BRPI0416424B1 - Equipment and process for estimating the state of charge of a battery - Google Patents
Equipment and process for estimating the state of charge of a battery Download PDFInfo
- Publication number
- BRPI0416424B1 BRPI0416424B1 BRPI0416424-5A BRPI0416424A BRPI0416424B1 BR PI0416424 B1 BRPI0416424 B1 BR PI0416424B1 BR PI0416424 A BRPI0416424 A BR PI0416424A BR PI0416424 B1 BRPI0416424 B1 BR PI0416424B1
- Authority
- BR
- Brazil
- Prior art keywords
- battery
- neural network
- algorithm
- eoc
- value
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/46—Control modes by self learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/48—Control modes by fuzzy logic
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2200/00—Safety devices for primary or secondary batteries
- H01M2200/10—Temperature sensitive devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
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 (12)
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.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20030092880 | 2003-12-18 | ||
KR10-2003-0092880 | 2003-12-18 | ||
PCT/KR2004/003332 WO2005059579A1 (en) | 2003-12-18 | 2004-12-17 | Apparatus and method for estimating state of charge of battery using neural network |
Publications (3)
Publication Number | Publication Date |
---|---|
BRPI0416424A BRPI0416424A (pt) | 2007-01-16 |
BRPI0416424B1 true BRPI0416424B1 (pt) | 2017-06-20 |
BRPI0416424B8 BRPI0416424B8 (pt) | 2023-01-17 |
Family
ID=36809350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BRPI0416424A BRPI0416424B8 (pt) | 2003-12-18 | 2004-12-17 | Equipamento e processo para estimar o estado de carga de uma bateria |
Country Status (11)
Country | Link |
---|---|
US (1) | US7583059B2 (pt) |
EP (1) | EP1702219B1 (pt) |
JP (1) | JP4331210B2 (pt) |
KR (1) | KR100651573B1 (pt) |
CN (1) | CN100570388C (pt) |
AT (1) | ATE556327T1 (pt) |
BR (1) | BRPI0416424B8 (pt) |
CA (1) | CA2550072C (pt) |
RU (1) | RU2328753C2 (pt) |
TW (1) | TWI260808B (pt) |
WO (1) | WO2005059579A1 (pt) |
Families Citing this family (140)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321220B2 (en) * | 2003-11-20 | 2008-01-22 | Lg Chem, Ltd. | Method for calculating power capability of battery packs using advanced cell model predictive techniques |
US8103485B2 (en) * | 2004-11-11 | 2012-01-24 | Lg Chem, Ltd. | State and parameter estimation for an electrochemical cell |
DE602006002896D1 (de) * | 2005-02-14 | 2008-11-13 | Denso Corp | Verfahren und Vorrichtung zur Erkennung des Ladestatus einer Sekundärbatterie auf Basis neuronaler Netzwerkkalkulation |
KR100842678B1 (ko) * | 2005-03-17 | 2008-06-30 | 주식회사 엘지화학 | 동적 패턴에 대한 배터리 잔존량 추정법의 비교 참조값구성 방법 |
JP4587306B2 (ja) * | 2005-04-20 | 2010-11-24 | 株式会社デンソー | 二次電池の残存容量演算方法 |
KR100793616B1 (ko) * | 2005-06-13 | 2008-01-10 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
US7723957B2 (en) * | 2005-11-30 | 2010-05-25 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery parameter vector |
FR2897161B1 (fr) * | 2006-02-09 | 2008-07-11 | Peugeot Citroen Automobiles Sa | Systeme de recalage de l'information d'etat de charge d'une batterie de vehicule automobile |
KR100901252B1 (ko) * | 2006-08-02 | 2009-06-08 | 주식회사 엘지화학 | 슬라이딩 모드 관측기를 이용한 2차 전지 soc 예측방법 및 장치 |
CN101535827A (zh) * | 2006-10-30 | 2009-09-16 | 皇家飞利浦电子股份有限公司 | 用于在电池非平衡时确定电池的荷电状态的设备和方法 |
