专利名称：基于模型的电池迟滞性估计的制作方法
技术领域：
本公开内容涉及用于估计电池荷电状态的电池迟滞性估计。
背景技术：
准确可靠估计电池荷电状态对于电力管理、能源经济和电池寿命至关重要。电 池荷电状态难以直接测量。一种已知的电池荷电状态测量方法是从开路电压推断荷电 状态。不过，这样的已知方法的准确性不足。基于开路电压估计荷电状态受电池迟滞性 (hysteresis)的影响。电池内部的化学过程形成影响电池性能的历史依赖特性。对于任何 开路电压而言，可能存在荷电状态的范围，这取决于由过去的充电和放电循环所形成的状 况。基于开路电压或类似电系统性能估计电池荷电状态将得益于评估和计算历史的充电和 放电循环对荷电状态影响的方法。

发明内容
一种考虑电池迟滞性而估计电池的荷电状态的方法包括使用基于Preisach模 型的算法计算电池的荷电状态。


现在将参照附图通过示例描述一个或多个实施例，其中图1是例示出根据本公开内容的迟滞性模型的实施例的结构图；图2是根据本公开内容的示例性已知功能的图示；图3是根据本公开内容的示例性迟滞性模型的图示；图4是根据本公开内容的示例性基本迟滞的操作的图示；图5是显示出根据本公开内容的迟滞性的示例性理想系统的操作的图示；图6显示出根据本公开内容的通过增大输入而操作的示例性系统；图7显示出根据本公开内容的通过减小输入而操作的示例性系统；图8显示出根据本公开内容的通过增大输入而操作的示例性系统；图9显示出根据本公开内容的通过减小输入而操作的示例性系统；图10显示出根据本公开内容的通过增大输入而操作的示例性系统；图11是显示出根据本公开内容的迟滞性的示例性理想系统的操作的图示；图12是根据本公开内容的具有减小放电和充电深度的始于100% SOC的测试数 据；图13是根据本公开内容的依赖于温度的表示电池迟滞性的测试数据；图14是显示出根据本公开内容的示例性迟滞的图示；图14A是根据本公开内容的图14中所示的示例性迟滞正方形的图示；图15是例示出根据本公开内容的示例性荷电状态估计过程的结构图；图16是例示出根据本公开内容用于初始化图17中所示过程的方法的示例性实施例的流程图；图17是例示出根据本公开内容用于将测试数据转换为迟滞权值的方法的示例性 实施例的流程图；图18是例示出根据本公开内容用于初始化图19中所示过程的方法的示例性实施 例的流程图；和图19是例示出根据本公开内容用于将操作数据转换为荷电状态估计值的方法的 示例性实施例的流程图。
具体实施例方式现在参见附图，其中所示仅用于例示特定示例性实施例的目的，而不是用于限制 本发明，图1例示出根据本公开内容的迟滞性模型的示例性实施例的结构图。在此具体实 施例中的输入，即开路电压(“Voc")，通过被表示为H(_)的迟滞性模型而进给，并生成在 此具体实施例中的输出，即，荷电状态(“S0C" )。SOC是本领域的术语，用于描述电池中 可用的储存能量水平。Voc是当从电池终端上去除所有电路连接时电池能提供的电压测量 值。不过，Voc在操作系统中难以被测量，并可替代地可通过如下所述的能够容易测量到的 系统参数进行估计。迟滞性描述了系统输出依赖于历史状态的系统性能。SOC呈现出迟滞 性下的典型性能，其中在任何时候的可用SOC依赖于历史的充电和放电循环。图2图示出典型函数f(x)的性状。在此函数中，χ是输入，y是输出。函数f(x) 描述了如下性状对于给定的X，y是唯一值。代表可显示出迟滞性的系统的模型不能针对 给定输入提供唯一值。图3例示显示出迟滞性的系统。输入x(t)产生可通过模型H(-)描 述的输出y(t)。输出依赖于输入是否增大或减小，且输出还依赖于过去的循环在H(-)内的 何处终止。用于图示迟滞性性能的广泛采用的模型是Preisach模型。