CN107110916B - 电池组的电池单元的充电状态的自动估计方法 - Google Patents

Abstract

本发明涉及一种用于估计电池单元的充电状态的方法，该方法包括以下步骤：‑只要参数的值未超过预定阈值，就禁止(164)完整地执行用于估计电池单元的容量C_n,k3的算法，其中从电池单元的端子之间的电压的测量值y_k、估计的电池单元的充电状态SOC_k以及在时刻k和先前时刻之间电池单元的放电电流量Q_k中选择所述参数，然后–当所述参数在参数是测量值y_k或估计的充电状态SOC_k的情况下下降到低于预定阈值或在所述参数是放电电流量Q_k的情况下上升到高于预定阈值时，启动(164)完整地执行用于估计容量C_n,k3的算法。

Description

电池组的电池单元的充电状态的自动估计方法

技术领域

本发明涉及电池组的电池单元的充电状态的自动估计方法，以及用于实施该方法的存储介质和电池组管理***。本发明还涉及包括该电池组管理***的机动车辆。

背景技术

已知的用于估计电池组的电池单元的充电状态的方法包括：

-在时刻k重复以下步骤：

a)在时刻k获取该电池单元的端子之间的电压的测量值y_k和对电池单元进行充电或放电的电流的测量强度i_k，

b)在时刻k根据测量值y_k、测量强度i_k和电池单元的容量C_n,k3来估计该电池单元的充电状态，该容量C_n,k3以Ah表示，其代表在时刻k3能够储存在该电池单元中的最大电能量，所述时刻k3是最接近时刻k的已经估计容量C_n,k3的时刻；以及

-利用电子处理器完整地执行用于根据在时刻k3所测量的强度i_k3来估计容量C_n,k3的算法，所述时刻k3不如时刻k频繁。

这种方法在以下文献的部分3中进行描述：L.Plett等：“Extended Kalmanfiltering for battery management systems of LiPB-based HEV battery packs”，Journal of Power Sources，2004年，第252-292页。在下文中，该文献用缩写“Plett 2004”来指代。

特别地，Plett 2004表明用于估计电池单元的充电状态的状态模型的参数(比如容量C_n,k3)比电池单元的充电状态变化慢得多。因此，这给出了以比执行电池单元的充电状态估计的频率更低的频率来执行容量C_n,k3的估计的原因。特别地，因此可以降低执行该方法所需的计算功率，而不会降低对电池单元的充电状态的估计精确性。然而，设置估计容量C_n,k3的频率并不简单。另外，已经观察到，估计容量C_n,k3的频率的选择对获得的估计精确性具有直接的影响，并且在估计容量C_n,k3的频率与电池单元的充电状态的估计精确性之间没有简单关系。

还由US2012/133369A1和US2006/100833A1已知现有技术。

发明内容

本发明旨在解决这一缺点。因此，其主题之一是一种电池单元的充电状态的自动估计方法。

响应于阈值被越过而自动触发容量C_n,k3的估计的事实允许执行该估计的频率自动适应于电池单元的实际使用。此外，特别地，所要求保护的方法中的预定阈值的选择使得可以避免在不必要如此时对容量C_n,k3进行估计。因此，这限制执行该方法所需的计算功率而不降低对该容量的估计精确性。此外，只有在充电状态阈值或电压阈值或流量传递阈值已经被越过时才触发对容量C_n,k3的估计，使得可以在电池单元的每个充电和放电循环中仅进行一次估计，这在很大程度上足以精确地估计该容量。

所述估计方法的这些实施例另外具有以下优点：

-在每个时刻k通过仅计算容量的预测值而不修正该预测值来估计该容量C_n,k3，使得可以在每个时刻k从容量C_n,k3的最新估计中获益。因此，提高了电池单元的充电状态的估计精确性。此外，由于计算预测值的步骤比修正该预测值的步骤需要更少的计算功率，这并不显著增加所需的计算功率。

-仅在测量的强度i_k超过预设阈值时才触发对内阻RO_k2的估计，允许提高该内阻的估计精确性。具体而言，这里利用的是当测量的电流强度越高时电流计的测量值更精确的事实。因此，通过仅在电流强度高的情况下估计内阻，能够提高该内阻的估计精确性，同时降低执行该估计方法所需的计算功率。

-在每个时刻k通过仅计算该内阻的预测值而不修正该预测值来估计内阻RO_k2，使得可以在每个时刻k从内阻的最新估计中获益。因此，提高了电池单元的充电状态的估计精确性。此外，由于计算预测值的步骤比修正该预测值的步骤需要更少的计算功率，这并不显著增加所需的计算功率。

-使用在内阻RO_k2的两次连续估计之间测量的N个值y_k来估计该内阻允许提高该估计的精度。

本发明的另一主题是一种数据存储介质，其包括指令，所述指令用于在这些指令被电子处理器执行时执行上述自动估计方法。

本发明的另一主题是一种用于管理电池组的***。

最后，本发明的另一主题是一种机动车辆。

附图说明

阅读仅作为非限制性示例给出的并参照附图做出的以下说明，将更好地理解本发明，在附图中：

-图1是配备有电气电池组的机动车辆的局部示意图，

-图2是图1的车辆的电池组的电池单元的电气模型的示意图，

-图3是被用于估计图1的车辆的电池组的电池单元的充电状态的估计器布置的示意图，

-图4至9示出图3的估计器所使用的不同状态模型和观测模型的方程，

-图10是用于借助于图3的估计器来估计电池单元的充电状态的方法的流程图，

-图11是图1的车辆的电池组的充电状态确定方法的流程图，

-图12是用于对电池组的不同电池单元的充电状态估计的刷新时刻进行规划的方法的流程图，

-图13是示出借助于图12的方法规划的不同刷新时刻的时序图，

-图14是被用于估计图1的车辆的电池组的电池单元的充电状态的另一估计器布置的示意图，

-图15和16分别示出图14的估计器所使用的状态模型和观测模型，

-图17是用于借助于图14的估计器来估计电池单元的充电状态的方法的流程图，

-图18是用于预测电池组的电池单元的内阻和电容的另一可行状态模型的图示。

具体实施方式

在这些图中，相同的附图标记被用于指示相同的元件。在本说明书的其余部分中，本领域的技术人员所熟知的特征和功能未详细地描述。

在本说明书中，“计算功率”指电子计算器所执行的操作数量。因此，减小计算功率意味着减小为了达到相同结果或相同性质的结果所要实施的操作数。

图1示出电牵引式机动车辆2，其更广泛地称为“电动车辆”。电动车辆是众所周知的，并且仅呈现了理解本说明书的其余内容所必需的结构性元件。车辆2包括：

-电动马达4，其能够转动地驱动动力轮6以使得车辆2沿道路8行驶，以及

-电池组10，其给马达4提供电能。

电池组10包括用于电连接的两个端子12、14和在这些端子12和14之间电连接的多个电气电池单元。端子12和14连接到待供电的电负载。在此，这些端子因此尤其连接到电动马达4。

