电池荷电状态的确定方法、装置、计算机设备及存储介质与流程

1.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：

2.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。
3.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。
4.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。


技术实现要素：

5.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。
6.一种电池荷电状态的确定方法，该方法包括：
7.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；
8.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。
9.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：
10.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。
11.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：
12.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；
13.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。
14.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，优化目标为以下两个绝对值的和值最小，以下两个绝对值分别为：电池荷电状态的当前值与电池荷电状态的估计值之间差值的绝对值及电池端电压的当前值与电池端电压的估计值之间差值的绝对值。
15.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，电池模型参数的估计值的获取过程，包括：
16.对状态空间方程进行求解，得到电池模型参数的当前估计值，状态空间方程是基于卡尔曼滤波算法对电池二阶rc模型进行变形所确定的。
17.在其中一个实施例中，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之后，还包括：
18.将满足预设条件的优化目标结果所对应的噪声组的数值，设置为下一次进行优化计算过程的噪声组的初始值。
19.在其中一个实施例中，噪声组包括过程噪声和电压噪声；相应地，调整噪声组的数值大小的过程，包括：
20.基于第一预设间隔，在第一预设范围内调整过程噪声，并同时基于第二预设间隔，在第二预设范围内调整所述电压噪声；或者，
21.基于第三预设间隔，在第一预设范围内调整所述过程噪声，在对过程噪声调整结束后，基于第四预设间隔，在所述第二预设范围内，对所述电压噪声进行调整。
22.一种电池荷电状态的确定装置，该装置包括：
23.第一确定模块，用于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；
24.第二确定模块，用于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；
25.其中，所述电池模型参数用于指示电池的工作状态，所述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。
26.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
27.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；
28.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。
29.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
30.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；
31.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。
32.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
33.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；
34.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。
35.上述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。
附图说明
36.图1为一个实施例中电池荷电状态的确定方法的流程示意图；
37.图2为另一个实施例中电池荷电状态的确定方法的流程示意图；
38.图3为又另一个实施例中电池荷电状态的确定方法的流程示意图；
39.图4为一个实施例中电池荷电状态的确定方法的电池电路模型图；
40.图5为一个实施例中电池荷电状态的确定装置的结构框图；
41.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
