BRPI0416424B1

BRPI0416424B1 - Equipment and process for estimating the state of charge of a battery

Info

Publication number: BRPI0416424B1
Application number: BRPI0416424-5A
Authority: BR
Inventors: Cho Il
Original assignee: Lg Chem, Ltd.
Priority date: 2003-12-18
Filing date: 2004-12-17
Publication date: 2017-06-20
Also published as: CN1890574A; RU2006119641A; CN100570388C; TWI260808B; US7583059B2; BRPI0416424A; RU2328753C2; US20050194936A1; EP1702219A4; BRPI0416424B8; KR100651573B1; KR20050061386A; EP1702219B1; JP4331210B2; EP1702219A1; WO2005059579A1; JP2007518973A; CA2550072C; ATE556327T1; CA2550072A1

Abstract

"aparato e método para estimar o estado da carga de uma bateria usando rede neural". é descrito um aparato e um método para estimar o estado de carga de uma bateria apresentando uma característica não-linear usando uma rede neural. o aparato inclui uma seção sensora para detectar corrente, voltagem e temperatura de uma célula de bateria, uma rede neural que executa um algoritmo de rede neural e um algoritmo de aprendizagem baseado nos dados da corrente, voltagem e temperatura transmitidos da seção sensora e nos dados de tempo presente, produzindo assim uma saída do edc da bateria estimado por um algoritmo de aprendizagem final, e um comparador para comparar um valor de saída da rede neural com um valor-alvo pré-determinado e fazer a rede neural; executar interativamente o algoritmo de aprendizagem se a diferença entre o valor de saída da rede neural e o valor-alvo pré-determinado estiver fora de um limite pré-determinado, atualizando assim o algoritmo de aprendizagem para gerar o algoritmo de aprendizagem final. o estado de carga da bateria é precisamente estimado pelo algoritmo de rede neural.

Description

"EQUIPAMENTO E PROCESSO PARA ESTIMAR 0 ESTADO DE CARGA DE UMA BATERÍA" Campo Técnico A presente invenção se refere geralmente a um equipamento e um processo para estimar um estado de carga (EdC) de uma bateria, e mais particularmente a um equipamento e um processo para estimar um estado de carga (EdC) de uma bateria apresentando uma característica não-linear usando uma rede neural.

Estado da Arte Em geral, um estado de carga (EdC) de uma bateria representa uma característica não-linear, assim é difícil detectar precisamente o EdC da bateria. Assim, um valor de EdC da bateria não é detectado mas estimado. Particularmente, o EdC de baterias usadas em veículos elétricos híbridos (VEHs) ou veículos elétricos (VEs) tendo altas taxas-C podem apresentar fortes características não-lineares, assim é quase impossível detectar precisamente o EdC de tais baterias.

Convencionalmente, um esquema de contagem de Ah (ampère hora), um esquema de medição de VCA (voltagem de circuito aberto), ou um esquema de medição de impedância da bateria têm sido usados para estimar o EdC da bateria.

Primeiro, o esquema contagem de Ah calcula o EdC da bateria detectando a capacidade atual da bateria. Neste caso, um valor de estimação do EdC da bateria pode depender do estado de um sensor usado para detectar a capacidade atual da bateria. Assim, o valor de estimação do EdC da bateria pode variar, dependendo do grau de precisão e erro do sensor. 0 esquema de medição de VCA estima o EdC da bateria baseado em na voltagem de circuito aberto da bateria. Neste caso, porém, o EdC da bateria pode ser calculado apenas em um estado descansado da bateria. Além disso, o esquema de medição de VCA é influenciado pelo ambiente externo, tal como a temperatura externa. 0 esquema de medição da impedância da bateria estima o EdC da bateria baseado no valor de impedância da bateria. Porém, o esquema de medição da impedância da bateria é influenciado significativamente pela temperatura externa, de forma que a confiabilidade para o valor de estimação do EdC da bateria pode ser menor.

Então, é necessário prover um processo para estimar precisamente o EdC da bateria enquanto minimizando seu erro de estimação sem levar em conta a temperatura externa.

