[发明专利]一种部署于主控的赛车电池SOC估计方法、装置及介质

说明书

本发明公开了一种部署于主控的赛车电池SOC估计方法、装置及介质，其中方法包括：建立电池各SOC阶段一阶电路等效模型，并进行各SOC阶段电池参数辨识，获得SOC与电池参数的对应关系；获取开路电压OCV与SOC的关系，得到OCV‑SOC曲线及方程；根据各SOC阶段电池模型参数，建立系统状态转移方程与观测方程；在Simulink中构建扩展卡尔曼滤波算法，并进行算法仿真；将仿真后的算法烧入车辆的主控进行滤波。本发明结合算法的模块化特点，将算法部署在主控中，部署过程简单，减少了算法部署对BMS硬件环境的依赖，降低了SOC算法部署的技术成本。本发明可广泛应用于电池SOC技术领域。

技术领域

本发明涉及电池SOC技术领域，尤其涉及一种部署于主控的赛车电池SOC估计方法、装置及介质。

背景技术

中国大学生方程式汽车大赛中的参赛赛车按照动力来源可分为燃油动力与电动力赛车。伴随着新能源汽车领域技术的不断发展，电动力赛车所受的关注度也在逐步提升。主控(Electric Control Unit，ECU)作为车辆的神经中枢，可实现数据转发交互及计算的功能。Simulink作为Matlab中的一种可视化仿真工具，以模块图环境作为基础，支持系统设计、仿真环境搭建以及仿真数据流可视化，便于实现代码的测试与离线验证。在大赛中，大部分车队采用华海RapidECU，支持Simulink图形化编程与烧入，具有学习成本低、自定义程度高及算法部署简单的特点。

电池作为电动力赛车动力的来源，对高压电池的荷电状态(State Of Charge，SOC)进行较高精度的估计，对于反映电池状态及车队制定比赛策略而言都具有重要意义。电池SOC估计算法一般部署于BMS内，但是国内赛事中大部分车队对BMS研究较浅，只能使用成品级的BMS，对BMS中的SOC估计算法难以实现修改与优化，仅有少部分车队实现了自制电池BMS。因此，虽然搭建SOC估计算法的成本较低，但是在电池BMS中进行算法部署对BMS的自制化程度具有较高要求，需要较高的研究设计成本，大多数车队难以实现。除此之外，常见的算法模块化程度较低，对于参赛人员而言，从搭建、验证仿真到嵌入整体算法框架的过程较为复杂，亦提高了算法的研发成本。

常见的SOC估计算法有安时积分法、开路电压法、神经网络法及扩展卡尔曼滤波法。安时积分法结构较为简单，代码实现难度较低，仅需采集电池放电电流即可完成估计，但是作为一种开环的积分算法，易受SOC初始误差、电流采集噪声以及误差累积的影响，造成SOC估计精度的下降；开路电压法是构建电池SOC与电池端电压之间的映射关系，通过采集端电压来估计SOC，使用时需要进行一段时间的静置来获取准确的开路电压，因此实用性较差；神经网络法则需要大量的数据进行模型的训练，成本较高，实用性较差；扩展卡尔曼滤波是目前SOC估计算法中使用较多的一种算法，适用于估计非线性系统，能够消除初始的SOC误差，并对传感器采集的噪声具有一定的抑制作用，但作为一种基于模型的算法，对电池模型的参数辨识具有一定要求，而电池的模型参数会随着电池SOC变化而变化，为算法引入误差。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种部署于主控的赛车电池SOC估计方法、装置及介质。

本发明所采用的技术方案是：

一种部署于主控的赛车电池SOC估计方法，包括以下步骤：

建立电池各SOC阶段一阶电路等效模型，并进行各SOC阶段电池参数辨识，获得SOC与电池参数的对应关系；

获取开路电压OCV与SOC的关系，得到OCV-SOC曲线及方程；

根据各SOC阶段电池模型参数，建立系统状态转移方程与观测方程；

在Simulink中构建扩展卡尔曼滤波算法，并进行算法仿真；

将仿真后的算法烧入车辆的主控进行滤波。

进一步地，所述建立系统状态转移方程与观测方程，包括：