Preisach模型在本领 域中是公知的，在此将不进行详细描述；不过，Preisach模型的各方面大多涉及图4_11中 所示的本公开内容。图4例示出对于Preisach模型而言的基本元素的性状，所述基本元素 已知为基本迟滞(elementary hysteron)。基本迟滞用于描述能够实现基于输入χ (t)的_1 或1的二元输出。始于上阈值之下任意处，x(t)的输出保持为-1。仅当x(t)超过上阈值 时，输出才会偏移到1，其中，输出将保持为1，直到x(t)变得小于下阈值。对于下阈值之下 的任意χ (t)值而言，输出已知为-1，而对于上阈值之上的任意χ (t)值而言，输出已知为1。 对于上、下阈值之间的任意x(t)值而言，输出取决于最后经过哪个阈值。图4例示出Preisach模型的单一的基本迟滞。大多数Preisach模型包括被加 在一起的多个基本迟滞，其中，根据输入是否增大或减小，多个阈值先后作用以描述出交替 性状。在这样的Preisach模型中，基本迟滞用作二进制开关，从而当达到对应于每个基本 迟滞的单个阈值时影响输出。图5例示出这种Preisach模型H(-)的示例，其为具有适合 权值(weight)和偏移(shifting)的多个基本迟滞的总和。权值是每个基本迟滞的-1或 1的输入对于输出总体变动的贡献量度(measure)。在这种情况下，y (t)从O移动到1 ；假 定所有基本迟滞对于输出y(t)具有相同的贡献，则影响变化1的10个基本迟滞的权值为 0. 05。偏移是为了达到所希望的输出最小值和最大值而必须增加到标准基本迟滞输出的大 小的量度。在这种情况下，无偏移的加权的迟滞组将产生-0. 5至0. 5的输出；因此，在这种情况下需要0.5的偏移。H(-)根据输入x(t)是增大或减小而描述输出y(t)的性状。在 H(-)的增大部分，当y(t)等于零时，可以说H(-)的所有基本迟滞均关闭(switch off)。随 着x(t)开始增大，y(t)在零处保持平坦，直到x(t)达到第一阈值。随着x(t)继续增大， y(t)继续逐步增大，直到y(t)最终达到其峰值1。当y(t)等于1时，可以说H(-)的所有 基本迟滞均开启(switch on)。随着x(t)经历逆向过程，已经增大的x(t)的值开始减小， 发生相反的性状，其中，单个基本迟滞保持开启，直到达到其单个的阈值。随着x(t)减小， y(t)随着单个基本迟滞关闭而逐步减小，直到y(t)达到零。用于H(-)中的基本迟滞的数 量可增大，以更流畅地描述受到迟滞性影响的具体系统的性状。此外，应注意，图示曲线的 形状显示出理想系统的典型行为样式，而在实际系统中，曲线将很可能采取其它形状以通 过有差别地使各基本迟滞加权而指示非理想系统性能。另一图线用于基于记忆曲线描述Preisach模型H(-)的操作。示例性记忆曲线的 操作例示在图6-10中。轴线α描述增大的x(t)值，轴线β描述减小的x(t)值。参见图 6，被称为Preisach面20的三角形表示在其上限定有基本迟滞10的区域。可在任何时候计 算出输出y(t)，其为在整个Preisach面20上具有适合权值和偏移的基本迟滞的总和。从 左下至右上的斜线40表示α = β的线。x(t)的变化由可滑动地固定到α = β的线40 的点30表示。在此再参见图5，小的x(t)值存在于y(t) =0且所有基本迟滞10关闭之 处。参见图6，这样的小的x(t)数值将由在α = β线40上的左手下方极值上的α = β 线40上的点30呈现。对于x(t)的任何增大，在α = β的线40上的点30的高度处构建 延伸穿过Preisach面20的水平线50。随着χ (t)增大，点30在α = β的线40上向上向 右移动，水平线50相应向上移动，且处于水平线50之下的任何基本迟滞10均开启。