本發(fā)明涉及電池技術領域，具體地涉及一種電池組荷電狀態(tài)soc估計方法及估計系統(tǒng)。

背景技術：

荷電狀態(tài)(state-of-charge，soc)是電池的關鍵參數(shù)之一，soc體現(xiàn)了電池組的剩余電量。

現(xiàn)有技術發(fā)表的電池soc評估方法一般基于在soc與可測量的參數(shù)，例如電池模塊、或者電池組電壓、電流、以及溫度之間不精確的相關性。電池運行中所涉及的過程的復雜性使得soc評估易于出錯。

隨著電動汽車的迅速發(fā)展，鋰電池作為其主流動力來源則備受關注。荷電狀態(tài)，是用戶評估當前電動汽車續(xù)航里程的直接參數(shù)。

目前電動汽車電池管理系統(tǒng)(batterymanagementsystem，bms)主要采用安時積分法來對電池組的soc進行估計，并輔以開路電壓和充放電末端電壓的校正，實現(xiàn)鋰電池的soc估計。對于這種方式，一方面安時積分法中的電流偏差導致的soc誤差難以解決，另一方面在使用電壓校正時，如果soc偏差較大，會造成soc的跳變，給用戶帶來soc不準的誤判。同時，soc一般在充放電末期進行校準，soc在放電末期的跳變會導致用戶對電動汽車剩余續(xù)駛里程的誤判，造成電動汽車在半路“趴窩”，給用戶帶來不便，制約電動汽車產(chǎn)業(yè)的發(fā)展。

技術實現(xiàn)要素：

本發(fā)明實施例的目的是提供一種電池組荷電狀態(tài)soc估計方法及估計系統(tǒng)，該方法改善soc跳變現(xiàn)象，提高soc估計的準確性。

為了實現(xiàn)上述目的，本發(fā)明實施例提供一種電池組荷電狀態(tài)soc估計方法，該方法包括：基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1；根據(jù)所述soc1，基于擴展卡爾曼濾波算法獲取所述電池組荷電狀態(tài)估計值soc2，并使電池組荷電狀態(tài)soc期望值與所述soc2相一致；以及顯示所述soc1，并使所述soc1收斂到所述soc期望值。

可選的，該方法還包括：判斷所述電池組的當前狀態(tài)；其中，在所述電池組的當前狀態(tài)為放電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最低者作為soc2；以及在所述電池組的當前狀態(tài)為充電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最高者作為soc2。

可選的，其中，基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1包括：根據(jù)如下公式計算所述電池組荷電狀態(tài)估計值soc1：

其中，soc(t)是t時刻的瞬時荷電狀態(tài)；soc(0)為荷電狀態(tài)初始值；η為充放電倍率對電池容量的影響，常設為1；i(t)是t時刻電池的測量電流；c0為電池的額定容量。

可選的，基于擴展卡爾曼濾波算法獲取所述電池組中各個電池單體的荷電狀態(tài)估計值soc包括：采用如下公式表示電池單體電壓與soc的關系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

對公式(1)和公式(2)進行離散化，根據(jù)離散化后的式(1)計算soc，代入離散化后的式(2)得到電池單體端電壓，與測量的電池單體電壓進行比較，計算差值，根據(jù)差值反推出soc的變化，對soc進行修正，計算各個電池單體的soc；

其中，

e(t)是電池單體t時刻的端電壓；

e0是電池單體充滿電后的空載電壓；

r0是電池單體的歐姆內阻；

k0、k1、k2和k3是測量得到的待辨識參數(shù)，用來表征電池單體的極化內阻。

可選的，在所述電池組的當前狀態(tài)為上電靜置狀態(tài)，且靜置時間大于或等于設定值的情況下，測量所述電池組的開路電壓，根據(jù)開路電壓校準下電前保存的soc1。

另一方面，本發(fā)明提供一種電池組荷電狀態(tài)soc估計系統(tǒng)，該系統(tǒng)包括：計算模塊，基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1，和根據(jù)所述soc1，基于擴展卡爾曼濾波算法獲取所述電池組荷電狀態(tài)估計值soc2；處理模塊，用于使電池組荷電狀態(tài)soc期望值與所述soc2相一致；以及顯示模塊，用于顯示所述soc1；其中，所述處理模塊還被配置成：使所述soc1收斂到所述soc期望值。

可選的，其中所述計算模塊還被配置成：判斷所述電池組的當前狀態(tài)；其中，在所述電池組的當前狀態(tài)為放電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最低者作為soc2；以及在所述電池組的當前狀態(tài)為充電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最高者作為soc2。