GB2444511B (en) * | 2006-12-06 | 2008-10-22 | Iti Scotland Ltd | Battery Management System |
EP2110679B1 (en) * | 2007-02-08 | 2013-04-10 | Panasonic EV Energy Co., Ltd. | Device and method for detecting abnormality of electric storage device |
JP2008232758A (ja) * | 2007-03-19 | 2008-10-02 | Nippon Soken Inc | 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置 |
CN101067644B (zh) | 2007-04-20 | 2010-05-26 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN101067645B (zh) * | 2007-04-20 | 2010-11-24 | 杭州高特电子设备有限公司 | 一种阀控式铅酸蓄电池性能分析方法 |
CN101359036B (zh) * | 2007-07-31 | 2010-11-17 | 比亚迪股份有限公司 | 电池荷电状态的测定方法 |
KR100911316B1 (ko) * | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
KR100936892B1 (ko) * | 2007-09-13 | 2010-01-14 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
US8628872B2 (en) * | 2008-01-18 | 2014-01-14 | Lg Chem, Ltd. | Battery cell assembly and method for assembling the battery cell assembly |
US7994755B2 (en) * | 2008-01-30 | 2011-08-09 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery cell module state |
US9140501B2 (en) * | 2008-06-30 | 2015-09-22 | Lg Chem, Ltd. | Battery module having a rubber cooling manifold |
US8426050B2 (en) * | 2008-06-30 | 2013-04-23 | Lg Chem, Ltd. | Battery module having cooling manifold and method for cooling battery module |
US8486552B2 (en) * | 2008-06-30 | 2013-07-16 | Lg Chem, Ltd. | Battery module having cooling manifold with ported screws and method for cooling the battery module |
US7883793B2 (en) * | 2008-06-30 | 2011-02-08 | Lg Chem, Ltd. | Battery module having battery cell assemblies with alignment-coupling features |
US8067111B2 (en) * | 2008-06-30 | 2011-11-29 | Lg Chem, Ltd. | Battery module having battery cell assembly with heat exchanger |
US9759495B2 (en) * | 2008-06-30 | 2017-09-12 | Lg Chem, Ltd. | Battery cell assembly having heat exchanger with serpentine flow path |
US8202645B2 (en) | 2008-10-06 | 2012-06-19 | Lg Chem, Ltd. | Battery cell assembly and method for assembling the battery cell assembly |
FR2942087B1 (fr) | 2009-02-12 | 2011-02-18 | Peugeot Citroen Automobiles Sa | Dispositif et procede de gestion du niveau de charge electrique lors de la mise en charge d'une source de stockage electrochimique embarquee dans un vehicule |
US9337456B2 (en) * | 2009-04-20 | 2016-05-10 | Lg Chem, Ltd. | Frame member, frame assembly and battery cell assembly made therefrom and methods of making the same |
US8852778B2 (en) * | 2009-04-30 | 2014-10-07 | Lg Chem, Ltd. | Battery systems, battery modules, and method for cooling a battery module |
US8403030B2 (en) * | 2009-04-30 | 2013-03-26 | Lg Chem, Ltd. | Cooling manifold |
US8663828B2 (en) * | 2009-04-30 | 2014-03-04 | Lg Chem, Ltd. | Battery systems, battery module, and method for cooling the battery module |
US8663829B2 (en) | 2009-04-30 | 2014-03-04 | Lg Chem, Ltd. | Battery systems, battery modules, and method for cooling a battery module |
CN102439781A (zh) * | 2009-05-11 | 2012-05-02 | 马亨德拉雷瓦电动汽车私人有限公司 | 用于监视和控制能源系统的系统和方法 |
US8703318B2 (en) * | 2009-07-29 | 2014-04-22 | Lg Chem, Ltd. | Battery module and method for cooling the battery module |
US8399118B2 (en) * | 2009-07-29 | 2013-03-19 | Lg Chem, Ltd. | Battery module and method for cooling the battery module |
CN102612784B (zh) * | 2009-08-21 | 2015-08-19 | 马亨德拉雷瓦电动汽车私人有限公司 | 对储能系统中的储备能量的确定和使用 |