为了简化图1，仅示出四个电气电池单元18至21。这些电气电池单元通常成组为多个级并且这些级串联地连接在端子12和14之间。在此，仅示出两个级。第一级包括电池单元18和19，而第二级包括电池单元20和21。每个级包括并联连接的多个分支。级的每个分支包括一个电气电池单元或串联的多个电气电池单元。在此，第一级包括两个分支，并且每个分支包括单个电气电池单元。在图1中示出的示例中，第二级与第一级在结构上是相同的。

在此，电池组10的所有电池单元除制造公差以外在结构上是相同的。因此，现在仅会更详细地描述电池单元18。

电池单元18包括将其电连接到其他电池单元以及电池组10的端子12和14的两个电连接端子30、32。电池单元18还无自由度地机械固定到电池组10的其他电池单元，以形成通常所称的电池单元“包”。电池单元18能够在不被使用时储存电能。这种储存的电能然后被用于给马达4供电，这使得电池单元18放电。替代地，电池单元18也可以接收为其充电的电能。电池单元完全放电随后进行其完全重新充电构成所谓的充电/放电循环，或在下文中被简单地称作“电池单元循环”。

电池单元18是已知类型的电池单元，例如是LiPB(锂离子聚合物电池组)或其他电池单元。

电池单元18由初始标称容量C_n ⁱⁿⁱ、初始内阻ROⁱⁿⁱ、电流强度I_max、最大电压U_max、最小电压U_min和函数OCV(SOC_k)表征。容量C_n ⁱⁿⁱ是电池单元18的初始容量。电池单元的容量代表能够被储存在该电池单元中的最大电能量。该容量用Ah表达。随着电池单元18老化，即随着充电和放电循环的数量增加，电池单元的容量减小。电池单元18在时刻k的标称容量应记为C_n,k。

初始内阻ROⁱⁿⁱ是电池单元18在其开始老化之前的内阻值。电池单元的内阻是电气电池单元的大部分电气模型中所具有的物理量。当电池单元老化时，内阻通常增大。电池单元18在时刻k的内阻被记为RO_k。

I_max是电池单元18在不会损坏的情况下所能够传送的最大电流强度。

U_max是可以持续存在于电池单元的端子30和32之间而不损坏该电池单元的最大电压。

电压U_min是电池单元18完全放电时端子30和32之间的最小电压。在下文中，我们将会认为I_max、U_max、U_min是不随着时间过程而变化的恒定物理量。

OCV(SOC_k)是根据电池单元18的充电状态SOC_k来返回电池单元18空载电压的预定函数。空载电压是在电池单元18已经与任何电负载电绝缘两个小时之后在端子30和32之间能够测得的电压。

电池单元18在时刻k的充电状态被记为SOC_k。充电状态代表电池单元18的填充率。其在储存在电池单元18中的电能量等于其容量C_n,k时等于100％。其在储存在电池单元18中的电能量为零、即不再能从电池单元18提取电能以给电负载供电时等于0％。

参数C_n ⁱⁿⁱ、ROⁱⁿⁱ、I_max、U_max、U_min和函数OCV(SOC_k)是电池单元的已知参数。例如，这些参数由电池单元的制造商提供，或根据在该电池单元上实施的测量来实验性地确定。

电池组10还对于每个电池单元包括：

-测量该电池单元的端子之间的电压的电压计，以及

-测量该电池单元的充电或放电电流强度的电流计。

为了简化图1，仅示出电池单元18的电压计34和电流计36。

与电池单元18的所述各个参数不同，电池单元18的充电状态SOC_k不能够被测量。因此需要对其进行估计。为此，车辆2包括用于管理电池组10的***40，或BMS(电池组管理***)。该***40的功能尤其在于确定电池组10的充电状态以及该电池组的健康状态。为了确定该充电状态和该健康状态，***40能够估计电池组10的每个电池单元的充电状态和健康状态。电池单元的健康状态代表该电池单元的老化进程状态。在此，电池单元在时刻k的健康状态被记为SOH_k。在下文中，该健康状态由比值C_n,k/C_n ⁱⁿⁱ来测量。为了计算电池单元的健康状态，***40因此还能够估计该电池单元在当前时刻k的容量C_n,k。

为了执行这些各个估计，***40电连接到电池组10的每个电压计和每个电流计，以获取每个电池单元的端子之间的电压和电流强度的测量。

在此，***40包括存储器42和能够执行保存在存储器42中的指令的可编程电子计算器44。为此，存储器42包括执行图10至12和/或图17的方法所必需的指令。该存储器42还包括执行这些方法所必需的不同参数的初始值。***40的结构因此与已知电池组管理***的结构相同或相似，并且不再更详细地说明。

图2示出电池单元18的电气模型50。该模型称为“一阶Thévenin模型”或“集中参数模型”。该模型包括从端子32开始直至端子30相继串联地连接的：

-空载电压OCV(SOC_k)生成器52，

-并联RC电路54，以及

-内阻56，在下文中其在时刻k被称作“内阻RO_k”。

电路54包括电容器C_D，其与值为R_D的电阻器并联连接。在下文中，我们将认为模型50的这两个参数C_D和R_D是已知的并且是随时间恒定的。电路54的端子处的在时刻k的电压记为V_D,K。电池单元18的端子30和32之间的电压在时刻k的值记为y_k，并且电池单元18的充电或放电电流强度在相同时刻记为i_k。

图3示出实施在***40中用于估计电池单元18的充电状态和健康状态的估计器的布置的第一实施例。每个估计器都以由计算器执行的估计算法的形式来实施。由此，下文既会说“执行估计器”也会说“执行估计算法”。在该第一实施例中，***40包括用于基于电压的测量值y_k和测量强度i_k来估计充电状态SOC_k和电压V_D,K的估计器60。估计器60在此以卡尔曼滤波器的形式来实施。该估计器因此使用状态模型62(图4)和观测模型64(图5)。在这些图4和5中，通过使用此前限定的符号来表示这些模型的方程。符号RO_k2和C_n,k3分别代表电池单元18分别在时刻k2和k3的内阻和容量。这些时刻k2和k3会在下文中限定。此外，在模型62中，x_k指代时刻k的状态向量[SOC_k,V_D,K]^T。在本说明书中，符号“^T”指代数学转置运算。乘法运算用运算符“·”或“*”表示。

在下文中，我们会假设起始时间对应于时刻k的零值。在这些条件下，当前时刻k等于kT_e，其中T_e是用于电池组10的电流计和电压计的测量的采样周期。由此，T_e是分隔通过***40获取电压和电流强度的任何两个相继时刻k和k-1的时间周期。周期T_e通常是从0.1s到10s的常数。在此，周期T_e等于1s±20％。例如，T_e等于一秒。

在模型62中，w_k是状态噪声向量。在此，噪声w_k是居中的(centered)高斯白噪声。该噪声代表所用模型的不确定性。噪声w_k在时刻k的协方差矩阵记为Q_k。其由以下关系式限定：Q_k＝E(w_k*w_k ^T)，其中E(…)是数学期望函数。模型62也以X_k+1＝F_kx_k+B_ki_k+w_k的形式写出，其中：