用于描 述Preisach模型Η(-)的操作的示例性方法限定区域60，其在现有技术中有时被称为Α+， 其包含开启的基本迟滞(在图6中以"+"表示)；和另一区域65，在现有技术中有时被称 为Α—，其包含关闭的基本迟滞(在图6中以"表示)，这两种区域加在一起以包括整个 Preisach面20。随着x(t)继续增大，α = β的线40上的点30将继续向上向右移动，水 平线50之下的区域60将增大，且不可避免地，更多基本迟滞将开启，由此增多A+并减少Α_。 使用图6作为计算y(t)的示例，其为在整个Preisach面20上基本迟滞10的总和并实现 图5中的示例性权值和偏移从而反映出输出y(t)的1和0的最大值和最小值，图6图示出 的系统具有十个中六个基本迟滞开启(每个具有输出1)和十个中四个基本迟滞关闭(每 个具有输出-1)。因此，图6中示例性状态下的y(t)的值将为(6X 1+4X (-1)) X0.05+0. 5 =0. 6，其中，1为六个开启的基本迟滞的输出，-1为四个关闭的基本迟滞的输出，0. 05为所 有十个基本迟滞的权值，0. 5是偏移。图7例示出随着x(t)减小的逆向过程。应注意的是，此示例性实施例假定图6中 所示状况被实现而使得点30移动到α = β的线40的最右手上侧，由此使得区域60增大 并变得与Preisach面20重合。对于x(t)的任何减小，在α = β的线40上的点30将在 α = β的线40上向下向左移动。对于x(t)的任何减小，在点30处构建穿过Preisach面 20的竖直线70。随着x(t)减小，线70将向左移动，Preisach面20的在线70右方的任何 部分从区域60中被减去并被加到区域65。在线70右方的任何基本迟滞10对应于减小的 y(t)值，开启的基本迟滞10和关闭的基本迟滞10与y(t)值的如前所述的关系继续有效。 由于图7图示出的系统具有十个基本迟滞中七个开启的基本迟滞(具有输出1)和十个基本迟滞中三个关闭的基本迟滞(具有输出-1)，因而对于图7中的示例状态况而言，y(t)的 值将为(7 X 1+3 X (-1)) X 0.05+0. 5 = 0.7。随着x(t)继续减小，竖直线70将继续向左移 动，直到区域60减小至零，所有基本迟滞10将处于区域60之外。在前述的图5-7中所示状况下，x(t)的值始于一个极值并完全移动到另一极值。 图5中的合成的记忆曲线形成从左下向右上弯曲的增大线和从右上向左下弯曲的减小线。 图6-7中的对应的记忆曲线首先显示出水平线50，然后显示出从Preisach面20的一侧扫 到另一侧以增大或减小区域60或总的A+的竖直线70。不过，x(t)不需要从一个极值移动 到另一极值，记忆曲线用于通过x(t)的部分变动而量化迟滞状态。图8-10例示出区域60 和65通过x(t)的部分变动采取的形式并例示出由于所述部分变动所致的基本迟滞状态。 图8图示出x(t)从初始的小值增大至某值Α。如图6中所示，水平线50随α = β的线 40上的点30而向上移动，从而在Preisach面20上限定包含各基本迟滞的区域60 (阴影部 分)，由此描述出随A+增多和Α—减少的y(t)的值。图8中的区域60包括在水平线50之 下的所有Preisach面20。图9图示出χ(t)随后从值A减小至某值B。竖直线70形成，且 随着竖直线70向左移动，描述A+的区域60尺寸减小而失去在竖直线70右方的Preisach 面20的任何部分。由于x(t)仅减小至值B，因而保持在B处点30左方的区域保持为区域 60的部分。图10图示出x(t)随后从值B增大至某值C。水平线50形成，而随着水平线50 向上移动，Preisach面20上的描述A+的区域60尺寸增大。由于值C小于值A，因而限定 区域60的边界的线80形成台阶。如前所述，开启的基本迟滞10和关闭的基本迟滞10与 由A+和Α—描述的y(t)值的关系继续有效。