可選的，其中，所述計算模塊基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1包括：根據(jù)如下公式計算所述電池組荷電狀態(tài)估計值soc1：

其中，soc(t)是t時刻的瞬時荷電狀態(tài)；soc(0)為荷電狀態(tài)初始值；η為充放電倍率對電池容量的影響，常設為1；i(t)是t時刻電池的測量電流；c0為電池的額定容量。

可選的，其中，基于擴展卡爾曼濾波算法獲取所述電池組中各個電池單體的荷電狀態(tài)估計值soc包括：

表示電池單體電壓與soc的關系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

對公式(1)和公式(2)進行離散化，根據(jù)離散化后的式(1)計算soc，代入離散化后的式(2)得到電池單體端電壓，與測量的電池單體電壓進行比較，計算差值，根據(jù)差值反推出soc的變化，對soc進行修正，計算各個電池單體的soc；

其中，

e(t)是電池單體t時刻的端電壓；

e0是電池單體充滿電后的空載電壓；

r0是電池單體的歐姆內阻；

k0、k1、k2和k3是測量得到的待辨識參數(shù)，用來表征電池單體的極化內阻。

可選的，其中所述處理模塊還被配置成：當判斷所述電池組的當前狀態(tài)為上電靜置狀態(tài)，且靜置時間大于或等于設定值的情況下，測量所述電池組的開路電壓，根據(jù)所述開路電壓校準下電前保存的soc1。

通過上述技術方案，考慮電池組中各個電池單體的不一致性對電池組荷電狀態(tài)的影響，結合安時積分法和擴展卡爾曼濾波算法針對不同電池組狀態(tài)對電池組荷電狀態(tài)soc進行修正，使當前的soc值以一定速率快速跟隨至電池組荷電狀態(tài)soc真實期望值，改善電池組荷電狀態(tài)soc值跳變現(xiàn)象，提高電池組荷電狀態(tài)soc估計的準確性。

本發(fā)明實施例的其它特征和優(yōu)點將在隨后的具體實施方式部分予以詳細說明。

附圖說明

附圖是用來提供對本發(fā)明實施例的進一步理解，并且構成說明書的一部分，與下面的具體實施方式一起用于解釋本發(fā)明實施例，但并不構成對本發(fā)明實施例的限制。在附圖中：

圖1是本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖；

圖2a是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖；

圖2b是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖；

圖2c是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖；

圖2d是基于擴展卡爾曼濾波算法進行電池荷電狀態(tài)soc估計的流程圖；

圖3是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖；

圖4是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖；

圖5是本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計系統(tǒng)結構示意圖；

圖6是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計系統(tǒng)結構示意圖。

具體實施方式

以下結合附圖對本發(fā)明實施例的具體實施方式進行詳細說明。應當理解的是，此處所描述的具體實施方式僅用于說明和解釋本發(fā)明實施例，并不用于限制本發(fā)明實施例。

圖1是本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖。如圖1所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法，包括：在步驟s110中，基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1；在步驟s120中，根據(jù)所述soc1，基于擴展卡爾曼濾波算法獲取所述電池組荷電狀態(tài)估計值soc2，并在步驟s130中，使電池組荷電狀態(tài)soc期望值與所述soc2相一致；以及在步驟s140中，顯示所述soc1，并使所述soc1收斂到所述soc期望值。

基于安時積分法獲取的電池組荷電狀態(tài)估計值soc1因電流偏差導致的soc1誤差較大，會造成soc1跳變的現(xiàn)象，影響電池組荷電狀態(tài)估計的準確性。

通過上述技術方案，考慮電池組中各個電池單體的不一致性對電池組荷電狀態(tài)的影響，結合安時積分法和擴展卡爾曼濾波算法對電池組荷電狀態(tài)進行修正，使當前的soc1值以一定速率快速跟隨至基于擴展卡爾曼濾波算法獲取的電池組荷電狀態(tài)期望值soc2，改善電池組荷電狀態(tài)soc值跳變現(xiàn)象，提高電池組荷電狀態(tài)soc估計的準確性。

上述方案中，在步驟s140中，顯示所述soc1，并使所述soc1收斂到所述soc期望值。作為示例，可以根據(jù)電流和soc差值將soc1加速收斂到soc2，具體地，當電流較大，或超過某一限值時，使收斂的過程加快，反之，當電流較小，或低于某一限值時，使收斂的過程減慢。例如，當soc差值≥5％，電流≥0.2c，soc1以每秒(soc差值/60)的速度收斂到soc2，即經(jīng)過1分鐘，soc1逐漸變?yōu)閟oc2；而在其他情況，soc1以每秒(soc差值/30)的速度收斂到soc2，即經(jīng)過0.5分鐘，soc1逐漸變?yōu)閟oc2。