-F_k是时刻k的状态转换矩阵，

-B_k是时刻k的控制向量。

模型62尤其允许根据之前的充电状态SOC_k来预测时刻k+1的充电状态SOC_k+1。

模型64允许根据充电状态SOC_k、电压V_D,K和测量强度i_k来预测时刻k的电压值y_k。在该模型中，v_k是居中的测量高斯白噪声。在下文中，噪声v_k在时刻k的协方差矩阵记为R_k。在于此描述的具体情况中，该矩阵R_k是具有单列和单行的矩阵。其由关系式R_k＝E(v_k*v_k ^T)来限定。该噪声v_k独立于噪声w_k和初始状态向量x₀。

要指出的是，模型64是非线性的，这是因为函数OCV(SOC_k)一般是非线性的。因此，估计器60实施卡尔曼滤波器的扩展版本，更常称为EKF(扩展卡尔曼滤波器)。在该扩展版本中，通过使模型64在向量x_k的邻域中线性化而以y_k＝H_kx_k+RO_k2.i_k+v_k的线性观测模型的形式结束。通常，模型64在向量x_k的邻域中展开为泰勒级数。然后，忽略自第二阶起的导数的影响。在此，矩阵H_k因此等于函数OCV在充电状态SOC_k的邻域中的一阶导数。模型64的这种线性化通常对于充电状态SOC_k的每个新值实现。

为了能够估计充电状态SOC_k+1，估计器60需要获悉容量C_n,k3和内阻RO_k2。电池单元18的容量和内阻随着其老化而变化。为了考虑这种老化，电池单元18的容量和内阻分别在时刻k3和k2来估计。在此，估计器66根据测量值y_k2、测量强度i_k2和充电状态SOC_k2来估计内阻RO_k2。另一估计器68根据强度i_k3和充电状态SOC_k3来估计容量C_n,k3。

电池单元18的内阻和容量比其充电状态变化得更慢。由此，为了限制估计电池单元的充电状态所要求的计算功率而不因此损害该估计的精确性，估计器66和68比估计器60执行得较不频繁。在下文中，估计器66和68的执行时刻分别记为k2和k3，以与时刻k区分。在此，时刻k2的集合和时刻k3的集合是时刻k的集合的子集。因此，在两个相继时刻k2和k2-1之间以及两个相继时刻k3和k3-1之间经过了多个周期T_e和多个时刻k。

这些估计器66和68各自也以卡尔曼滤波器的形式来实施。估计器66使用状态模型70(图6)和观测模型72(图7)。在这些模型中，噪声w_2,k2和v_2,k2是居中的高斯白噪声。噪声w_2,k2和v_2,k2的协方差在下文中分别记为Q_2,k2和R_2,k2。观测模型72允许我们对能够直接测量的物理量u_k2的值进行预测。物理量u_k2在此是最后N个测量值y_k的和。其由以下关系式限定：

N是严格大于一的整数，其如下所述地来进行计数。在上述关系式中以及在模型72中，时刻k等于时刻k2。

模型72不仅考虑到在时刻k＝k2测量的充电状态SOC_k、电压V_D,K和测度i_k，而且还考虑到时刻k2与k2-1之间估计器60的前N个估计和前N个测量强度。对时刻k2与k2-1之间的中间测量和估计的考虑使得可以提高对内阻RO_k2的估计的精确性。

估计器68使用状态模型74(图8)和观测模型76。在模型74和76中，噪声w_3,k3和v_3,k3是居中的高斯白噪声。噪声w_3,k3和v_3,k3的协方差在下文中分别记为Q_3,k3和R_3,k3。要注意的是，模型76是线性模型，使得可以对于估计器68使用简单的卡尔曼滤波器而不是扩展卡尔曼滤波器。

观测模型76允许我们估计可直接测量的物理量z_k3。物理量z_k3在此是最后N个测量强度i_k的和。该物理量由以下关系式限定：

在上述关系式中并在模型76中，时刻k等于时刻k3。该物理量z_k3不仅考虑到时刻k3之前的时刻k-1测量的强度i_k-1，还考虑到时刻k3与k3-1之间测量的前N个强度。在此，N是严格大于一的整数，其按照以下将进一步说明的方式来计数。其不一定等于在模型72中引入的N。考虑时刻k3与k3-1之间的中间测量和估计使得可以提高容量C_n,k3的估计的精确性。

现在将借助于图10的方法并且在估计电池单元18的充电状态的具体情况中描述估计器60、66和68的运行。

该方法起始于调节执行估计器60、66和68所必需的各个协方差矩阵的阶段100。更准确地说，在操作102期间，借助于以下关系式来自动调节估计器60的协方差矩阵Q_k和R_k：Q_k＝[N₀G_0,k(N₀)]^-1和R_k＝I，其中：

-N₀是严格大于1的预定整数，

-I是单位矩阵，以及

-G_0,k(N₀)由以下关系式来限定：

N₀是一般在***40设计期间选择的，并且然后一次性设定。一般，N₀小于100。例如，N₀为5到15。在此，N₀被选择为等于10。

如将在下文中看见的，使用前述关系式显著地简化对矩阵Q₀和R₀的调节以及对矩阵Q_k的R_k调节。实际上，唯一要选择的参数是整数N₀的值。

在操作104期间，协方差Q_2,0和R_2,0也被调节。例如，协方差Q_2,0被选择为等于[(β*ROⁱⁿⁱ)/(3*N^C _eol*N_S)]²，其中：

-β是被选择为大于或等于0.3或0.5、并且优选地大于0.8、并且一般小于三的常数，

-N^C _eol是在电池单元18达到其寿命结束之前的、电池单元18的充电和放电循环的预测数量，以及

-N_S是电池单元18的每个充电和放电循环估计内阻的次数。

以除以100的百分比表达的常数β代表初始内阻值ROⁱⁿⁱ和其在寿命结束时的值之间的差。通常，β由使用者设定，或实验性地测得。N^C _eol是可以实验性地测得或根据电池单元18的制造商的数据获得的循环数。N_S通过由计算器44实施的充电状态估计方法来设定。在该实施例中，如将在下文中看见的，每个循环仅估计内阻一次。因此，N_S取值为等于1。

作为说明，协方差R_2,0被选择为等于(2ε_mU_max/300)²，其中ε_m是以百分比表达的电压计34最大误差。

在下文中，协方差Q_2,k2和R_2,k2被视为恒定的且分别等于Q_2,0和R_2,0。

在操作106期间，协方差Q_3,0和R_3,0被调节。例如，协方差Q_3,0被取值为等于[γ*C_n ⁱⁿⁱ/(3*N^C _eol*N_S)]²，其中，按除以100的百分比表达的γ代表容量C_n ⁱⁿⁱ与电池单元18的寿命结束时的容量之间的差。γ是由使用者在0.05到0.8之间、优选为0.05到0.3之间选择的常数。在此，γ＝0.2。