显示出经历x(t)部分变动的迟滞性的系统可依照H(-)以及得到的y (t)值而显 示。图11例示的示例性系统经历的X(t)的部分变动类似于图8-10中所示步骤。如前所 述，模型中的基本迟滞的数量可改变，以加上或减少由y(t)计算的解。图11以更多的基本 迟滞替代图8-10的示例中作为模型的十个分立的基本迟滞，使得得到的H(-)曲线呈现为 连续状态。在图11中，可见x(t)始于某一小值并增大至某值Α。输出y(t)值如图5中的 前述示例中的y(t)那样运行，其首先缓慢增大并然后逐渐向上倾斜。不过，不同于图5中 所示H(-)曲线的是，在此示例性实施例中的x(t)在值A处停止增大并开始减小至某值B。 虚线90图示出假使x(t)增大至其极值时H(-)原本将会遵从的边界状况。而实际上，H(-) 在其逆向点处模仿图5中的H(-)，y(t)初始首先缓慢减小并然后逐渐向下倾斜。随着x(t) 达到值B，x(t)停止减小并开始增大至某值C。H(-)再次模仿前述样式，y(t)在达到至值 C的过程中首先缓慢增大且斜率逐渐增大。以这种方式，Preisach模型可用于估计显示出 迟滞性性能的系统的性能。测试已经显示出，电池荷电状态显示出通过充电和放电循环形成的迟滞性的性 能。图12和13图示出示例性NiMH电池经过多次充电和放电循环所得的测试结果。图12 展现出显示H(-)边界内部迟滞回路的一组环，而图13展现出显示不同温度下H(-)边界 内部迟滞回路的三组环。图线显示出输出SOC(t)不是通过Voc值而功能性地确定，而是， SOC(t)根据电池最近是否被充电或放电并根据电池的历史状态而变化。图12和13证实， 实际系统的性能如图11所预计的那样。如前所述，理想的输出y(t)(例如，如图11中所示)可通过将由成组的基本迟滞 所描述的Preisach迟滞性模型H(-)应用于成组的权值和描述y (t)的偏移因子而估计，其中偏移因子的值在y(t)的最大值与y(t)的最小值之间移动。每个迟滞状态可通过迟滞状 态指数w描述。为了描述模型内的基本迟滞的状态，η维矢量w(t)可被限定以描述特定基 本迟滞的状态，使得w(t) = [wi;w2, -,wk,…，wn]T，其中，η等于基本迟滞的数量。这种迟 滞状态的描述W(t)，乘以由μ = [μ1 μ2, μ,,…，μ n] T限定的成组的权值(μ为与状态 矢量w具有相同维数的权值矢量)，可用于描述理想系统的输出。如果所有权值相同，则这 种计算产生如图11中所示的均勻卵形样式，其中具有在y(t)最小值处的最低值和在y(t) 最大值处的最高值。非理想系统，例如在图12和13中反映的系统，不形成如图11中的均勻样式。考虑 非理想系统的固有低效性的方法是，将唯一权值应用于每个基本迟滞，从而反映出低效性 的变形影响。用于基本迟滞的权值是基本迟滞对整个迟滞性的贡献的量度，并可通过基于 某些实验室数据的离线训练而确定。基本迟滞的特定权值μ k可作为每个基本迟滞的因子， 以对于y(t)的最小值和最大值将每个基本迟滞修正以考虑实际系统低效性并修正整体迟 滞设定。权值可被表示为η维的权值矢量μ。应注意，μ随温度变化，并在一些现有技术 中被表示为温度T的函数，例如μ (T)0用于训练目的而进行的测试在多个温度下执行，以 允许调节车辆内的温度。不过，一旦温度值被设定且适合的μ值被选定，则输出SOC(t)仅 基于确定基本迟滞状态w的输入Voc (t)，而与温度无关。在车辆中，通过温度传感器测量 电池温度。根据测量到的温度，可选择不同值的权值因子μ，并将其应用于基本迟滞状态。 结果，可通过SOC(t) = yTw(t) =+ (其中T为矢量的转置矩阵)而算 出普通电池迟滞性的计算值(其中输出为电池S0C)。如前所述，基本迟滞的数量决定Preisach模型的得到实施例中产生的迟滞性曲 线的解。