US8399119B2 (en) * | 2009-08-28 | 2013-03-19 | Lg Chem, Ltd. | Battery module and method for cooling the battery module |
RU2491566C1 (ru) * | 2010-02-18 | 2013-08-27 | Ниссан Мотор Ко., Лтд. | Устройство оценки состояния батареи и способ оценки состояния батареи |
JP5691592B2 (ja) | 2010-02-18 | 2015-04-01 | 日産自動車株式会社 | 電池状態推定装置 |
US8319479B2 (en) * | 2010-03-23 | 2012-11-27 | Ememory Technology Inc. | Method of estimating battery recharge time and related device |
EP2551687B1 (en) | 2010-03-23 | 2020-07-15 | Furukawa Electric Co., Ltd. | Device for estimating internal state of battery, and method for estimating internal state of battery |
US20110234167A1 (en) * | 2010-03-24 | 2011-09-29 | Chin-Hsing Kao | Method of Predicting Remaining Capacity and Run-time of a Battery Device |
US8341449B2 (en) | 2010-04-16 | 2012-12-25 | Lg Chem, Ltd. | Battery management system and method for transferring data within the battery management system |
US9147916B2 (en) | 2010-04-17 | 2015-09-29 | Lg Chem, Ltd. | Battery cell assemblies |
WO2011133863A2 (en) * | 2010-04-22 | 2011-10-27 | Enerdel, Inc. | Monitoring of battery state of charge |
TWI395965B (zh) * | 2010-06-04 | 2013-05-11 | Nat Univ Chin Yi Technology | 燃料電池故障預測系統及其建立方法 |
US8353315B2 (en) | 2010-08-23 | 2013-01-15 | Lg Chem, Ltd. | End cap |
US8920956B2 (en) | 2010-08-23 | 2014-12-30 | Lg Chem, Ltd. | Battery system and manifold assembly having a manifold member and a connecting fitting |
US8758922B2 (en) | 2010-08-23 | 2014-06-24 | Lg Chem, Ltd. | Battery system and manifold assembly with two manifold members removably coupled together |
US8469404B2 (en) | 2010-08-23 | 2013-06-25 | Lg Chem, Ltd. | Connecting assembly |
US9005799B2 (en) | 2010-08-25 | 2015-04-14 | Lg Chem, Ltd. | Battery module and methods for bonding cell terminals of battery cells together |
US8662153B2 (en) | 2010-10-04 | 2014-03-04 | Lg Chem, Ltd. | Battery cell assembly, heat exchanger, and method for manufacturing the heat exchanger |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
JP5695464B2 (ja) * | 2011-03-28 | 2015-04-08 | 株式会社東芝 | 充放電判定装置及び充放電判定プログラム |
US8288031B1 (en) | 2011-03-28 | 2012-10-16 | Lg Chem, Ltd. | Battery disconnect unit and method of assembling the battery disconnect unit |
CN102226834B (zh) * | 2011-03-31 | 2013-02-20 | 杭州高特电子设备有限公司 | 基于模糊分类技术的蓄电池容量判断方法 |
US8449998B2 (en) | 2011-04-25 | 2013-05-28 | Lg Chem, Ltd. | Battery system and method for increasing an operational life of a battery cell |
US9178192B2 (en) | 2011-05-13 | 2015-11-03 | Lg Chem, Ltd. | Battery module and method for manufacturing the battery module |
KR20120134415A (ko) * | 2011-06-02 | 2012-12-12 | 에스케이이노베이션 주식회사 | Ess의 배터리 수명 예측 시스템 및 그 방법 |
US8859119B2 (en) | 2011-06-30 | 2014-10-14 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8974928B2 (en) | 2011-06-30 | 2015-03-10 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8974929B2 (en) | 2011-06-30 | 2015-03-10 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8993136B2 (en) | 2011-06-30 | 2015-03-31 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US9496544B2 (en) | 2011-07-28 | 2016-11-15 | Lg Chem. Ltd. | Battery modules having interconnect members with vibration dampening portions |
CN103635822B (zh) * | 2011-08-30 | 2016-02-10 | 三洋电机株式会社 | 电池系统、电动车辆、移动体、电力储存装置以及电源装置 |
CN102364353B (zh) * | 2011-11-14 | 2013-10-16 | 北京理工大学 | 一种基于热效应的二次电池一致性评估方法 |