Breve Descrição dos Desenhos A fig. 1 é uma vista esquemática em blocos ilustrando um equipamento para estimar o EdC de uma bateria de acordo com uma forma de incorporação preferida da presente invenção. A fig. 2 é uma vista mostrando a estrutura de uma rede neural wavelet multi-dimensional dinâmica usada para a presente invenção. A fig. 3 é um fluxograma ilustrando seqüencialmente as etapas de aprendizagem pelo uso de uma rede neural de acordo com a forma de incorporação preferida da presente invenção. A fig. 4 é um fluxograma ilustrando seqüencialmente as etapas para produzir uma saída de um EdC de uma bateria utilizando um algoritmo de estimação final obtido pelas etapas de aprendizagem mostradas na fig. 3.

Objetivos da Invenção A presente invenção é dirigida a um equipamento e um processo para estimar o EdC de uma bateria que substancialmente obvia um ou mais problemas devido às limitações e desvantagens do estado da arte relacionada. É um objetivo da presente invenção prover um equipamento e um processo para estimar precisamente o EdC de uma bateria usando uma rede neural.

Outro objetivo da presente invenção é prover um equipamento e um processo capaz de estimar dinamicamente o EdC de uma bateria usando um mínimo de dados sob vários ambientes incluindo várias temperaturas e taxas-C.

Para alcançar estes objetivos e outras vantagens conforme o propósito da invenção, como aqui incorporado e amplamente descrito, é provido um equipamento para estimar o estado de carga (EdC) de uma bateria, o equipamento incluindo: uma seção sensora para detecção de corrente, voltagem e temperatura de uma célula de batería; uma rede neural que executa um algoritmo de rede neural e um algoritmo de aprendizagem baseado nos dados da corrente, voltagem e temperatura transmitidos da seção sensora e nos dados de tempo atuais, assim produzindo uma saída do EdC da batería estimado através de um algoritmo de aprendizagem final; e um comparador para comparar um valor de saída da rede neural com um predeterminado valor-alvo e fazer a rede neural executar interativamente o algoritmo de aprendizagem se a diferença entre o valor de saída da rede neural e o valor-alvo predeterminado estiver fora de um limite permissível predeterminado, e atualizar o algoritmo de aprendizagem para gerar o algoritmo de aprendizagem final.

De acordo com a forma de incorporação preferida da presente invenção, o valor-alvo predeterminado pode ser um EdC "verdadeiro" da batería. Porém, é difícil estimar precisamente o valor-alvo predeterminado, assim um valor de referência obtido pela execução de um experimento sob condições específicas é usado como valor-alvo. Por exemplo, o valor de referência é obtido baseado no valor da subtração dos dados de ampère-hora de um carregador/descarregador, da capacidade nominal da batería, ou um valor de voltagem de circuito aberto da batería, compensando respectivamente ou matematicamente um ao outro.

Embora a presente invenção seja descrita em relação à rede neural na forma de um algoritmo de rede neural wavelet multi-dimensional dinâmica, também é possível usar um algoritmo de rede neural wavelet dinâmica ou um algoritmo de rede neural estática. Além disso, embora a presente invenção seja descrita em relação a um algoritmo de aprendizagem de propagação reversa, também é possível usar um esquema de filtro de Kalman, GA, ou um algoritmo de aprendizagem fuzzy.

Para alcançar os citados objetivos da presente invenção, de acordo com outro aspecto da invenção, é provido um processo para estimar o estado de carga (EdC) de uma batería usando uma rede neural, o processo compreendendo as etapas de: (a) executar um algoritmo de aprendizagem baseado em dados de corrente, voltagem e temperatura detectados da batería e em dados de tempo atual; e (b) produzir uma saída do EdC da bater ia estimado por um algoritmo de aprendizagem final gerado pela execução do algoritmo de aprendizagem.

De acordo com a forma de incorporação preferida da presente invenção, a etapa (a) inclui as sub-etapas de detectar a corrente, a voltagem e a temperatura da bateria, executar um algoritmo de rede neural utilizando os dados da corrente, voltagem e temperatura detectados da bateria e os dados de tempo atual como dados de aprendizagem, conferir se a diferença entre um valor de saída produzido pelo algoritmo de rede neural e um valor-alvo predeterminado está dentro de um limite permissível predeterminado, e interativamente executar um algoritmo de aprendizagem se a diferença estiver fora do limite permissível predeterminado, atualizando assim o algoritmo de aprendizagem para gerar o algoritmo de aprendizagem final.