具有极少基本迟滞的Preisach模型，例如如图5中所示的模型，对于诸如电池SOC 估计系统之类的复杂系统将是不实用的。在台阶样式的一侧或另一侧上所导致的最终误差 可能引起电池中SOC的严重误判。结果，非常优选的是，在Preisach模型中使用大量基本 迟滞，以在得到的迟滞性模型中消除台阶样式。不过，在将前述公式用于SOC时，由于基本 迟滞的数量增大，因而必须收集和列表的迟滞特定权值μ &的数量也增大。这些基本迟滞 及其特定权值可能对车内(on-board)算法而言是过多的和繁重的，并增大了在SOC计算中 将被执行的计算的复杂度。已发现，在一些实施例中优选的是，限定迟滞分组(多个迟滞)， 其中，在一组中的基本迟滞的状态值Wk通过每个被分组的迟滞平均而得。以这种方式，迟 滞内的基本迟滞状态的平均值可用作平均值。整个模型将对开启和关闭的单个基本迟滞保 持敏感性，不过曲线整体性能是通过一些被分组的迟滞进行平均而得。由于单个基本迟滞 的值被平均成迟滞，因而此具体实施例将以迟滞的数量替代基本迟滞的总数量的值η。迟滞 基于存在于每个迟滞内的基本迟滞状态而生成w (t)，使得针对每个迟滞的Wk构成该迟滞内 的所有二元迟滞状态的平均值。迟滞特定权值P k然后被应用于每个迟滞，以减小与收集 和罗列μ相关的负担从而在线更新迟滞状态。这些迟滞特定权值平均每个迟滞内包含的 各基本迟滞的权值，使得在整个迟滞内的权值影响近似化，而不需要计算和罗列与每个基 本迟滞相关的每个权值。迟滞在记忆曲线上的使用被例示在图14中。图示出包含多个基本迟滞的示例性 Preisach面20。区域60 (阴影部分)图示出Preisach面20上基本迟滞开启的地域。线 80图示出区域60的边界。在所显示的示例性实施例中，迟滞采取迟滞正方形100的形式。不过，应认识到，可使用任意迟滞形状对迟滞状态数据进行平均，只要所有基本迟滞均被考 虑在内即可，由此将基本迟滞状态的总和返回用于SOC计算。迟滞正方形100以均勻样式 铺在Preisach面上，所述迟滞正方形以具有L行和L列的阵列而排列。图14A例示出具体 迟滞正方形100的近视图。针对将用于SOC计算的此具体迟滞正方形100的值Wk通过算 出在基本迟滞开启的区域A+110(阴影部分)与基本迟滞关闭的区域^120间的面积之差而 确定。基于在迟滞上的区域110和120的面积计算w(t)在下文中参照图16-19更详细描 述。针对每个迟滞正方形的Wk值然后与Pk相结合用于SOC计算。结果得到的SOC计算值 保持有大量基本迟滞的大多数解，而同时减少了与应用μ相关的计算、数据存储和训练的 负担。图15例示出示例性的SOC估计过程200，其中从电池系统收集数据并将迟滞性模 型应用于这些数据以生成soc(t)计算值。在此示例性实施例中，采用电池电压、电池电流 和系统温度形式的输入被输送通过电池参数估计算法210以生成Voc (t)估计值。Voc (t) 然后被输送进估计算法220，其中，首先迟滞计算过程230限定w (t)，其次SOC计算过程240 将μ应用于w(t)以生成SOC(t)。通过这种方式，估计过程200容易地从电池系统中取得 可用数据，并生成基于迟滞性模型的SOC估计值。如图15中所示，SOC估计算法220涉及首先基于输入Voc (t)产生w(t)，然后将 权值矢量μ应用于w(t)以生成soc(t)。如前所述，权值矢量y必须基于从实验室收集的 真实电池迟滞性数据而训练，从而使用基于迟滞性的模型准确估计S0C。在图16-17描述的 示例性过程中，通过真实电池迟滞性数据训练权值矢量μ。在图18-19描述的过程中，权值 矢量μ —旦通过该过程训练完毕，则在所述模型内应用以执行车内SOC计算。