协方差R_3,0例如被选择为等于[2*ε_im*I_max/300]²，其中ε_im是按百分比表达的电流计36的最大误差。

在下文中，协方差Q_3,k3和R_3,k3被视为常数，并且分别等于Q_3,0和R_3,0。

一旦已调节了协方差矩阵，就可以开始对电池单元18的充电状态进行估计。

在阶段110期间，在每个时刻k，电压计34和电流计36分别对值y_k和强度i_k进行测量，并且这些测量立即被***40获取并保存在存储器42中。阶段110在每个时刻k被重复。

并行地，估计器60执行估计电池单元18在时刻k的充电状态的阶段114。

为此，在步骤116期间，估计器60计算时刻k电池单元18的相应充电状态和电路54端子处的电压V_D的预测值

和预测值V_D,k/k-1。在于此使用的符号中，指数k/k-1指示该预测值是通过仅考虑时刻0到k-1之间实现的测量而做出的。由此谈及先验预测。指数k/k指示时刻k的预测值考虑到时刻0到k之间实现的所有测量。由此说后验预测值。预测值

和V_D,k/k-1借助于模型62根据测量强度i_k-1和容量C_n,k3来计算。要指出的是，在模型62中，无论k如何，状态转换矩阵F_k-1都是恒定的，并且因此不需要在每个时刻k进行重新估值。

在步骤117期间，估计器60还计算用于状态向量x_k的估计误差的协方差矩阵的预测值P_k/k-1。通常，这借助于以下关系式实现：

P_k/k-1＝F_k-1P_k-1/k-1F_k-1 ^T+Q_k-1

这些不同的矩阵F_k-1、P_k-1/k-1和Q_k-1此前已限定。

然后，在步骤118期间，估计器60通过使得模型64围绕预测值

和V_D,k/k-1线性化来构建矩阵H_k。

在步骤120期间，协方差矩阵Q_k和R_k自动更新。在此，为此，步骤120与操作102相同，这次考虑到在步骤118期间构建的矩阵H_k。

在此之后，在步骤122期间，估计器60根据测量值y_k与通过模型64预测的值

之间的差来修正预测值

和V_D,k/k-1。该差被称为“更新量(innovation)”。该步骤122通常包括：

-计算预测值

的操作124，然后

-修正预测值

和V_D,k/k-1以及矩阵P_k/k-1以获得经修正的预测值

V_D,k/k和P_k/k的操作126。

在操作124期间，预测值借助于模型64来计算，在该模型中，充电状态的值被取为等于

并且电压V_D,k的值被取为等于V_D,k/k-1。测量值y_k和其预测值

之间的差在下文中被记为E_k。

存在用于基于更新量E_k来修正先验估计值

和V_D,k/k-1的许多方法。例如，在操作126期间，借助于卡尔曼增益K_k来修正这些估计。增益K_k由关系式K_k＝P_k/k-1H^T _k(H_kP_k/k-1H^T _k+R_k)^-1给出。然后，借助以下关系式来修正先验预测值：x_k/k＝x_k/k-1+K_kE_k。

借助于以下关系式来修正矩阵P_k/k-1：P_k/k＝P_k/k-1–K_kH_kP_k/k-1。

步骤116至122在需要实现电池单元18充电状态的新估计时的每个时刻k被重复。在每次新的重复期间，通过在阶段114的先前重复期间对于电池单元18获得的值来初始化状态向量x_k-1。

并行地，在步骤130期间，计算器44将强度的每个新测量值i_k与预定电流阈值SH_i比较。只要测量强度不超过该阈值SH_i，就禁止估计器66的执行。相反地，一旦测量强度i_k越过该阈值SH_i，则立即执行估计器66。阈值SH_i一般大于I_max/2，并且有利地大于0.8*I_max或0.9*I_max。

估计器66执行估计时刻k2的内阻RO_k2的阶段140。在此，时刻k2等于强度i_k越过阈值SH_i的时刻k。

为此，在步骤142期间，估计器66根据模型70来计算内阻的先验预测值

然后，在步骤144期间，估计器66计算内阻估计误差的协方差矩阵的预测值P_2,k2/k2-1。例如，该预测值借助于以下关系式来计算：P_2,k2/k2-1＝P_2,k2-1/k2-1+Q_2,0。要指出的是，在此，模型72是状态变量的线性函数。因此不需要将其在预测值

的邻域中线性化以获得矩阵H_2,k2。在此，该矩阵H_2,k2等于-N。

在步骤148期间，估计器66根据测量的物理量u_k2与该同一物理量的预测值

之间的差来修正预测值

在此，N是被严格选择为一、并且优选地大于10或30的预定常数。量u_k2由估计器66随着值y_k而测量和获取。

更准确地说，在操作150期间，计算器44获取测得量u_k2，并计算预测值

量u_k2的获取是通过对测量值y_k的最后N个测量值求和实现的。预测值

是借助于模型72来计算的。在该模型72中，值RO_k2取为等于之前计算的RO_k2/k2-1。

然后，在操作152期间，估计器66根据更新量E_k2来修正预测值更新量E_k2等于测得量u_k2与预测量之间的差。例如，在操作152期间，使用与在操作126期间实施的方法相同的方法。由此，在此不更详细地说明该操作152。然后，在估计器60随后的执行期间代替先前的估计RO_k2-1/k2-1而使用新的估计RO_k2/k2。

仅在测量强度i_k高的时候才触发估计器66的执行允许提高估计内阻的精确性，同时减小实施该方法所需的计算功率。实际上，在强度i_k更高时电流计的测量精确性更高。

同样与阶段110和114并行地，所述方法包括步骤160，在该步骤期间，在每个时刻k，估计值SOC_k与预定的上阈值SH_SOC进行比较。如果估计值SOC_k下降到该阈值SH_SOC之下，那么所述方法立即继续进行步骤162和164。否则，在下一时刻k重复步骤160。通常，阈值SH_SOC为90％到100％。

在步骤162期间，计算器44通过将计数器初始化为零而开始，然后从该步骤开始起在每次测量新的强度i_k时递增1。而且，在每个时刻k，测量强度i_k和在相同时刻生成的估计值SOC_k以与该时刻k关联的方式被保存在数据库中。

与步骤162并行地，在步骤164期间，计算器44将每个新的估计值SOC_k与预定阈值SL_SOC进行比较。阈值SL_SOC例如为0％到10％。只要估计值SOC_k保持高于该阈值SL_SOC，那么就在下一时刻k重复步骤162。否则，一旦电池单元18的估计值SOC_k下降到该阈值SL_SOC以下，那么计算器44就立即触发估计器68的执行，并停止递增计数器。由此，只要未越过该阈值SL_SOC，就禁止估计器68的执行。

在阶段166期间，估计器68估计时刻k3的容量C_n,k3。时刻k3因此等于触发估计器68的执行的时刻。

对于阶段140也相同，假定在每个时刻k未执行估计器68，则时刻k3-1不对应于时刻k-1。相反，时刻k3和k3-1分隔大于或等于NT_e的时间间隔，其中N是在步骤162期间所计数的数量。