圖2a是本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖。如圖2a所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法，還包括：在步驟s104中，判斷所述電池組的當前狀態(tài)；其中，在所述電池組的當前狀態(tài)為放電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最低者作為soc2；以及在所述電池組的當前狀態(tài)為充電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最高者作為soc2。

通過上述技術方案，考慮電池組中各個電池單體的不一致性對電池組荷電狀態(tài)的影響，針對判斷確定的不同電池組狀態(tài)結合安時積分法和擴展卡爾曼濾波算法對電池組荷電狀態(tài)進行修正，如果采用電池單體電壓中最小者來作為模型的觀測變量，則獲得的soc2為電池組中所有電池單體中的最小soc；如果采用電池單體電壓中最大者作為模型的觀測變量，則獲得的soc2為電池組中所有電池單體中的最大soc，因此，在充電過程中采用最大電池單體電壓作為模型觀測變量，放電過程中采用最小電池單體電壓作為模型觀測量，可以避免電池不一致性導致的電池過充和過放問題。

同時，使當前的soc1以一定速率快速跟隨至電池組荷電狀態(tài)soc期望值，改善電池組荷電狀態(tài)估計值soc1跳變的現(xiàn)象，提高電池組荷電狀態(tài)soc估計的準確性。

圖2b是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖。如圖2b所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法，其中，在步驟s106中，判斷電池組的當前狀態(tài)是否為放電狀態(tài)，如在所述電池組的當前狀態(tài)為放電狀態(tài)的情況下，則在步驟s121中，根據(jù)soc1，基于擴展卡爾曼濾波算法獲取電池組中各個電池單體荷電狀態(tài)估計值soc，并在步驟s132中，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最低者作為soc2；如在步驟s106中判斷電池組狀態(tài)不是放電狀態(tài)，在步驟s108中，判斷電池組的當前狀態(tài)是否為充電狀態(tài)，如果在所述電池組的當前狀態(tài)為充電狀態(tài)的情況下，則在步驟s121中，根據(jù)soc1，基于擴展卡爾曼濾波算法獲取電池組中各個電池單體荷電狀態(tài)估計值soc，并在步驟s134中，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最高者作為soc2。

圖2c是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖。如圖2c所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法是圖2b所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法的變形，對于充電和放電狀態(tài)的判斷前，在步驟s110中，基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1。

圖2d是基于擴展卡爾曼濾波算法進行電池荷電狀態(tài)soc估計的流程圖。

上述方案中，在步驟s110中，基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1包括：根據(jù)如下公式計算所述電池組荷電狀態(tài)估計值soc1：

其中，soc(t)是t時刻的瞬時荷電狀態(tài)；soc(0)為荷電狀態(tài)初始值；η為充放電倍率對電池容量的影響，常設為1；i(t)是t時刻電池的測量電流；c0為電池的額定容量。

上述方案中，在步驟s120中，基于擴展卡爾曼濾波算法獲取所述電池組中各個電池單體的荷電狀態(tài)估計值soc包括：表示電池單體電壓與soc的關系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

對公式(1)和公式(2)進行離散化，根據(jù)離散化后的式(1)計算soc，代入離散化后的式(2)得到電池單體端電壓，與測量的電池單體電壓進行比較，計算差值，根據(jù)差值反推出soc的變化，對soc進行修正，計算各個電池單體的soc；

其中，

e(t)是電池單體t時刻的端電壓；

e0是電池單體充滿電后的空載電壓；

r0是電池單體的歐姆內阻；

k0、k1、k2和k3是測量得到的待辨識參數(shù)，用來表征電池單體的極化內阻。

在實際估計過程中，首先對式(1)和式(2)分別進行離散化和線性化，然后將通過式(1)獲得的soc1值代入式2，并將估計得到的電池單體電壓e(t)與bms測量的電池單體電壓值進行比較，獲得卡爾曼增益，它反映了殘差作用于狀態(tài)變量soc的權重，依據(jù)殘差對soc進行校準，實現(xiàn)電池組soc的準確估計。例如，當soc差值≥5％，電流≥0.2c，soc1以每秒(soc差值/60)的速度收斂到soc2，即經(jīng)過1分鐘，soc1逐漸變?yōu)閟oc2；而在其他情況，soc1以每秒(soc差值/30)的速度收斂到soc2，即經(jīng)過0.5分鐘，soc1逐漸變?yōu)閟oc2。