由于迟滞性需要数据的历史应用环境以准确地确定输出，因而需要知悉开始确定 Η(-)性质的迟滞性数据的初始起始点。为了训练实验室收集的数据，要控制电池迟滞性始 于最低点(最小SOC = 0% )或最高点(最大SOC = 100% )0图16例示出示例性过程 400，其中，实验室数据用于初始化w(t)以实现训练权值矢量μ的目的。在步骤410收集 包括单一 Voc数据点和对应的实际SOC测量值的实验室数据。步骤420确定所收集的数 据点是否指示出模型在一个边界状况(放电边界，即，从最大SOC减小的边界)下运行，若 是，则方框440内的步骤用于确定针对此数据点的初始迟滞状态。如果所收集的数据点指 示出模型在另一边界状况(充电边界，即，从最小SOC增大的边界)下运行，则方框430内 的步骤用于确定针对此数据点的初始迟滞状态。方框430和方框440均执行反复计算，以 系统地分析i行和j列的迟滞阵列并针对每个迟滞确定A+和A_以在步骤450确定wk。在 步骤460选择μ的初始值、μ的工作估计值，并应用于步骤470。步骤470应用SOC计算 值以生成SOC估计值(SOCest)并基于SOCest与实际SOC样本的比较而提供只的初始修正。过 程400设定用于初始化w(t)的框架并设定如图11中所示的H(-)图线上的第一点以设定 用于此后各点分析的历史应用环境。一旦Voc(t)和SOC(t)的初始关系通过第一数据点确定，则其它的数据点可用于 开始绘出H(-)和计算μ。图17例示出示例性过程500，通过过程500实验室数据与在过 程400中获得的初始信息结合使用，以绘出对于给定系统的Voc(t)与S0C(t)的关系并由 此得出μ的值。步骤510接收来自初始化过程400的输出。步骤520接收来自与Voc相 关的和对应的实际SOC测量值的测试数据的输入。步骤530和540评估当前输入的Voc估计值并将其与最后的Voc估计值比较，所述最后的Voc估计值在第一次反复过程500时为 用于初始化过程400的第一 Voc估计值。如果Voc不变，则w(t)保持不变。如果Voc减 小，则方框550内的步骤执行反复步骤，以限定在用于限定w(t)的步骤570中所用的迟滞 状态。如果Voc增大，则方框560内的步骤执行重复步骤，以限定在用于限定w(t)的步骤 570中所用的迟滞状态。步骤580应用SOC计算值以生成SOCest，并基于SOCest与实际SOC 样本的比较提供对 的修正。步骤520至580对每个可用数据点重复进行，每次重复使众值 更精确。一旦所有数据点评估完毕，则通过各&值训练μ，训练过程完成。应注意，当测试 数据完全获取到边界状况和边界状况内部的回路时，实验室数据将最有效地估计μ。一旦训练完毕，μ可用于车辆中，其中所述车辆具有与生成实验室数据以训练模 型的系统相似的电池构造。用于车内估计SOC的过程类似于用于训练模型的过程，其中，首 先必须初始化第一 W (t)，然后μ可应用于SOC计算中以形成SOC估计值。图18例示出初 始化过程600，其中例示出用于设定w(t)初始值的车内方法。w(t)的值可基于来自过去操 作循环的w(t)值。在切断(key-off)循环过程中，电池可能有时合理地保持内部状态，随 着时间增长，由于最后的切断事件，从而电池的内部化学状态可能变化，由此改变通过迟滞 性模型描述电池的固有性能。结果，过程600在步骤610测量从最后的切断事件开始的时 间t。ff，并收集Voc估计值。步骤620将t。ff与一些选定的关键切断时间进行比较。如 果t。ff超过，则在方框630内的步骤中w(t)被重置以指示电池迟滞性始于放电边界， 类似于图16的方框440内的步骤。如果t。ff小于t,eset，则在方框640内的步骤使用最后的 w(t)作为基线以计算更新的w(t)。然后，步骤650使用w(t)计算SOC初始估计值。