42.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
43.可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词，但除非特别说明，这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说，在不脱离本技术的范围的情况下，第三预设阈值与第四预设阈值可以相同可以不同。
44.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。
45.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。
46.针对上述相关技术中存在的问题，本发明实施例提供了一种电池荷电状态的确定方法，参见图1，以该方法应用于服务器，且执行主体为服务器为例进行说明，该方法包括如下步骤：
47.s11，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；
48.s12，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。
49.电池荷电状态soc(state of charge)，用来反映电池的剩余容量，其数值上定义为剩余容量占电池总容量的比值，通常用百分数表示。本发明实施例中电池soc的取值范围为0～1，soc为0时表示电池放电完全，soc为1时表示电池完全充满。电池soc不能直接测量，只能通过电池端电压、充放电电压及内阻等电池模型参数来估算其大小。
50.在本发明实施例中，采用的是离线计算与在线计算相结合的方法计算电池soc，其中，基于设定的噪声组的大小，利用卡尔曼滤波算法计算电池模型参数的估计值是电池管理系统bms在线状态下完成的，而优化目标的确定和优化目标的结果是在bms离线状态下完成的，整个离线过程不占用bms在线计算内存资源。
51.在本发明实施例提供的方法中，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。
52.结合上述实施例的内容，在一个实施例中，电池模型参数包括电池端电压；相应
地，所述电池端电压的当前值的获取过程，包括：
53.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。
54.第一预设阈值可以根据具体应用场景的需求设定，主要是为了触发在bms离线状态下确定优化目标并对优化目标进行计算，例如设定第一预设阈值为1小时，则当bms断电时长超过1小时之后，则主动唤醒车辆的bms系统，并获取电池端电压的初始值，其中，电池端电压的初始值是由传感器检测到的电池电路当前的开路电压。
55.根据上述内容，可以提出，本发明实施例对应的优化目标为电池端电压的当前值与电池端电压的估计值之间差值的绝对值，当所述绝对值最小时，即为优化目标的结果。
56.在本发明实施例提供的方法中，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。利用bms离线状态的时间，确定优化目标及其的结果，能够节省在线计算soc的时间和内存，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。
57.结合上述实施例的内容，在一个实施例中，参见图2，所述电池荷电状态的当前值的获取过程，包括：
58.s21，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；
59.s22，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。
60.当电池模型参数包括电池荷电状态时，由于电池soc不能直接测量，只能通过电池端电压、充放电电压及内阻等电池模型参数来估算其大小，所以在获取到电池端电压的初始值的情况下，查询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。其中，电池端电压与电池荷电状态之间的关系曲线是在每一类型的电池出厂时经试验得到的数据，可能是一个表格意义对应的关系，也可以是电池荷电状态与电池端电压之间的一个函数关系表达式，但是这些在实际应用场景中可能存在误差，且随着电池的使用年限，上述电池荷电状态与电池端电压之间的关系可能发生改变，所以需要在线实时计算电池soc。
61.根据上述内容，可以提出，本发明实施例对应的优化目标为电池荷电状态的当前值与电池荷电状态的估计值之间差值的绝对值，当所述绝对值最小时，即为优化目标的结果。
62.在本发明实施例中提供的方法中，电池模型参数包括电池荷电状态；相应地，所述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。直接将需要测量的电池荷电状态这一参数和电池荷电状态的估计值设置为优化目标，能够直接的减小噪声对电池荷电状态计算的结果。利用bms离线状态的时间，确定优化目标及其的结果，能够
节省在线计算soc的时间和内存，提高soc计算方法的精确度和计算速度。
63.结合上述实施例的内容，在一个实施例中，电池模型参数包括电池端电压；相应地，所述优化目标为以下两个绝对值的和值最小，以下两个绝对值分别为：电池荷电状态的当前值与电池荷电状态的估计值之间差值的绝对值及电池端电压的当前值与电池端电压的估计值之间差值的绝对值。
64.上述实施例中提到的粒子群优化算法的优化目标，可以用以下数学表达式表示：