圖3是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖。如圖3所示的本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法，其中，在所述電池組的當前狀態(tài)為上電靜置狀態(tài)，且靜置時間大于或等于設定值的情況下，測量所述電池組的開路電壓，根據(jù)開路電壓校準下電前保存的soc1。

在步驟s103中，判斷電池組的當前狀態(tài)是否為上電靜置狀態(tài)，如是，則在步驟s104中，判斷靜置時間是否大于或等于設定值，如是，則在步驟s150中，根據(jù)開路電壓校準下電前保存的soc1，并顯示校準后的soc1。而后在步驟s106、108中，判斷電池組是否處于充放電狀態(tài)，并執(zhí)行相應的操作。

上述方案中，上電靜置時間的設定值例如可以為2小時，當大于等于2小時，根據(jù)開路電壓對保存的soc1值進行校準并顯示，當小于2小時，跳過校準過程。

圖4是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計方法流程圖。如圖4所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法，還包括：在電池組上電的情況下，在步驟s101中，讀取下電前保存的荷電狀態(tài)soc值，而后根據(jù)上述實施方式中的判斷的電池組的當前狀態(tài)依次執(zhí)行后續(xù)步驟，顯示電池荷電狀態(tài)值，還包括在步驟s140的顯示soc1，并將soc1收斂到soc期望值后，在步驟s160中，更新并存儲soc1。

本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計方法，在電池組結束靜置后，電池管理系統(tǒng)bms及電池組上電，bms判斷電池組是否滿足靜置條件，即電池組是否靜置超過設定時間，例如是否滿2個小時，若靜置時間≥2h，則采集電池組的開路電壓，根據(jù)電池組的開路電壓ocv來校準保存的soc1，并顯示校準后的soc1；若不滿足靜置的設定時間，則跳過靜置校準過程。

進一步地，例如由電池管理系統(tǒng)bms判斷電池組的當前狀態(tài)，當為充電或放電狀態(tài)時，bms基于安時積分法獲得soc1，該soc1為用于后續(xù)修正并顯示的實際顯示值。

進一步地，bms判斷電池組是否為放電狀態(tài)，若電池組處于放電狀態(tài)，則依據(jù)電池單體電壓中的最低者通過擴展卡爾曼濾波ekf算法獲取準確的電池組荷電狀態(tài)估計值soc2，并將其定義為soc期望值，然后soc1以一定速率快速逼近收斂soc期望值，即soc2中的最低者；當判斷電池組處于充電階段，則依據(jù)電池單體電壓中的最高者通過ekf算法獲取準確的socsoc2，并將其定義為soc期望值，然后soc1以一定速率快速收斂至soc期望值，即soc2中的最高者；一方面提高了soc值的估計精度，避免了電池組soc跳變帶來的影響，同時也考慮了電池組的一致性，避免了電池不一致性導致的電池組過充和過放問題。

通過定義兩個soc值，soc1為當前顯示的soc值，通過安時積分法獲得；定義soc2為真實的soc期望值，通過準確的電池模型和擴展卡爾曼濾波ekf算法獲得。在電動汽車靜置過程中，soc1修正為與soc2相等。在電動汽車運行過程中，若soc1不等于soc2，則soc1以一定速率逼近soc2，使得顯示的soc值(soc1)最終等于真實的期望值soc2，提高其soc精度。

同時為了考慮電池不一致性對電池soc值的影響，在電池放電過程中，用電池組最低單體電壓來作為觀測變量通過ekf估計得到真實的soc期望值，防止其過放；而在充電過程中，采用電池組最高單體電壓作為觀測變量通過ekf估計得到真實的期望soc，防止電池組過充。

圖5是本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計系統(tǒng)結構示意圖。如圖5所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計系統(tǒng)，包括：計算模塊10，基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1，和根據(jù)所述soc1，基于擴展卡爾曼濾波算法獲取所述電池組荷電狀態(tài)估計值soc2；處理模塊20，用于使電池組荷電狀態(tài)soc期望值與所述soc2相一致；以及顯示模塊30，用于顯示所述soc1；其中，所述處理模塊還被配置成：使所述soc1收斂到所述soc期望值。

上述方案中，所述計算模塊10還被配置成：判斷所述電池組的當前狀態(tài)；其中，在所述電池組的當前狀態(tài)為放電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最低者作為soc2；以及在所述電池組的當前狀態(tài)為充電狀態(tài)的情況下，將所述電池組中基于擴展卡爾曼濾波算法獲取的各個電池單體的荷電狀態(tài)估計值soc中的最高者作為soc2。