US9316699B2 (en) | 2012-04-05 | 2016-04-19 | Samsung Sdi Co., Ltd. | System for predicting lifetime of battery |
TWI460453B (zh) * | 2012-09-28 | 2014-11-11 | Metal Ind Res & Dev Ct | 以兩個相互垂直的分量相加合成的電池殘電量估測系統及其估測方法 |
KR101547006B1 (ko) * | 2012-10-26 | 2015-08-24 | 주식회사 엘지화학 | 배터리 잔존 용량 추정 장치 및 방법 |
US8981857B2 (en) | 2012-11-15 | 2015-03-17 | Freescale Semiconductor, Inc. | Temperature dependent timer circuit |
CN103018673B (zh) * | 2012-11-19 | 2015-01-21 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
AT512003A3 (de) * | 2013-01-23 | 2014-05-15 | Avl List Gmbh | Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC |
US20140218040A1 (en) * | 2013-02-01 | 2014-08-07 | Samsung Sdi Co., Ltd. | Method for estimating the state of charge of a battery, and battery management system using the method |
US10664562B2 (en) * | 2013-02-24 | 2020-05-26 | Fairchild Semiconductor Corporation and University of Connecticut | Battery state of charge tracking, equivalent circuit selection and benchmarking |
CN103176139B (zh) * | 2013-03-08 | 2015-07-29 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及系统 |
US20140278169A1 (en) * | 2013-03-12 | 2014-09-18 | Samsung Sdi Co., Ltd. | Apparatus for predicting state of health of battery pack by using discrete wavelet transform |
TWI491801B (zh) * | 2013-03-18 | 2015-07-11 | Nat Univ Chin Yi Technology | 風力發電故障預測系統及其方法 |
FR3010532B1 (fr) * | 2013-09-11 | 2017-06-09 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie |
US10950421B2 (en) * | 2014-04-21 | 2021-03-16 | Lam Research Corporation | Using modeling for identifying a location of a fault in an RF transmission system for a plasma system |
KR20150121920A (ko) * | 2014-04-22 | 2015-10-30 | 현대모비스 주식회사 | 차량용 배터리 센서 및 상기 센서를 이용한 계절 판단 방법 |
KR102241683B1 (ko) * | 2014-07-30 | 2021-04-19 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
CN104375091A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 电动汽车动力蓄电池组监测方法 |
CN104569838B (zh) * | 2014-12-23 | 2017-11-21 | 深圳市科陆电子科技股份有限公司 | 基于远程监控的集装箱储能设备核心部件的评价方法 |
CN104849671B (zh) * | 2015-05-22 | 2017-07-11 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测系统 |
KR102527334B1 (ko) | 2015-11-24 | 2023-05-02 | 삼성전자주식회사 | 배터리 관리 장치 및 방법 |
CN105528637B (zh) * | 2015-11-26 | 2018-06-22 | 江南大学 | 基于线性内插型模糊神经网络的诊断方法 |
CN105911476B (zh) * | 2016-04-13 | 2018-08-28 | 华北电力大学 | 一种基于数据挖掘的电池储能系统soc预测方法 |
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
CN106324517A (zh) * | 2016-08-29 | 2017-01-11 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池性能预测方法 |
US10997490B2 (en) * | 2017-02-24 | 2021-05-04 | International Business Machines Corporation | Battery-based neural network weights |
KR20230170991A (ko) * | 2017-05-03 | 2023-12-19 | 가부시키가이샤 한도오따이 에네루기 켄큐쇼 | 신경망, 전력 저장 시스템, 차량, 및 전자 기기 |
CN107037373B (zh) * | 2017-05-03 | 2019-03-29 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
US11691518B2 (en) | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
CN107436411B (zh) * | 2017-07-28 | 2019-06-14 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
US11870042B2 (en) | 2017-09-06 | 2024-01-09 | Semiconductor Energy Laboratory Co., Ltd. | Power storage system, vehicle, electronic device, and semiconductor device |
KR101965832B1 (ko) * | 2017-11-27 | 2019-04-05 | (주) 페스코 | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 |
