池组处于放电状态下时，提取第二电压作为所述电池组单体电压值；

[0056] 步骤S32、基于所述第二电压计算当前所述端电压，并与所述自查表中放电电压值进行对比，以得到对应的所述soc初始值。

[0057] 需要说明的是，当所述电池组处于放电状态下时，放电时的当前电压U″即为所述第二电压，计算端电压U1＝U″‑|I|*R0，再将U1与自查表的放电电压U放对应的电压值进行对比，以得到放电状态下电池组对应的SOC，其中，电动车放电则用当前电压U″中的最小电压做计算对比。

[0058] 进一步地，所述基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量，具体包括：结合所述电池组额定容量以及当前温度值计算所述电池初始容量；提取所述间隔周期内所述初始容量的变化值，并结合所述额定容量以及所述温度值计算所述soc状态量；提取所述间隔周期内当前时刻电池组单体电压以及电流，以得到第二等效电阻，并匹配预设自查表得到所述soc观测量。

[0059] 需要说明的是，电动车的芯片每秒上传一次数据，且每秒都计算一次电池容量的变化值 利用安时积分法可知： 当芯片上传数据累计“1min”时，当前容量Capk就是这“1min”的初始容量与这“1min”之内容量的变化值 的和，结合电池额定容量RCap和温度T就可以计算出当前时刻soc的状态量 即：

[0060]

[0061]

[0062] 其中，上一时刻(本实施例中为前“1min”)的电池容量Capk‑1＝sock‑1*RCap*kr，其中，间隔“1min”仅为本发明的一个实例，在实际应用时，计算间隔不局限于“1min”。

[0063] 进一步地，查表(自查表)得到对应的soc观测量 根据当前时刻的电流以及电压得到所述第二等效电阻R0′，而后基于R0′计算当前时刻对应的所述端电压U1与自查表中的充电电压U充或者放电电压U放的电压值进行对比，得到当前的soc观测量[0064] 值得一提的是，所述方法还包括在每个所述间隔周期内更新所述卡尔曼增益。

[0065] 需要说明的是，在卡尔曼滤波估算过程中，根据观测量 误差协方差R和状态量 与真实值误差协方差Q计算卡尔曼增益Kk，公式如下：

[0066] Kk＝(Pk‑1+Q)/(Pk‑1+Q+R)；

[0067] Pk＝(1‑Kk)*(Pk‑1+Q)；

[0068] 其中，Pk‑1为上一时刻(本实施中为前“1min”)估算值与真实值之间的误差方差，则该时刻的soc更新后为 则该时刻的soc估算值为随着充放电过程进行中，soc状态量 越准确，需要自适应调小Q，调大R；在接近充放电截止电压时，越相信soc观测量 越准确，则自适应调大Q，调小R，优选地，Q和R更新后自动用于下一时刻卡尔曼增益K的计算。

[0069] 进一步地，于本实施例中，当Pk‑1＝1，Q＝1，R＝10时，求出Kk＝0.167，相对应的Pk＝(1‑0.167)*(1+1)＝1.667，用更新后的Pk、Q以及R来计算下一时刻的Kk，经过一段时间的迭代Pk以及Kk都将趋于“0”，说明soc状态量与soc实际值很接近，此时Kk迭代与否不影响后面的计算结果，优选地，这里的Q以及R可以看作正态分布的方差，即正态图形的分布宽度，表明与实际值之差的分布概率。

[0070] 值得一提的是，于本实施例中，将当前k时刻soc估算值 与soc观测量 的差值定义为误差dsoc，上一时刻(即k‑1时刻)也是一样，公式为：

[0071]

[0072]

[0073] 其中，如果判定观测量 与实际误差大，则自适应增大R值；状态量 越准确，需要自适应调小Q，调大R(也可以Q不变，R大幅度加大)。

[0074] 值得一提的是，所述方法还包括基于更新后的所述soc估算值更新所述自查表。

[0075] 需要说明的是，判断当前估算值 与自查表对应的soc值是否一致，其中，若一致则需要更新所述自查表，若判断此时为充电，更新U充和R0表；若判断此时为放电，更新U放和R0表，具体更新公式如下：

[0076] U充＝Umax‑|I|*R0；

[0077] U放＝Umin‑|I|*R0；

[0078]

[0079] 其中，Umax为检测上传的电池组中单体电压最大值，Umin为检测上传的电池组中单体电压最小值，充电时I充为正，放电时I放为负，自查表中的值更新后，自动用于下一时刻soc 观测量 的计算。

[0080] 请参阅图5，基于本实施例中提出的基于卡尔曼滤波的soc估算方法估算得到的结果，其中，误差在“5％”以内，soc_估算为卡尔曼滤波估算的soc，soc_硬件测试是实验中实际测得的值，soc_误差是两者之间的误差(即估算值与实际值的差)，平均误差为当前时刻的误差与之前所有时刻误差的平均值，基于图5可以看出，初始时估算的误差较大，因为此时还未用卡尔曼滤波进行soc估算，只是查表得到观测值 随着充放电进行，后面时刻的soc估算越来越准。

[0081] 请参阅图6，在一实施例中，本实施例提供的一种基于卡尔曼滤波的soc估算系统60，所述系统包括：

[0082] 提取模块61，用于提取电池组单体电压计算得到端电压，并匹配预设自查表得到soc初始值；

[0083] 计算模块62，用于基于所述soc初始值计算电池初始容量，并基于所述初始容量计算在间隔周期内的soc状态量以及soc观测量；

[0084] 更新模块63，用于基于所述soc状态量以及所述soc观测量计算卡尔曼增益，以基于所述卡尔曼增益校正更新soc估算值。

[0085] 由于本实施例的具体实现方式与前述方法实施例对应，因而于此不再对同样的细节做重复赘述，本领域技术人员也应当理解，图6实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上，且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。

[0086] 除此之外，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述基于卡尔曼滤波的soc估算方法。

[0087] 参阅图7，本实施例提供一种电子设备，详细的，电子设备至少包括通过总线连接的：存储器、处理器，其中，存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。

[0088] 综上所述，本发明将检测参数和soc估算算法一起集成在芯片上，能实时估算soc，实用性强，具有较高的应用价值；能够精确识别电动车电池的soc，可以预报电池的状态并帮助使用者判断是否够骑行，防止半路电动车停电，提高使用时的安全性；并且在估算时考虑到温度的影响，会根据温度变化调整，保证在高低温下的估算结果仍具有很高的准确性。

[0089] 上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。