上述方案中，所述計算模塊10基于安時積分法獲取所述電池組荷電狀態(tài)估計值soc1包括：根據(jù)如下公式計算所述電池組荷電狀態(tài)估計值soc1：

其中，soc(t)是t時刻的瞬時荷電狀態(tài)；soc(0)為荷電狀態(tài)初始值；η為充放電倍率對電池容量的影響，常設為1；i(t)是t時刻電池的測量電流；c0為電池的額定容量。

上述方案中，所述計算模塊10基于擴展卡爾曼濾波算法獲取所述電池組中各個電池單體的荷電狀態(tài)估計值soc包括：

采用如下公式表示電池單體電壓與soc的關系：

e(t)＝e0-r0i(t)-k0/soc(t)-k1soc(t)+k2ln(soc(t))+k3ln(1-soc(t))(2)

對公式(1)和公式(2)進行離散化，根據(jù)離散化后的式(1)計算soc，代入離散化后的式(2)得到電池單體端電壓，與測量的電池單體電壓進行比較，計算差值，根據(jù)差值反推出soc的變化，對soc進行修正，計算各個電池單體的soc；

其中，

e(t)是電池單體t時刻的端電壓；

e0是電池單體充滿電后的空載電壓；

r0是電池單體的歐姆內阻；

k0、k1、k2和k3是測量得到的待辨識參數(shù)，用來表征電池單體的極化內阻。

上述方案中，所述處理模塊20還被配置成：當判斷所述電池組的當前狀態(tài)為上電靜置狀態(tài)，且靜置時間大于或等于設定值的情況下，測量所述電池組的開路電壓，根據(jù)所述開路電壓校準所述電池荷電狀態(tài)soc期望值。

圖6是本發(fā)明另一種實施方式的電池組荷電狀態(tài)soc估計系統(tǒng)結構示意圖。如圖6所示的本發(fā)明一種實施方式的電池組荷電狀態(tài)soc估計系統(tǒng)還包括：采集模塊40，用于采集電池組的狀態(tài)信息，如母線電流、電池總電壓/開路電壓、電池單體最高電壓、電池單體最低電壓、電池組平均溫度和電池組充放電狀態(tài)等信息；電池組狀態(tài)判斷模塊21，用于根據(jù)采集模塊40采集的電池組的狀態(tài)信息判斷電池組的當前狀態(tài)；以及校準模塊22，用于根據(jù)電池組狀態(tài)判斷模塊21判斷的電池組的當前狀態(tài)，對電池組荷電狀態(tài)soc值進行校準。

作為示例，電池組狀態(tài)判斷模塊21用于判斷電池組的當前狀態(tài)，如電池組的狀態(tài)是否為上電靜置、充電或放電狀態(tài)，當判斷為上電靜置狀態(tài)時，校準模塊22依據(jù)計算模塊10基于按時積分法獲取的電池組荷電狀態(tài)估計值soc1和計算模塊10根據(jù)soc1，基于擴展卡爾曼濾波算法獲取的電池組荷電狀態(tài)估計值soc2，使電池組荷電狀態(tài)soc期望值與電池組單體中的基于擴展卡爾曼濾波算法獲取的電池組荷電狀態(tài)估計值soc2的最高者相一致，對soc1進行校準，校準后的soc1值由顯示模塊30顯示。

以上結合附圖詳細描述了本發(fā)明例的可選實施方式，但是，本發(fā)明實施例并不限于上述實施方式中的具體細節(jié)，在本發(fā)明實施例的技術構思范圍內，可以對本發(fā)明實施例的技術方案進行多種簡單變型，這些簡單變型均屬于本發(fā)明實施例的保護范圍。

另外需要說明的是，在上述具體實施方式中所描述的各個具體技術特征，在不矛盾的情況下，可以通過任何合適的方式進行組合。為了避免不必要的重復，本發(fā)明實施例對各種可能的組合方式不再另行說明。

本領域技術人員可以理解實現(xiàn)上述實施例方法中的全部或部分步驟是可以通過程序來指令相關的硬件來完成，該程序存儲在一個存儲介質中，包括若干指令用以使得一個(可以是單片機，芯片等)或處理器(processor)執(zhí)行本申請各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。

此外，本發(fā)明實施例的各種不同的實施方式之間也可以進行任意組合，只要其不違背本發(fā)明實施例的思想，其同樣應當視為本發(fā)明實施例所公開的內容。