估计器68的卡尔曼滤波器的参数通过在阶段166的时刻k3-1的之前重复结束时获得的、这些参数的之前值来初始化。

阶段166包括：

-在步骤170期间，借助于模型74来计算预测值C_n,k3/k3-1，

-在步骤172期间，计算容量的估计误差的协方差矩阵的预测值P_3,k3/k3-1，以及

-在步骤174期间，修正预测值C_n,k3/k3-1和P_3,k3/k3-1。

在步骤172和174期间，可观测性矩阵H_3,k3等于[(SOC_k-SOC_k-N)]*3600/(NT_e)。N在此是从估计的充电状态下降到阈值SH_SOC之下的时刻到估计的充电状态已经下降到阈值SL_SOC之下的时刻之间经过的时刻k的数量。值N等于在步骤162期间所计数的值。

步骤174包括获取测量的物理量z_k3并计算量z_k3的预测值

的操作176。量z_k3的获取在此包括计算时刻k-1与k-N之间测量的最后N个强度的和。预测值

根据模型76来获得。

然后，在操作178期间，估计器68根据测得量z_k3与预测量

之间的差来修正预测值C_n,k3/k3-1，以获得容量C_n,k3/k3的后验估计值。该修正例如像在步骤126期间描述地那样实现。

然后，容量C_n,k3/k3被发送给估计器60，该估计器将其用于估计电池单元18在随后的时刻的充电状态。

仅在电池单元18大部分放电之后才触发估计器68的执行允许提高估计精确性，同时减小实施该方法所需的计算功率。

在阶段166结束时，在步骤180期间，计算器借助于以下公式来计算时刻k3的健康状态SOH_k3：SOH_k3＝C_n,k3/C_n ⁱⁿⁱ。

图11示出一种确定电池组10的充电状态的方法。在时刻k，根据该电池组的每个电池单元的充电状态来确定电池组10的充电状态。例如，这是以如下方式来实现的。在步骤190期间，计算器44确定该电池组的每个级的充电状态，这是通过将该级的每个电池单元的充电状态加和来实现的。

然后，在步骤192期间，电池组的充电状态被取值为等于在步骤190期间确定的级充电状态中的最小值。

如由图11的方法所示，对电池组在每个时刻k的充电状态的确定要求仅具有每个电池单元在时刻k的充电状态估计值。第一解决方案因此包括通过在每个时刻k执行阶段114来并行地对于每个电池单元执行图10的估计方法。然而，为了限制所要求的计算功率而不损害对于电池组确定的充电状态的精确性，还可以像关于图12的方法所述的那样规划电池单元充电状态估计的执行。

图12的方法是在这样的简化情况中描述的：在该简化情况中，仅使用三个优先级，其分别被称作高优先级、中等优先级和低优先级。而且，假设其优先级高的电池单元的充电状态需要在每个时刻k并且因此以频率f_e来估计。其优先级中等的电池单元的充电状态仅需要须以三分之一的频率并且因此以频率f_e/3来估计。最后，其优先级低的电池单元的充电状态需要以十分之一的频率并且因此以频率f_e/10来估计。在该示例中，对于高和中等优先级，存在提前知悉的有限位置数。换句话说，被赋予高优先级的电池单元的数量被限制为提前预定的最大数量。对于被赋予中等优先级的电池单元的数量也是同样的。

为了规划需要刷新每个电池单元充电状态估计的时刻，计算器通过在步骤198期间给每个电池单元赋予优先级而开始。

步骤198起始于操作200，在该操作期间，***40获取每个电池单元端子之间的电压的测量值y_k。

然后，在步骤202期间，如果测量值y_k高于上阈值SH_y或相反地低于下阈值SL_y，则计算器44给该电池单元赋予高优先级，只要该级别还有足够的位置即可。阈值SH_y大于或等于0.9*U_max，并且优选地大于0.95*U_max。至于阈值SL_y，其大于或等于U_min，并小于1.1*U_min或1.05*U_min。重要之处在于频繁地刷新其电压接近U_max或相反地接近U_min的电池单元的充电状态的估计。实际上，在这样的情况中对电池单元充电状态的估计的误差可能会导致损害该电池单元的电气和机械特性。

然后，对于其他电池单元，在操作204期间，计算器44计算当前测量值y_k与之前的值y_k-X之间的电压差，其中X是大于或等于一的并且一般小于5或10的预定整数。在此，X＝1。

在操作205期间，计算器44识别出相似电池单元。电池单元如果在相同时刻k具有相同的电压差和相同的测量值y_k则被视为是“相似”。为此，在步骤205期间，计算器44将一个电池单元的电压差和测量值y_k与其他电池单元在相同时刻的电压差和测量值y_k进行比较，以在这些其他电池单元中识别出该电池单元的相似电池单元。该电池单元的标识符和该电池单元或被识别为其相似电池单元的标识符则合并为集合，该集合被保存在存储器42中。上述比较例如对于电池组10的、其标识符还未被包含到所保存的相似电池单元集合之一中的每个电池单元来实施。在下文中，仅给相似电池单元的每个集合中的电池单元之一赋予优先级。由此，操作206和随后的步骤208和210仅对于不具有任何相似电池单元的电池单元和对于相似电池单元的每个集合中的一个电池单元来实施。

在操作206期间，计算器将电池单元按在操作206期间计算的差的绝对值降序地分类。然后，计算器赋予该分类的第一电池单元与高优先级相关的剩余位置。然后，计算器将与中等优先级相关的剩余位置赋予该分类中随后的电池单元。最后，计算器给该分类最后的电池单元赋予低优先级。

一旦给每个电池单元都已经被赋予优先级，在步骤208期间，计算器44根据电池单元的优先级规划电池单元充电状态估计的刷新时刻。步骤208被实现以便遵循用于与每个优先级相关联的估计的刷新频率。为此，例如，计算器44首先预留出需要刷新高优先级的电池单元的估计的时刻。然后，考虑到已预留的刷新时刻，计算器预留出需要刷新中等优先级的电池单元的充电状态估计的时刻。最后，计算器以同样的方式对待被赋予低优先级的电池单元。

为了说明此，假设高优先级被赋予电池单元18、中等优先级被赋予电池单元19和20，并且低优先级被赋予电池单元21。而且，设定在周期T_e期间，计算器最多执行两次图10的方法的阶段114。用这些假设所获得的结果在图13中示出。在该图中，时刻k至k+11在横坐标上被示出。在这些时刻k中的每一个之上，两个格子表示计算器44可以在每个时刻k执行两次图10方法的阶段114。这些格子的每一个中都指示出对其执行阶段114的电池单元的编号。当该格子中没有出现任何编号时，这意味着图10的方法没有执行，并且因此节省的计算功率可以用于其他目的(例如执行估计器66和68)。

最后，在步骤210期间，对于赋予了优先级的每个电池单元，计算器44在为该电池单元规划的时刻执行阶段114。在这些规划时刻之外，计算器禁止对该电池单元完整地执行阶段114。同样地，阶段114对于没有被赋予优先级的相似电池单元的执行也受到禁止。