[0065][0066]
其中，其中表示第k时刻电池端电压的当前值，u
k
表示第k时刻电池端电压的估计值，soc
k
表示第k时刻电池荷电状态的估计值，表示第k时刻电池荷电状态的当前值，u
k
和soc
k
是由卡尔曼滤波算法在线估算出来的。
[0067]
本发明实施例提供的方法中，电池模型参数包括电池端电压；相应地，所述优化目标为以下两个绝对值的和值最小，以下两个绝对值分别为：电池荷电状态的当前值与电池荷电状态的估计值之间差值的绝对值及电池端电压的当前值与电池端电压的估计值之间差值的绝对值。同时对电池端电压和电池荷电状态的当前值和估计值进行误差分析，进而能够调整噪声组，更进一步提高电池荷电状态计算结果的精确度。
[0068]
结合上述实施例的内容，在一个实施例中，电池模型参数包括电池端电压；相应地，所述电池模型参数的估计值的获取过程，包括：
[0069]
对状态空间方程进行求解，得到电池模型参数的当前估计值，状态空间方程是基于卡尔曼滤波算法对电池二阶rc模型进行变形所确定的。
[0070]
电池二阶rc模型的电路图参见图4，其中：r1为极化内阻1，r2为极化内阻2，c1为极化电容1，c2为极化电容2，ocv为电路开路电压，r0为电池包的欧姆阻值。相应的，电池二阶rc模型的状态空间方程如下：
[0071][0072][0073]
在以上状态空间方程中，soc
k 1
为第k 1时刻的电池荷电状态，soc
k
为第k时刻的电池荷电状态，，为第k 1时刻极化内阻1上的电压，为第k 1时刻极化内阻2的电压，为第k时刻极化内阻1上的电压，为第k时刻极化内阻2的电压，δt为时间间隔，τ1和τ2为时间常数，τ1＝r1c1，τ2＝r2c2，η为库伦效率，cap为电池容量，i
k
为第k时刻的电流，u
k
为第k时刻的电池端电压，w
k
为第k时刻的过程噪声，v
k
为第k时刻的电压噪声。
[0074]
由上述状态空间方程计算得到的soc
k
为第k时刻电池荷电状态的估计值，u
k
为第k时刻电池端电压的估计值。
[0075]
在本发明实施例提供的方法中，电池模型参数包括电池端电压；相应地，所述电池模型参数的估计值的获取过程，包括：对状态空间方程进行求解，得到电池模型参数的当前估计值，状态空间方程是基于卡尔曼滤波算法对电池二阶rc模型进行变形所确定的。利用传统的卡尔曼滤波算法计算电池模型参数的估计值，通过迭代的方式可以逐步消除soc的计算误差，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。
[0076]
结合上述实施例的内容，在一个实施例中，将满足预设条件的优化目标结果所对应的所述电池模型参数的估计值，作为当前电池模型参数的最终值之后，还包括：
[0077]
将满足预设条件的优化目标结果所对应的噪声组的数值，设置为下一次进行优化计算过程的噪声组的初始值。
[0078]
需要说明的是，利用满足预设条件的优化目标结果所对应过程噪声和电压噪声的数值，对噪声组进行更新，并输入给在线计算soc模块进行计算。
[0079]
在本发明实施例提供的方法中，将满足预设条件的优化目标结果所对应的所述电池模型参数的估计值，作为当前电池模型参数的最终值之后，还包括：将满足预设条件的优化目标结果所对应的噪声组的数值，设置为下一次进行优化计算过程的噪声组的初始值。在下一次电池开始工作时，将上一次优化得到的噪声组作为这次的初始值，这样误差更小，计算更方便，避免选择到不合适的噪声组带入计算电池soc。
[0080]
结合上述实施例的内容，在一个实施例中，噪声组包括过程噪声和电压噪声；相应地，调整所述噪声组的数值大小的过程，包括：
[0081]
基于第一预设间隔，在第一预设范围内调整所述过程噪声，并同时基于第二预设间隔，在第二预设范围内调整所述电压噪声；或者，
[0082]
基于第三预设间隔，在第一预设范围内调整所述过程噪声，在对过程噪声调整结束后，基于第四预设间隔，在第二预设范围内，对电压噪声进行调整。
[0083]
其中，无论是第一预设间隔、第二预设间隔、第三预设间隔还是第四预设间隔，其作为预设间隔，预设间隔的取值可以是固定的，如预设间隔取值为0.002，并在整个调整过程保持不变，也可以是变化的，如预设间隔按数列{0.002，0.001，0.002，0.001，
……
}取值，或者按数列{0.001，0.002，0.003，
……
}取值，本发明实施例中不对预设间隔其取值的变化方式作具体限定。另外，第一预设间隔、第二预设间隔、第三预设间隔与第四预设间隔的取值，可以全部相同，也可以全部不同，还可以局部相同，本发明实施例对此不作具体限定。
[0084]
为了方便计算，第一预设范围和第二预设范围可以相同，具体的范围区间可以根据实际的应用情况对噪声组的数值大小进行限定，再次可以给出一个实例，即第一预设范围和第二预设范围均为(10
‑5,10
‑3)。
[0085]
在发明实施例提供的方法中，噪声组包括过程噪声和电压噪声；相应地，调整所述噪声组的数值大小的过程，包括：基于第一预设间隔，在第一预设范围内调整所述过程噪声，并同时基于第二预设间隔，在第二预设范围内调整所述电压噪声；或者，基于第三预设间隔，在第一预设范围内调整所述过程噪声，在对过程噪声调整结束后，基于第四预设间隔，在第二预设范围内，对电压噪声进行调整。利用此方法能够尽可能的遍历预设范围内的噪声组的数值，找到更优化的噪声组数值进行soc在线计算，提高了在线计算soc的计算结
果的准确度。
[0086]