图19示出过程700，其例示出基于Voc (t)输入确定SOC(t)估计值的车内方法。 步骤710从初始化过程600接收w (t)形式的输出。步骤720接收Voc(t)和I的输入。步 骤730和740确定电池的Voc (t)的状态以确定电池是否充电、放电或处于停用状态。如果 Voc (t)保持不变，则迟滞和估计的SOC (t)将保持不变。如果Voc(t)变化，则SOC(t)将相 应增大或减小。方框750和760内的步骤计算出对应于Voc (t)变化的w(t)，结果得到的 w(t)与训练后的μ值一起用于步骤770中以计算S0C(t)估计值。步骤780确定是否电池 继续操作和是否启动另一次对过程700的反复操作，以计算新的S0C(t)估计值。如果操作 结束，则步骤790将w(t)的值存储在记忆位置，以在此后用于如前所述的过程600中。本公开内容已经描述了特定优选实施例以及对其的修改。在阅读和理解本申请文 件的基础上，他人可以进行进一步的修改和变化。因此，本公开内容不限于作为实施本公开 内容可想到的最佳模式而公开的具体实施例，而是，本公开内容将包括处于所附权利要求 书范围内的所有实施例。
权利要求
一种考虑电池迟滞性而估计电池荷电状态的方法，包括使用基于Preisach模型的算法计算电池荷电状态。
2.如权利要求1所述的方法，其中，所述使用所述算法包括 考虑所述电池的荷电状态的最小值和最大值而限定迟滞状态矢量； 训练迟滞特定权值矢量以匹配于所述电池的典型性能；和 将与所述电池相关的数据输入应用于所述算法。
3.如权利要求2所述的方法，其中，所述迟滞状态矢量包括迟滞状态。
4.如权利要求3所述的方法，其中，所述迟滞状态包括单个基本迟滞的分组。
5.如权利要求2所述的方法，其中，所述迟滞状态矢量包括基本迟滞。
6.如权利要求2所述的方法，其中，所述迟滞特定权值矢量初始地通过迟滞特定权值 来训练。
7.如权利要求6所述的方法，其中，所述训练包括处理通过循环测试电池而收集的测试数据，所述循环可操作以获取边界迟滞回路和内 部迟滞回路。
8.如权利要求2所述的方法，其中，所述数据输入包括开路电压。
9.如权利要求8所述的方法，其中，根据在所述电池处于充电或放电状态时可得的参 数估计所述开路电压。
10.如权利要求2所述的方法，其中，所述数据输入包括电池电压、电池电流和温度。
11.如权利要求1所述的方法，其中，所述使用所述算法包括 限定具有所述Preisach模型特征的基本迟滞性曲线；基于训练数据而通过迟滞特定权值对所述基本迟滞性曲线进行加权； 偏移所述基本迟滞性曲线，从而使所述算法的输出范围匹配于实际电池荷电状态的范 围；和将与所述电池相关的数据输入应用于所述算法。
12.如权利要求11所述的方法，其中，所述训练数据包括通过循环测试电池而收集的测试数据，所述循环可操作以获取边界迟滞回路和内部迟 滞回路。
13.如权利要求11所述的方法，其中，所述实际电池荷电状态的范围包括对应于充满 电的电池的荷电状态的最大值和对应于完全放电的电池的荷电状态的最小值。
14.如权利要求11所述的方法，其中，数据输入包括开路电压。
15.如权利要求14所述的方法，其中，所述开路电压根据在所述电池处于充电或放电 状态时可得的参数进行估计。
16.如权利要求11所述的方法，其中，所述数据输入包括电池电压、电池电流和温度。
全文摘要
一种考虑电池迟滞性而估计电池荷电状态的方法包括使用基于Preisach模型的算法计算电池荷电状态。
文档编号G01R19/00GK101946187SQ200980105680
公开日2011年1月12日 申请日期2009年2月11日 优先权日2008年2月19日
发明者B·J·科赫, D·R·弗里希, X·唐, X·张, Y-K·钱 申请人:通用汽车环球科技运作公司