De acordo com a forma de incorporação preferida da presente invenção, a etapa (b) inclui as sub-etapas de detectar a corrente, a voltagem e a temperatura da bateria, e produzir uma saída do EdC da bateria por estimação do EdC da bateria através do algoritmo de aprendizagem final obtido na etapa (a) baseado nos dados de corrente, voltagem e temperatura detectados da bateria e nos dados do tempo presente.

Vantagens, objetivos, e características adicionais da invenção serão apresentados em parte na descrição a seguir e em parte ficarão aparentes àqueles tendo habilidades comuns do estado da arte, ou podem ser aprendidos a partir da prática da invenção. Os objetivos e outras vantagens da invenção podem ser percebidos e atingidos através da estrutura particularmente apontada na descrição escrita e reivindicações bem como também nos desenhos anexos.

Forma de Execução da Invenção Referência será feita agora em detalhes à forma de incorporação preferida da presente invenção, exemplos da qual estão ilustrados nos desenhos acompanhantes. Onde possível, os mesmos números de referência serão usados nos desenhos para referirem-se às mesmas ou iguais partes. A seguir, uma forma de incorporação preferida da presente invenção será explicada em detalhes com referência aos desenhos anexos. A fig. 1 é uma vista esquemática em blocos ilustrando um equipamento 100 para estimar o EdC de uma batería de acordo com uma forma de incorporação preferida da presente invenção.

Recorrendo à fig. 1, o equipamento 100 para estimar o EdC de uma batería usando uma rede neural inclui uma unidade detectora de corrente 12 para detectar a corrente (i) de uma célula de batería 10, uma unidade detectora de voltagem 14 para detectar a voltagem (V) da célula de batería 10, uma unidade detectora de temperatura 16 para detectar a temperatura (T) da célula de batería 10, uma rede neural 20 para executar um algoritmo de rede neural e um algoritmo de aprendizagem utilizando dados de aprendizagem incluindo a corrente (i), a voltagem (V), a temperatura (T) detectados pelas unidades detectoras 12, 14 e 16 acima, e o tempo (K), e para produzir uma saída de um EdC estimado baseado em uma fórmula de algoritmo aprendida finalmente gerada completando-se o algoritmo de rede neural e o algoritmo de aprendizagem, um carregador/descarregador 30 para alimentar a corrente de carregamento/descarregamento para a célula de bateria 10, e um comparador 40 que compara uma saída de EdC (gQ) da bateria produzida a partir da rede neural 20 com um EdC alvo (gT) , e confere se a diferença entre a saída de EdC (g0) e o EdC alvo (gT) está dentro de um limite permissível predeterminado, fazendo a rede neural 20 executar interativamente o algoritmo de aprendizagem se a diferença estiver fora do limite permissível predeterminado, atualizando assim o algoritmo de aprendizagem para gerar o algoritmo de aprendizagem final.

Preferivelmente, o EdC alvo (gT) é obtido por execução de um experimento sob condições específicas. Por exemplo, o EdC alvo (gT) é obtido subtraindo-se os dados (gr) de Ah (ampère hora) do carregador/descarregador 30, da capacidade nominal (gN) de uma bateria, isto é, gT = gN - Sr- Isto é porque um EdC alvo ideal pode ser obtido subtraindo-se os dados de Ah correspondendo à capacidade que já foi usada na bateria a partir da capacidade nominal da bateria, se o erro estiver dentro do limite aceitável. Alternativamente o EdC alvo (gT) é obtido baseado em um valor de voltagem de circuito aberto da bateria. É preferível compensar matematicamente o valor do esquema de contagem de Ah e o valor do esquema de medida de VCA, um ao outro. A fig. 2 é uma vista mostrando uma estrutura de uma rede neural usada para a presente invenção.

De acordo com a forma de incorporação preferida da presente invenção, a rede neural inclui uma rede neural wavelet multi-dimensional dinâmica.

Recorrendo a fig. 2, a rede neural wavelet multi-dimensional dinâmica inclui um campo de entrada, uma camada escondida e uma camada de saída.