为方便理解，给给一个实施例作具体说明，此时在本发明实时里中，电池模型参数包括电池端电压和电池荷电状态，相应地，优化目标有两个，优化目标为电池端电压的估计值与电池端电压当前值之间差值的绝对值最小，优化目标为电池soc的当前值与电池soc的估计值之间差值的绝对值最小。具体算法流程参见图3。
[0087]
应该理解的是，虽然图1、图2及图3的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图2及图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0088]
需要说明的是，上述阐述的技术方案在实际实施过程中可以作为独立实施例来实施，也可以彼此之间进行组合并作为组合实施例实施。另外，在对上述本发明实施例内容进行阐述时，仅基于方便阐述的思路，按照相应顺序对不同实施例进行阐述，如按照数据流流向的顺序，而并非是对不同实施例之间的执行顺序进行限定，也不是对实施例内部步骤的执行顺序进行限定。相应地，在实际实施过程中，若需要实施本发明提供的多个实施例，则不一定需要按照本发明阐述实施例时所提供的执行顺序，而是可以根据需求安排不同实施例之间的执行顺序。
[0089]
结合上述实施例的内容，在一个实施例中，参见图5，提供了一种电池荷电状态的确定装置，其特征在于，所述装置包括：
[0090]
第一确定模块501，用于根据所述电池模型参数的当前值及所述电池模型参数的估计值，确定优化目标；
[0091]
第二确定模块502，用于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所述优化目标结果，将满足所述预设条件的优化目标结果所对应的所述电池模型参数的估计值，作为当前电池模型参数的最终值；
[0092]
其中，所述电池模型参数用于指示电池的工作状态，所述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。
[0093]
在一个实施例中，电池模型参数包括电池端电压，第一确定模块501，包括：若电池管理系统的断电时长超过第一预设阈值，则唤醒所述电池管理系统，并记录所述电池的当前开路电压作为所述电池端电压的当前值。
[0094]
在一个实施例中，第一确定模块501，包括：若电池管理系统的断电时长超过第一预设阈值，则唤醒所述电池管理系统，并记录所述电池的当前开路电压作为所述电池端电压的当前值；根据所述电池端电压与电池荷电状态之间的关系曲线，确定所述电池端电压的当前值所对应的电池当前荷电状态，所述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。
[0095]
在一个实施例中，电池模型参数包括电池端电压，第一确定模块501，包括：确定优化目标为以下两个绝对值的和值最小，所述以下两个绝对值分别为：电池荷电状态的当前值与所述电池荷电状态的估计值之间差值的绝对值及电池端电压的当前值与所述电池端
电压的估计值之间差值的绝对值。
[0096]
在一个实施例中，电池模型参数包括电池端电压，第二确定模块502，包括：对状态空间方程进行求解，得到所述电池模型参数的当前估计值，所述状态空间方程是基于卡尔曼滤波算法对电池二阶rc模型进行变形所确定的。
[0097]
在一个实施例中，第二确定模块502，包括：将满足所述预设条件的优化目标结果所对应的所述电池模型参数的估计值，作为当前电池模型参数的最终值之后，还包括：
[0098]
将满足所述预设条件的优化目标结果所对应的噪声组的数值，设置为下一次进行优化计算过程的所述噪声组的初始值。
[0099]
在一个实施例中，第一确定模块501，包括：基于第一预设间隔，在第一预设范围内调整所述过程噪声，并同时基于第二预设间隔，在第二预设范围内调整所述电压噪声；或者，
[0100]
基于第三预设间隔，在所述第一预设范围内调整所述过程噪声，在对所述过程噪声调整结束后，基于第四预设间隔，在所述第二预设范围内，对所述电压噪声进行调整。
[0101]
在本发明实施例提供的装置中，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。
[0102]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设阈值。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种有害语音的识别方法。
[0103]
本领域技术人员可以理解，图6示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0104]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0105]
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；
[0106]
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。
[0107]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：电池模型参数包括
电池端电压；相应地，所述电池端电压的当前值的获取过程，包括：
[0108]
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所述电池端电压的当前值。
[0109]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述电池荷电状态的当前值的获取过程，包括：