并行地，在步骤212期间，对于没有被赋予优先级的每个相似电池单元，该电池单元的充电状态的估计值被取值为等于在步骤210期间对于该电池单元的相似电池单元所计算的最后的估计值。由此，仅对于相似电池单元中的一个执行阶段114。这使得可以减小确定电池组充电状态所要求的计算功率而不损害该确定的精确性。

可选地，与步骤210并行地，在每个时刻k，计算器44还执行对在步骤210期间在该时刻k没有被处理的每个电池单元的充电状态进行预测的步骤214。步骤214包括对于在相同时刻没有执行完整估计阶段114的所有电池单元仅执行预测步骤116，而不执行修正步骤122。实际上，预测步骤116比步骤122消耗少得多的计算功率，并且因此可以例如在每个时刻k执行。由此，当步骤214被实施时，在每个时刻k都具有对电池组的每个电池单元的充电状态的新的估计值。

步骤198和208按照规则间隔重复，以更新赋予这些电池单元中每个的优先级并因此更新这些电池单元的充电状态估计的刷新频率。电池单元充电状态估计的该刷新时刻规划方法使得可以限制所需计算功率而不因此损害对于电池组确定的充电状态的精确性。实际上，图12的方法利用的是电压差小的电池单元是少量放电或充电并且因此其充电状态不快速地变化的电池单元。因此能够以较低的频率来估计这些电池单元的充电状态而不损害对于电池组而确定的充电状态的精确性。

在执行图10和11的方法的过程中，每次电池单元在给定时刻的充电状态SOC_k需要被用于计算时，充电状态SOC_k都被取值为等于对于该电池单元估计或预测的最后的充电状态。换句话说，认为充电状态在其被估计或预测的两个相继时刻之间保持恒定。

同样要指出的是，每次计算器44对于电池单元执行估计阶段114时，该计算器都从在该阶段对于同一电池单元的之前执行结束时获得的数值来检索该执行所必需的信息。这尤其是例如对于状态变量的情况。然而，要指出的是，之前的执行时刻不一定是时刻k-1，而根据赋予该电池单元的优先级可以是时刻k-3或k-10。

电池单元充电状态估计方法的许多其他实施例是可行的。例如，图14示出另一估计器布置。该另一布置与图3的布置相同，只是估计器66和68被单个估计器230代替。估计器230同时估计电池单元18的容量和内阻。估计器230比估计器60更不频繁地执行。在此，将执行估计器230的时刻记为k4，并且因此将在时刻k4估计的容量和内阻记为C_n,k4和RO_k4。时刻k4的集合是时刻k的子集。

估计器230同时估计容量C_n,k4和内阻RO_k4。该估计器230实施使用状态模型232(图15)和观测模型234(图16)的卡尔曼滤波器。

现在将参照图17的方法并且在电池单元18的具体情况中说明该估计器230的运行。图17的该方法与图10的方法相同，只是步骤130至174由步骤240、242、244和估计容量和内阻的阶段246来代替。

在步骤240期间，计算器44在每个时刻k将测量值y_k与上阈值SH_y2进行比较。通常，该阈值SH_y2大于或等于0.8*U_max或0.9*U_max。仅在测量值y_k下降到该阈值SH_y2之下时才执行步骤242和244。

在步骤242期间，计算器44以初始化计数器为零开始，然后在每个新的时刻k使该计时器递增1。而且，在这些时刻k中的每一个，测量强度i_k、值y_k、充电状态SOC_k和估计的电压V_D,K以与该时刻k关联的方式被保存在数据库中。

与步骤242并行地，在步骤244期间，计算器44在每个时刻k将新的测量值y_k与低电压阈值SL_y2进行比较。该阈值SL_y2小于或等于1.2*U_min或1.1*U_min，并且大于或等于U_min。

一旦测量值y_k下降到阈值SL_y2之下，计数器在步骤242期间的递增就停止，并且估计器230的执行就被触发。另一方面，只要测量值y_k保持大于该阈值SL_y2，就禁止估计器230的执行。

估计器230执行阶段246。如前所述的，要指出的是，时刻k₄和k₄-1分隔大于或等于NT_e的时间间隔，其中N是在步骤242期间增加的计数器值。估计器230的运行能够从此前对于估计器66和68所述的运行中推导出。因此不再在此更详细说明。

其他电气模型和因此其他状态模型可以被用于估计电池单元18的充电状态。例如，在一个简化变型中，电路54被省去。另一方面，更为复杂的电气模型可包含彼此串联地电连接的多个并联RC电路。电池单元18的状态模型则因此必须被修改以对应于电池单元的该新电气模型。然而，所有在上文中所述的内容都轻易地适用这样的经修改的状态模型。对于经修改的状态模型的示例，读者可参考专利申请WO2006057468。

模型50的参数R_D和C_D也可以被估计而不是被视为是预定的恒定参数。为此，这两个参数R_D和C_D例如被引入到状态向量x_k中，该状态向量由此变成[SOC_k,V_D,k,R_D,k和C_D,k]^T。例如，状态模型被修改为包含以下两个方程：R_D,k+1＝R_D,k和C_D,k+1＝C_D,k。

状态向量x_k也可以由电池单元的温度来补充，以在估计该电池单元的充电状态的同时估计该温度。

电池单元也可以配备有比如温度传感器的附加传感器。在该情况中，对观测模型进行修改以考虑这些附加的测量物理量。读者就更改的观测模型示例可以参考专利申请WO2006057468。

用于模型化电气电池单元的其他可行电气模型还在Plett 2004第2部分的第3.3章中说明。

协方差矩阵R_k和Q_k的连续自动调节可以以不同的方式来实现。例如，可应用在以下文献中描述的所谓的“协方差匹配”的方法：Mehra,R.K：“On the identification ofvariances and adaptative Kalman Filtering”，Automatic Control，IEEE Transactionon，第15卷No.2，第175-184页，1970年4月。例如像在步骤102期间描述地那样，该方法在对矩阵R₀和Q₀进行初始设定之后应用。

在另一变型中，矩阵Q₀、R₀、Q_k和R_k不是像参照操作102和120所述的那样进行调节。例如，通过实施常规方法来调节这些矩阵。在简化的情况中，这些矩阵是恒定的。例如，矩阵R₀则利用由传感器制造商提供的数据或基于在这些传感器上实施的测试来调节，而矩阵Q₀则通过连续的测试来调节。

修正预测值的步骤122或178可以以不同的方式来实施。例如，在优选方法中，对充电状态的和电压V_D,k的预测值的修正通过最小化包括以下两个项的二次成本函数J来实现：

-与测量值的预测误差相关的一项，和

-与状态向量的估计误差相关的另一项。

该方法在以下书籍的第10.5.2章中详细地说明：Y.Bar-Shalom等：“EstimationWith Applications to Tracking and Navigation”，Theory Algorithms and Software，Wiley Inter-science，2001年。

在另一变型中，估计器60不以卡尔曼滤波器的形式来实施。例如，充电状态通过以RII(无限脉冲响应)滤波器的形式模拟其在时间上的变化来估计，该滤波器的系数由RLS(递推最小二乘估计)方法来估计。

