[发明专利]电池荷电状态的确定方法、装置、计算机设备及存储介质

说明书

本申请涉及一种电池荷电状态的确定方法、装置、计算机设备和存储介质，根据电池模型参数的当前值及电池模型参数的估计值，确定优化目标，电池模型参数用于指示电池的工作状态，电池模型参数的估计值是根据噪声组的数值计算得到的；通过不断调整噪声组的数值大小，直至确定满足预设条件的优化目标结果，将满足预设条件的优化目标结果所对应的电池模型参数的估计值，作为当前电池模型参数的最终值。在传统的卡尔曼滤波算法计算SOC的基础上，增加基于粒子算法的优化目标，可在离线时通过优化目标对噪声进行优化，提高SOC计算方法的精确度和计算速度，并且减小计算过程受噪声的影响。

技术领域

本发明属于动力电池技术领域，具体涉及一种电池荷电状态的确定方法、装置、计算机设备和存储介质。

背景技术

电动汽车越来越普及，电池、电机、电控是电动汽车上的三大核心技术。电池管理系统BMS(Battery management system)是动力电池的大脑，负责监控、协调、诊断、维护电池的各个模块，BMS性能的优劣直接关系着动力电池的性能、寿命、安全。电池荷电状态SOC计算作为BMS中的核心算法，其计算精度直接影响着BMS性能的优劣。

常用的电池荷电状态SOC(State of charge)的计算方式主要有以下几种方式：安时积分法、开路电压法、神经网络估计法、卡尔曼滤波法。安时积分法通过电流对时间的积分来计算SOC，这种算法虽然简单，但是由于存在积分环节，一旦电流测量存在误差，SOC计算误差值会越来越大；开路电压法通过测量电池端电压，并通过查询开路电压-荷电状态关系表来获得SOC，采用这种方法的前提是电池要有充分的静置过程，所以这种方法不适用于BMS在线估计SOC；神经网络估计法，通过大量的数据样本来训练模型，从而得到SOC估计值，但是由于需要的训练样本量极大，且对BMS运算能力要求极高，这种方法也不适用于BMS在线估计SOC；卡尔曼滤波方法中存在闭环状态观测器，在模型参数比较准确的前提下，该方法的计算精度非常高，但是该方法对参数的精度要求比较高，传统的卡尔曼滤波方法采用固定的参数，在实际运用过程中，受到传感器噪声等不确定因素的影响，该方法的计算精度反而会比较低，因此传统的卡尔曼滤波方法不适用于BMS在线估计SOC。

综上所述，有必要开发一种精确度高、计算速度快、受噪声影响小的SOC计算方法。

发明内容

基于此，有必要针对上述技术问题，提供一种精确度高、计算速度快、受噪声影响小的SOC计算方法、装置、计算机设备和存储介质。

一种电池荷电状态的确定方法，该方法包括：

根据电池模型参数的当前值及电池模型参数的估计值，确定优化目标，电池模型参数用于指示电池的工作状态，电池模型参数的估计值是根据噪声组的数值计算得到的，电池模型参数包括电池荷电状态；

通过不断调整噪声组的数值大小，直至确定满足预设条件的优化目标结果，将满足预设条件的优化目标结果所对应的电池模型参数的估计值，作为当前电池模型参数的最终值。

在其中一个实施例中，电池模型参数包括电池端电压；相应地，电池端电压的当前值的获取过程，包括：

若电池管理系统的断电时长超过第一预设阈值，则唤醒电池管理系统，并记录电池的当前开路电压作为电池端电压的当前值。

在其中一个实施例中，电池荷电状态的当前值的获取过程，包括：

若电池管理系统的断电时长超过第一预设阈值，则唤醒电池管理系统，并记录电池的当前开路电压作为电池端电压的当前值；

根据电池端电压与电池荷电状态之间的关系曲线，确定电池端电压的当前值所对应的电池当前荷电状态，电池端电压与电池荷电状态之间的关系曲线是电池出厂时携带的数据。