CN108414937A (zh) * | 2017-12-08 | 2018-08-17 | 国网北京市电力公司 | 充电电池荷电状态确定方法及装置 |
KR102043626B1 (ko) * | 2017-12-27 | 2019-12-02 | 주식회사 비앤에이치코리아 | 복수의 성형수술경험자의 비포 앤 애프터 이미지에 대한 빅데이터를 분석하여 성형수술을 희망하는 고객에게 가상의 성형이미지를 제공하는 딥러닝 기반 가상성형장치 |
KR101992051B1 (ko) * | 2018-03-19 | 2019-06-21 | 충북대학교 산학협력단 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
CN108573545B (zh) * | 2018-04-24 | 2019-10-08 | 中南大学 | 一种冰雪环境无人驾驶车辆电源模型预测方法与系统 |
US11493558B2 (en) | 2018-04-27 | 2022-11-08 | Semiconductor Energy Laboratory Co., Ltd. | Estimation method of state of charge of power storage device and estimation system of state of charge of power storage device |
US10983167B2 (en) * | 2018-06-14 | 2021-04-20 | Huayuan Semiconductor (Shenzhen) Limited Company | Method and device for gauging an electronic apparatus |
CN109001640B (zh) * | 2018-06-29 | 2021-08-20 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
CN109031147B (zh) * | 2018-08-21 | 2020-12-01 | 湖南兴业绿色电力科技有限公司 | 一种磷酸铁锂电池组的soc估算方法 |
CN109633450B (zh) * | 2018-11-23 | 2021-05-14 | 成都大超科技有限公司 | 一种基于神经网络的锂电池充电检测系统 |
US11119494B2 (en) | 2019-01-07 | 2021-09-14 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
WO2020153047A1 (ja) * | 2019-01-24 | 2020-07-30 | ソニーセミコンダクタソリューションズ株式会社 | 電圧制御装置 |
KR20200097170A (ko) * | 2019-02-07 | 2020-08-18 | 주식회사 엘지화학 | 배터리 관리 장치, 배터리 관리 방법 및 배터리팩 |
CN110007235A (zh) * | 2019-03-24 | 2019-07-12 | 天津大学青岛海洋技术研究院 | 一种电动汽车蓄电池soc在线预测方法 |
DE102019107935A1 (de) * | 2019-03-27 | 2020-10-01 | Volkswagen Aktiengesellschaft | Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterie eines Fahrzeuges |
KR20200117794A (ko) * | 2019-04-05 | 2020-10-14 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
CN110048477B (zh) * | 2019-04-19 | 2023-05-26 | 浙江大学宁波理工学院 | 一种基于神经元控制的快速充电器及控制方法 |
IT201900006987A1 (pt) * | 2019-05-17 | 2019-05-17 | ||
KR102652117B1 (ko) | 2019-07-10 | 2024-03-27 | 삼성전자주식회사 | 이미지 보정 방법 및 이미지 보정 시스템 |
CN110658459B (zh) * | 2019-09-12 | 2021-10-15 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
EP3812783A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state from electrical impedance measurements using convolutional neural network means |
EP3812781B1 (en) | 2019-10-23 | 2022-11-30 | Novum engineerING GmbH | Estimating a battery state of an electrochemical battery |
EP3812780B1 (en) | 2019-10-23 | 2022-09-28 | Novum engineerING GmbH | Estimating a battery state from gradients of electrical impedance measurements |
EP3812782B1 (en) | 2019-10-23 | 2022-09-14 | Novum engineerING GmbH | Estimating a temperature of an electrochemical battery |
EP3812779B1 (en) | 2019-10-23 | 2022-09-28 | Novum engineerING GmbH | Analyzing electrical impedance measurements of an electrochemical battery |
CN110673039B (zh) * | 2019-11-11 | 2022-02-08 | 安徽优旦科技有限公司 | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 |
US20210173012A1 (en) * | 2019-12-04 | 2021-06-10 | Robert Bosch Gmbh | Method and system for estimation of open circuit voltage of a battery cell |
KR102439041B1 (ko) | 2020-08-14 | 2022-09-02 | 주식회사 한국파워셀 | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 |
CN112234673B (zh) * | 2020-09-30 | 2022-04-22 | 长安大学 | 一种适用于均衡电路的电池能量均衡方法 |
CN112379272B (zh) * | 2020-11-16 | 2021-09-21 | 北京理工大学 | 一种基于人工智能的锂离子电池系统soc估计方法 |
DE102020130732A1 (de) | 2020-11-20 | 2022-05-25 | Audi Aktiengesellschaft | Verfahren zum Ermitteln eines Werts eines Parameters einer Batteriezelle, Steuereinrichtung und Kraftfahrzeug |