其他状态模型可被用于估计电池单元的内阻和容量。例如，模型232可以由在图18中示出的模型250来代替。在模型250中，α、β和γ是其值根据电池单元的制造商的数据或实验性测得的数据来获得的常数。通常：

-α等于1±30％或10％，

-β也等于1±30％或10％，以及

-γ通常为0.1到0.5。例如，γ等于0.2±30％或10％。

在模型250中，N^c _k等于在时刻k之前实现的电池单元的充电/放电循环数。该循环数例如通过计数电池单元的充电状态下降到上阈值SH_SOC之下、然后下降到下阈值SL_SOC之下的次数来测量。w^a _d,k是居中的高斯白噪声。γ是按除以100的百分比表达的、电池单元初始容量C_n ⁱⁿⁱ与其寿命结束时的容量之间的差。该模型考虑到以下事实：

-内阻随着电池单元老化而增大，以及

-电池单元的容量随着电池单元老化而减小。

类似地，状态模型70可以由以下状态模型来代替：RO_k2+1＝(α+βN^C _k2/N^C _EOL)RO_k2+w_2,k2，其中该模型的各个符号之前已经说明。

状态模型74可以由以下状态模型来代替：C_n,k3+1＝(1-γN^C _k3/N^C _EOL)C_n,k3+v_3,k3，其中该模型的各个符号之前已经说明。

根据估计器68所使用的观测模型，量z_k3可以以不同的方式来计算。例如，量z_k3等于时刻k与k-N+1之间测得的最后N个强度的和。在该情况中，当N等于1时，z_k3＝i_k3。

以上对于协方差矩阵Q_k和R_k所述的内容也可以适用于对估计器68和230的协方差矩阵进行初始化。

作为变型，估计器68不以卡尔曼滤波器的形式来实施。例如，容量通过以RII(无限脉冲响应)滤波器的形式模拟其在时间上的变化来估计，该滤波器的系数由RLS(递推最小二乘估计)方法来估计。

图10和17的方法可以通过将N取值为等于预定常数而受到简化。在该情况中，N不被计数，并且步骤160、162、240和242可以被省去。例如，N被选择为等于一，或相反地被选择为严格大于1或5或10。

在另一变型中，在时刻k3与k3-1之间的每个时刻k，仅执行计算预测值C_n,k的步骤170，而不执行修正该预测值的步骤174。由此，获得电池单元在这些时刻k中每一个处的容量的新预测值，同时限制所需的计算功率。类似地，在时刻k4与k4-1之间的每个时刻k，仅执行计算容量的和内阻的预测值的步骤，而不执行修正这些预测值的步骤。由此，在这些变型中，在每个时刻k预测电池单元的容量，但该预测值仅在时刻k3或k4才被修正。该容量的估计算法因此在时刻k3与k3-1之间或k4与k4-1之间仅部分地被执行，并且仅在时刻k3或k4才被完整地执行。

在时刻k3与k3-1之间或时刻k4与k4-1之间的每个时刻k，容量可以通过执行第一算法来估计，然后在时刻k3或k4，容量通过执行不同于第一算法并且需要更大的计算功率的第二算法来估计。第一和第二算法不一定如前所述地分别对应于卡尔曼滤波器的单个步骤170和阶段166或246。这些算法也可以是两个完全不同的估计算法。

估计电池单元的容量的步骤166或246可以如参照图10所述地响应越过充电状态阈值而被触发，或如参照图17所述地响应越过电压阈值而被触发。这些步骤166和246也可以响应越过电流输出量阈值而被触发。为此，自电池单元的电压或充电状态下降到预定上阈值之下时的时刻开始，在每个时刻k，计算器44借助于以下关系式来计算电流输出量QC_k：QC_k＝QC_k-1+i_kT_e。一旦QC_k穿过上阈值SH_Q，则执行阶段166或246。另一方面，只要量QC_k保持大于阈值SH_Q，就禁止阶段166或246的执行。作为变型，量QC_k也可以在包含最后N个时刻k的滑动窗口上计算，其中N为预定常数。

在另一实施例中，省略响应越过阈值而触发对容量和/或内阻的估计。例如，这些估计以规则的间隔触发。如果可用的计算功率足以在每个时刻k估计该容量和该内阻，那么该规则间隔等于T_e。

图12的方法的众多其他实施例是可行的。例如，可以省略操作205。在该情况中，不识别相似电池单元，并且还省略步骤212。

操作202可用以不同的方式来实施。例如，仅使用上阈值和下阈值中的一个。也可以省略操作202。

优先级的数量可以是任意的，并且可以大于至少两个或三个。用于给电池单元赋予优先级的其他方法是可行的。例如，电池单元的优先级可以借助于公式来计算，所述公式使该电池单元的优先级关联到其电压差和其电压。在该后一情况中，省略比较操作。

所述用于根据电池单元的优先级使刷新时刻与电池单元关联的方法仅是一个示例。用于根据任务优先级对这些任务进行排序的任何其他已知方法可以适用于在此所述的对用于估计电池单元充电状态的刷新时刻进行排序的情况。

可以省略参照图12所述的用于估计每个电池单元充电状态的刷新时刻的规划。例如，当在每个时刻k估计每个电池单元的充电状态所需的计算功率可用时情况将会如此。

作为变型，计算器44包括多个可编程子计算器，其每个都能够并行地对于相应的电池单元执行图10或17的估计方法。

电池单元的健康状态也可以借助于以下关系式来计算：SOH_K＝RO_K/ROⁱⁿⁱ。

电池组10可以由任何类型的电池组(例如：铅电池组、超大容量电池组或燃料电池)来代替。在该情况中，估计器60的状态模型和/或观测模型可以可选地适用于考虑电池组的技术。

以上描述的内容也适用于混合动力车辆，即其动力轮的驱动由电动马达和热内燃机同时或交替提供的车辆。车辆2也可以是卡车、摩托车或三轮车，并且一般而言为能够通过借助于由电池组供电的电动马达来驱动动力轮而移动的任何车辆。例如，其可以是起重机。

电池组10可以借助于可以将其连接到输电干线的电源插座来进行再充电。电池组10也可以由热内燃机来再充电。

Claims (6)

1.一种电池组的电池单元的充电状态的自动估计方法，所述方法包括：

-在时刻k重复以下步骤：

a)在所述时刻k获取(110)所述电池单元的端子之间的电压的测量值y_k和对所述电池单元进行充电或放电的电流的测量强度i_k，

b)在所述时刻k根据所述测量值y_k、所述测量强度i_k和所述电池单元的容量C_n,k3来估计(114)所述电池单元的充电状态SOC_k；所述容量C_n,k3以Ah表示，其代表时刻k3能够存储在所述电池单元中的最大电能量，所述时刻k3是最接近所述时刻k的已经估计所述容量C_n,k3的时刻；以及