Para aplicar um algoritmo de estimação do EdC de uma bateria na rede neural wavelet multi-dimensional dinâmica, uma função arbitrária /(r)e L2(i?) pode ser solucionada como se segue baseado em uma teoria wavelet.

Equação 1 Aqui, β é um coeficiente de uma função base φ{·) para solucionar a função arbitrária f(x) . Além disso, 2'" e n são parâmetros de dilação e translação para a função base φ{·) , respectivamente.

Além do mais, uma função de aproximação g(x) para a função arbitrária é apresentada como Equação 2.

Equação 2 A Equação 2 pode ser aplicada à rede neural wavelet multi-dimensional dinâmica mostrada na fig. 2 como se segue: Na fig. 2, xd(k) é um vetor de entrada de dados que entra na rede neural wavelet multi-dimensional dinâmica. De acordo com a presente forma de incorporação, xd(k) é um vetor incluindo dados de entrada consistindo na corrente, voltagem, e temperatura que entram na rede neural wavelet multi-dimensional dinâmica durante um predeterminado período de tempo (k) . Quer dizer, xd(k) = (i, v, T, k) . Além disso, gD(xd(k)) é um valor de saída que é estimado pela rede neural wavelet multi-dimensional dinâmica baseado nos dados de entrada. 0 valor g0(xd(k)) é apresentado como Equação 3.

Equação 3 Aqui, Wf e W," são coeficientes representando o peso de conexão, o qual é atualizado a cada tempo (k) baseado no algoritmo de aprendizagem de propagação reversa (PR) de forma que a função arbitrária é identificada aproximadamente com uma função não-linear.

Se a diferença entre o valor de saída g0 e o valor-alvo gT detectado pelo comparador 40 da rede neural wavelet multi-dimensional dinâmica não existe dentro de um limite permissível predeterminado (por exemplo, 3%), o seguinte algoritmo de aprendizagem de propagação reversa é interativamente executado por meio da rede neural 20.

Antes de explicar o algoritmo de aprendizagem de propagação reversa (PR), note-se que uma função de erro é definida como Equação 4.

Equação 4 Aqui, gT(k) é um valor de saída desejado, quer dizer, o valor-alvo, e g„(k) é um valor de saída atual da rede neural 20. Ao substituir Equação 4 com gT(k)-g„(k)= e(k), um gradiente de erro é obtido conforme representado na Equação 5.

Equação 5 Também, um gradiente de erro de W® , W," é obtido conforme representado na Equação 6.

Equação 6 Pn(k) = ç(Sn(mXÁk-^) + WfPn(k-D), Pn (0) = 0 (3) Então, uma atualização final para o peso de conexão é executada como se segue: Equação 7 aqui, 1] é uma taxa de aprendizagem.

Deste modo, a rede neural 20 interativamente envia um novo valor de saída g0, de qual é gerado novamente baseado em valores atualizados de W„D , W°a , e Xn(k), para o comparador 40 enquanto interativamente executa o algoritmo de aprendizagem de propagação reversa. Além disso, tal procedimento é interativamente executado até que a diferença entre o valor de saída gc e o valor-alvo gT fique definida dentro do limite permissível predeterminado.

Quando a diferença entre o valor de saída gG e o valor-alvo gT estiver definida dentro do limite permissível predeterminado, o algoritmo de aprendizagem usando a rede neural é completado e sai o EdC estimado usando a fórmula do algoritmo de estimação final (quer dizer, a Equação 3) obtida pelo algoritmo de aprendizagem. A seguir, um processo para estimar o EdC da batería será descrito com referência às figs. 3 e 4. O processo para estimar o EdC da batería de acordo com a presente invenção inclui uma etapa de aprendizagem usando a rede neural, quer dizer, uma etapa de obtenção de um algoritmo de estimação final executando o algoritmo de rede neural e o algoritmo de aprendizagem, e uma etapa para produzir uma saída de EdC da batería usando o algoritmo de estimação final. A fig. 3 é um fluxograma ilustrando seqüencialmente etapas de aprendizagem usando a rede neural de acordo com a forma de incorporação preferida da presente invenção.