[0110]
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；
[0111]
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。
[0112]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：电池模型参数包括电池端电压；相应地，所述优化目标为以下两个绝对值的和值最小，以下两个绝对值分别为：电池荷电状态的当前值与电池荷电状态的估计值之间差值的绝对值及电池端电压的当前值与电池端电压的估计值之间差值的绝对值。
[0113]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：电池模型参数包括电池端电压；相应地，所述电池模型参数的估计值的获取过程，包括：
[0114]
对状态空间方程进行求解，得到电池模型参数的当前估计值，状态空间方程是基于卡尔曼滤波算法对电池二阶rc模型进行变形所确定的。
[0115]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将满足预设条件的优化目标结果所对应的所述电池模型参数的估计值，作为当前电池模型参数的最终值之后，还包括：
[0116]
将满足预设条件的优化目标结果所对应的噪声组的数值，设置为下一次进行优化计算过程的噪声组的初始值。
[0117]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：噪声组包括过程噪声和电压噪声；相应地，调整所述噪声组的数值大小的过程，包括：
[0118]
基于第一预设间隔，在第一预设范围内调整所述过程噪声，并同时基于第二预设间隔，在第二预设范围内调整所述电压噪声；或者，
[0119]
基于第三预设间隔，在第一预设范围内调整所述过程噪声，在对过程噪声调整结束后，基于第四预设间隔，在第二预设范围内，对电压噪声进行调整。
[0120]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0121]
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；
[0122]
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。
[0123]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：电池模型参数包括电池端电压；相应地，所述电池端电压的当前值的获取过程，包括：
[0124]
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所述电池端电压的当前值。
[0125]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述电池荷电状态的当前值的获取过程，包括：
[0126]
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；
[0127]
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。
[0128]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：电池模型参数包括电池端电压；相应地，所述优化目标为以下两个绝对值的和值最小，以下两个绝对值分别为：电池荷电状态的当前值与电池荷电状态的估计值之间差值的绝对值及电池端电压的当前值与电池端电压的估计值之间差值的绝对值。
[0129]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：电池模型参数包括电池端电压；相应地，所述电池模型参数的估计值的获取过程，包括：
[0130]
对状态空间方程进行求解，得到电池模型参数的当前估计值，状态空间方程是基于卡尔曼滤波算法对电池二阶rc模型进行变形所确定的。
[0131]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将满足预设条件的优化目标结果所对应的所述电池模型参数的估计值，作为当前电池模型参数的最终值之后，还包括：
[0132]
将满足预设条件的优化目标结果所对应的噪声组的数值，设置为下一次进行优化计算过程的噪声组的初始值。
[0133]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：噪声组包括过程噪声和电压噪声；相应地，调整所述噪声组的数值大小的过程，包括：
[0134]
基于第一预设间隔，在第一预设范围内调整所述过程噪声，并同时基于第二预设间隔，在第二预设范围内调整所述电压噪声；或者，
[0135]
基于第三预设间隔，在第一预设范围内调整所述过程噪声，在对过程噪声调整结束后，基于第四预设间隔，在第二预设范围内，对电压噪声进行调整。
[0136]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0137]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛
盾，都应当认为是本说明书记载的范围。
[0138]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。