-利用电子处理器来完整地执行(166；246)用于根据在所述时刻k3测量的强度i_k3估计所述容量C_n,k3的算法，所述时刻k3不如所述时刻k频繁，

其特征在于：

-如果参数的值没有越过第一预设阈值，则禁止(164；244)完整地执行用于估计所述容量C_n,k3的算法，所述参数从所述测量值y_k、所估计的充电状态SOC_k以及在时刻k和先前时刻之间由所述电池单元所传递的电流量Q_k中选择，然后

-响应以下事实而触发(164；244)对用于估计所述容量C_n,k3的算法的完整执行：在所述参数是所述测量值y_k或所述充电状态SOC_k的估计值的条件下所述参数已经下降到低于所述第一预设阈值，或者在所述参数是所传递的电流量Q_k的条件下所述参数已经升高到高于所述第一预设阈值；

其中，

-所述完整地执行用于估计所述容量C_n,k3的算法包括：

使用将所述容量C_n,k3与同一电池单元在先前时刻k3-1的容量C_n,k3-1相关联的状态模型来计算(170)所述容量C_n,k3的预测值；然后

根据在时刻k3所测量的强度i_k3来修正(174)容量C_n,k3的预测值；以及

-在禁止完整地执行用于估计所述容量C_n,k3的算法的每个时刻k，所述方法包括：

禁止计算所述容量C_n,k3的预测值并且禁止修正所述容量C_n,k3的预测值；或者

在不修正所述容量C_n,k3的预测值的情况下计算所述容量C_n,k3的预测值，以及在估计所述电池单元在所述时刻k的充电状态SOC_k时使用所述容量C_n,k3的未修正预测值。

2.根据权利要求1所述的方法，其中，

-对所述电池单元的充电状态SOC_k的估计(114)还依赖于内阻RO_k2，所述内阻RO_k2是所述电池单元在时刻k2的内阻，所述时刻k2是最接近所述时刻k的估计所述内阻的时刻；并且

-所述方法包括，如果所述测量强度i_k小于预设电流阈值，则禁止(130；244)通过所述电子处理器来完整地执行用于估计所述内阻RO_k2的算法，然后响应于所述强度i_k已经增加到大于所述预设电流阈值的事实而触发对用于估计所述内阻RO_k2的所述算法的完整执行；

其中，所述完整地执行用于估计所述内阻RO_k2的算法包括：

-使用将所述内阻RO_k2与同一电池单元在先前时刻k2-1的内阻RO_k2-1相关联的状态模型来计算(142)所述内阻RO_k2的预测值；

-在所述时刻k2获取(150)由以下关系式限定的可测量物理量u_k2：

其中k是最接近所述时刻k2的时刻，并且N是大于或等于零的整数，当N等于零时u_k2等于y_k，

-使用以下观测模型来计算所述可测量物理量u_k2的预测值

其中：

-k是最接近所述时刻k2的时刻，

-OCV(SOC_m)表示随所述电池单元在时刻m的充电状态SOC_m而变化的所述电池单元的端子之间的开路电压，

-V_D,m是并联RC电路的端子上的电压，并且

-在所述观测模型中，RO_k2是所述电池单元在所述时刻k2的内阻的预测值，即，就在进行修正之前计算的预测值；以及

-根据所获取的物理量u_k2和所计算的预测值之间的差来修正(152)所述内阻RO_k2的预测值；

其中，在禁止完整地执行用于估计所述内阻RO_k2的算法的每个时刻k，所述方法包括：

禁止计算所述内阻RO_k2的预测值并且禁止修正所述内阻RO_k2的预测值；或者

在不修正所述内阻RO_k2的所述预测值的情况下计算所述内阻RO_k2的预测值，以及在估计所述电池单元的充电状态SOC_k时使用所述内阻RO_k2的所述未修正预测值。

3.根据权利要求2所述的方法，其中，N严格大于一。

4.一种数据存储介质(42)，其特征在于，其包括指令，所述指令用于在这些指令被电子处理器执行时执行根据上述权利要求1-3中任一项所述的估计方法。

5.一种用于管理配备有至少一个电池单元的电池组的***，所述***包括电子处理器(44)，其被编程为：

-在时刻k重复以下步骤：

a)在所述时刻k获取所述电池单元的端子之间的电压的测量值y_k和对所述电池单元进行充电或放电的电流的测量强度i_k；

b)在所述时刻k根据所述测量值y_k、所述量强度i_k和所述电池单元的容量C_n,k3来估计所述电池单元的充电状态SOC_k，所述容量C_n,k3以Ah表示，其代表时刻k3能够储存在所述电池单元中的最大电能量，所述时刻k3是最接近所述时刻k的已经估计所述容量C_n,k3的时刻；以及

-完整地执行用于根据在所述时刻k3测量的强度i_k3来估计所述容量C_n,k3的算法，所述时刻k3不如所述时刻k频繁，

其特征在于，所述电子处理器(44)还被编程为：

-如果参数的值没有越过第一预设阈值，则禁止完整地执行用于估计所述容量C_n,k3的算法，从所述测量值y_k、所估计的充电状态SOC_k以及在所述时刻k和先前时刻之间由所述电池单元所传递的电流量Q_k中选择所述参数，然后

-响应以下事实而触发对用于估计所述容量C_n,k3的算法的完整执行：在所述参数是所述测量值y_k或所述充电状态SOC_k的估计值的情况下所述参数已经下降到低于所述第一预设阈值，或者在所述参数是所传递的电流量Q_k的情况下所述参数已经升高到高于所述第一预设阈值；

其中，

-所述完整地执行用于估计所述容量C_n,k3的算法包括：

使用将所述容量C_n,k3与同一电池单元在先前时刻k3-1的容量C_n,k3-1相关联的状态模型来计算(170)所述容量C_n,k3的预测值；然后

根据在时刻k3所测量的强度i_k3来修正(174)容量C_n,k3的预测值；并且

-在禁止完整地执行用于估计所述容量C_n,k3的算法的每个时刻k，所述方法包括：

禁止计算所述容量C_n,k3的预测值并且禁止修正所述容量C_n,k3的预测值；或者

在不修正所述容量C_n,k3的预测值的情况下计算所述容量C_n,k3的预测值，以及在估计所述电池单元在所述时刻k的充电状态SOC_k时使用所述容量C_n,k3的未修正预测值。

6.一种机动车辆，包括：

-至少一个驱动轮(6)，

-电动马达(4)，其能够驱动所述驱动轮转动以使得所述机动车辆移动；

-电池组(10)，其包括能够储存电能并交替地释放电能以给所述电动马达供电的至少一个电池单元(18-21)，所述电池单元包括两个端子(30、32)，所述电池单元通过所述两个端子电连接到所述电动马达；

-电压计(34)，其电连接在所述电池单元的端子之间以测量这些端子之间的电压，

-电流计(36)，其与电气电池单元串联连接以测量对所述电池单元进行充电或放电的电流的强度，以及

-用于管理所述电池组的***(40)，所述***连接到所述电压计和所述电流计，并且包括能够根据所述电压计和电流计的测量值来估计所述电池组的电池单元的充电状态的可编程电子处理器(44)，

其特征在于，所述用于管理所述电池组的***(40)是根据权利要求5所述的***。

Images