Recorrendo à fig. 3, a corrente (i), a voltagem (v) e a temperatura (T) são detectadas da célula de bateria 10 (etapa 10, S10). Então, o algoritmo de rede neural wavelet multi-dimensional dinâmica é executado utilizando a corrente (i) , a voltagem (v) e a temperatura (T) detectadas e os dados de tempo (k) como um vetor de entrada de dados, quer dizer, xd(k) = (i, v, T, k). Como resultado, um valor de saída gD pode ser obtido (etapa 12) .

Depois disso, o valor de saída g0 é comparado com o valor-alvo gT, e é conferido se a diferença entre o valor de saída gQ e o valor-alvo gT está dentro do limite de erro predeterminado de 3% (etapa 14) . Embora o limite de erro permissível predeterminado seja fixado em 3% na presente forma de incorporação, o limite de erro predeterminado pode ser mudado, se necessário. O EdC da bateria pode ser estimado precisamente à medida em que o limite de erro permissível é reduzido. Em contraste, o EdC da bateria pode ser estimado com menos precisão à medida em que o limite de erro permissível é aumentado.

Se for determinado na etapa 14 que a diferença excede o limite de erro permissível predeterminado, o algoritmo de aprendizagem de propagação reversa é executado, obtendo-se assim um valor de saída g0 atualizado (etapa 16) . Então, o procedimento retorna para a etapa 14.

Enquanto isso, se for determinado na etapa 14 que a diferença é igual ou menor que o limite de erro permissível predeterminado, o algoritmo de aprendizagem de rede neural é completado (etapa 18) . Como resultado, a fórmula do algoritmo de estimação final (quer dizer, a Equação 3) pode ser obtida pelo algoritmo de aprendizagem. A fig. 4 é um fluxograma ilustrando um procedimento para produzir uma saída de EdC da bateria utilizando o algoritmo de estimação final obtido pelas etapas de aprendizagem mostradas na fig. 3.

Recorrendo à fig. 4, a corrente (i) , a voltagem (v) e a temperatura (T) são detectadas da célula de batería 10 (etapa 20). Então, o EdC da batería sai utilizando-se o algoritmo de estimação final obtido pelo algoritmo de aprendizagem mostrado na fig. 3, enquanto empregando a corrente (i), a voltagem (v) e a temperatura (T) detectadas e os dados de tempo (k) como um vetor de entrada de dados, quer dizer, xd(k) = (i, v, T, k) (etapa 22) .

Aplicabilidade Industrial Embora a presente invenção seja descrita em relação à rede neural na forma de uma rede neural wavelet multi-dimensional dinâmica, a presente invenção não é limitada a ela, exclusivamente. Quer dizer, a presente invenção é aplicável a uma rede neural de alimentação para adiante, a uma rede neural recorrente, a uma rede neural wavelet, etc.

Além disso, embora a presente invenção empregue o algoritmo de aprendizagem de propagação reversa como um algoritmo de aprendizagem, a presente invenção não é limitada a ele, exclusivamente. Por exemplo, a presente invenção pode empregar um esquema de filtro de Kalman convencional, GA, e um algoritmo de aprendizagem fuzzy.

Como descrito acima, a presente invenção pode estimar dinamicamente o EdC da batería através do algoritmo de rede neural e do algoritmo de aprendizagem. Particularmente, o EdC da batería pode ser estimado precisamente mesmo sob ambientes externos variados incluindo diversas temperaturas e taxas-C. A presente invenção está efetivamente disponível para o campo dos veículos elétricos híbridos nos quais o EdC da batería deve ser precisamente estimado.

As formas de incorporação acima são meramente exemplificativas e não devem ser interpretadas como limitativas da presente invenção. Os presentes ensinamentos podem ser prontamente aplicados a outros tipos de equipamentos. É pretendido que a descrição da presente invenção seja ilustrativa, e não limite o escopo das reivindicações. Muitas alternativas, modificações, e variações serão aparentes para aqueles qualificados no estado da arte.

REIVINDICAÇÕES

Claims

1. Equipamento f100) para estimar o estado de carga {EdC) de uma batería, o equipamento compreendendo: uma seção sensora {12, 14, 16) para detectar corrente, voltagem, e temperatura a partir de uma célula de batería 110»; uma rede neurai {20) executando um algoritmo de rede neurai para cálculo do EdC da ba ter ia pelo processamento de dados de corrente, voltagem e temperatura transmitidos ao mesmo a partir da seção sensor a e dados de tempo atual, ern que os coeficientes de peso de conexão do algoritmo neurai. são atualizados por um algoritmo de aprendizagem que direciona o EdC calculado da batería para seguir um valor-alvo predeterminado; e um com.parador (40) em comunicação com a rede neurai (20) para monitorar a saída da rede neurai {20} durante o cálculo do EdC da batería, o qual compara o EdC da batería calculado pela rede neurai (20) coir. um, valor-alvo predeterminado que varia com. a carga ou descarga da bateria, caracterizado por prover um sinal de controle para a rede neurai (20) para executar o algoritmo de aprendizagem se uma diferença, entre o EdC calculado da batería e o valor-alvo predeterminado estiver fora de um limite predeterminado.

2. Equipamento (100), áe acordo com. a reivindicação 1, caracterizado pelo fato de que o valor-alvo predeterminado é um valor de referência obtido através da execução de uma experiência sob condições especificas.

3. Equipamento {1.00), de acordo com a reivindicação 2, caracterizado pelo fato cie que o valor de referência é obtido baseado no valor da subtração dos dados de ampère-hora de um carregador/descarregador { 30 3 , da capacidade nominal da batería, ou no valor de voltagem de circuito aberto da batería, compensando-se respectivamerite ou matematicamente um ao outro.

4. Equipamento (100), de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que a rede neurai inclui um algoritmo de rede neurai wãvelec dinâmica ou um algoritmo de rede neurai wavelet estática.

5, Equipamento (100), cie acordo com a reivindicação 4, caracterizado pelo fato de que a rede neural j.nciui um algoritmo de rede neural wavel et rttul ti-dimensional dinâmica,

6. Equipamento (100}, de acordo com qualquer uma das reivindicações 1 a 5, c aractarizado pelo fato de que o algoritmo ae aprendizagem inclui um. algoritmo de aprendizagem de propagação reversa, um esquema de filtro de Kalrnan, GA, ou um algoritmo de aprendizagem fuzzy,

7. Processo para estimar o estado de carga {EdO de uma batería usando uma rede neural em comunicação com um comparados, o processo compreendendo as etapas de: (a) detectar a corrente, a voltagem e a t emperatu r a d a b a t e ri a; (b,1 executar um, algoritmo de rede neural para cálculo do Ea€ aa batería pelo processamento de dados de corrente, voltagem e temperatura detectados e dados de tempo atual e produzir urna saída do EdC da batería para ura. dispositivo de batería íc) calcular um valor do diferença, entre o tdü calculado ca oateria e um valor-alvo predeterminado que varia com a carga ou descarga da batería; (d) monitorar o valor de diferença; e caracterizado por v) uxi :cu~ ,1 ,u-bgoritmo de aprendizagem de modo a atualizar os ""í.: cie n*.s : de conexão do algoritmo de rede neurai tal da batería possa seguir um valor-alvo premiei ei mir.ciov .m n y j 1 or de diferença estiver fora de um limite predeterminado.

8. Processo, de acordo corn a. reivindicação 7, caracterizado pelo fato de que o valor-alvo predeterminado é um valor de 1 et erènc ia obtιαο através da execução de uma experiência sob condições especificas.

9. Processo, de acordo cora a reivindicação 8, caracterizado pelo fato de que o valor de referência ê obtido baseado no valor da subtração dos dados de ampère-hora de um carregador/descarregador, cia capacidade nominal da batería, ou no valor de voltagem de circuito aberto da. batería, compensando respeccivamer.te ou matematicamente um ao outro,

10. Processo, de acordo com qualquer uma das reivindicações 7 a 9, caracterizado pelo fato de que a rede neural incluí um algoritmo de rede neural wavelet dinâmica ou um algoritmo de rede neural wavelet estática.

11. Processo, de acordo com a reivindicação 10, caracterizado pelo fato de que a rede neural wavelet incluí um algoritmo de rede neural wavelet mui ti-dimensional dinâmica.,

12. Processo, de acordo com qualquer uma das reivindicações 7 a I.», caracterizado pelo feito de que o algoritmo de aprendizagem inclui um algoritmo de aprendizagem de propagação reversa, um esquema de filtro de Kaiman, GA, ou. uni algoritmo de aprendizagem fuzzy.