KR102575963B1 (ko) * | 2020-11-30 | 2023-09-07 | 동국대학교 산학협력단 | 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법 및 그 제어장치 |
CA3205991A1 (en) * | 2020-12-30 | 2022-07-07 | Baxter International Inc. | System and method for generating battery alarms in infusion devices |
KR20220112997A (ko) | 2021-02-05 | 2022-08-12 | 경북대학교 산학협력단 | 신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정장치 |
WO2022248532A1 (en) * | 2021-05-25 | 2022-12-01 | Danmarks Tekniske Universitet | Data-driven and temperature-cycles based remaining useful life estimation of an electronic device |
CN113552490B (zh) * | 2021-06-29 | 2022-04-01 | 广东工业大学 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
CN113258154B (zh) * | 2021-07-16 | 2021-10-15 | 苏州浪潮智能科技有限公司 | 一种电池充电方法、装置、设备及介质 |
CN114280490B (zh) * | 2021-09-08 | 2024-02-09 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及系统 |
US11694560B1 (en) | 2021-12-28 | 2023-07-04 | Beta Air, Llc | Computing device and method for predicting battery temperature in an electric aircraft |
CN114725578A (zh) * | 2022-04-29 | 2022-07-08 | 苏州市职业大学 | 一种基于新能源汽车的锂电池温控装置系统 |
CN115659790B (zh) * | 2022-10-13 | 2024-02-06 | 厦门宇电自动化科技有限公司 | 一种动力电池包的温度实时检测方法 |
CN117289141A (zh) * | 2023-11-22 | 2023-12-26 | 深圳市麦迪瑞科技有限公司 | 基于人工智能的电动自行车充电状态监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2740554A1 (fr) * | 1995-10-31 | 1997-04-30 | Philips Electronique Lab | Systeme de controle de la phase de decharge des cycles de charge-decharge d'une batterie rechargeable, et dispositif hote muni d'une batterie intelligente |
JP3520886B2 (ja) * | 1996-03-08 | 2004-04-19 | サンケン電気株式会社 | 二次電池の状態判定方法 |
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
JPH1132442A (ja) | 1997-07-10 | 1999-02-02 | Matsushita Electric Ind Co Ltd | 蓄電池残容量推定方法及び蓄電池残容量推定システム |
ES2197638T3 (es) * | 1998-05-28 | 2004-01-01 | Toyota Jidosha Kabushiki Kaisha | Medios para estimar el estado de carga de una bateria y procedimiento para estimar el estado de degradacion de una bateria. |
JP2002543754A (ja) | 1999-05-05 | 2002-12-17 | ミッドトロニクス インコーポレイテッド | 自動車用車両のためのエネルギ管理システム |
JP2002228730A (ja) | 2001-02-06 | 2002-08-14 | Shikoku Electric Power Co Inc | 二次電池の残存電力量の推定装置 |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
JP4038788B2 (ja) * | 2002-02-22 | 2008-01-30 | アクソンデータマシン株式会社 | バッテリの残存容量判定方法と、その装置 |
-
2004
- 2004-12-17 US US11/016,028 patent/US7583059B2/en active Active
- 2004-12-17 TW TW093139338A patent/TWI260808B/zh active
- 2004-12-17 JP JP2006545239A patent/JP4331210B2/ja active Active
- 2004-12-17 KR KR1020040107700A patent/KR100651573B1/ko active IP Right Grant
- 2004-12-17 CA CA2550072A patent/CA2550072C/en active Active
- 2004-12-17 EP EP04808463A patent/EP1702219B1/en active Active
- 2004-12-17 BR BRPI0416424A patent/BRPI0416424B8/pt active IP Right Grant
- 2004-12-17 WO PCT/KR2004/003332 patent/WO2005059579A1/en active Application Filing
- 2004-12-17 AT AT04808463T patent/ATE556327T1/de active
- 2004-12-17 RU RU2006119641/28A patent/RU2328753C2/ru active
- 2004-12-17 CN CNB2004800360213A patent/CN100570388C/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN1890574A (zh) | 2007-01-03 |
RU2006119641A (ru) | 2007-12-27 |
CN100570388C (zh) | 2009-12-16 |
TWI260808B (en) | 2006-08-21 |
US7583059B2 (en) | 2009-09-01 |
BRPI0416424A (pt) | 2007-01-16 |
RU2328753C2 (ru) | 2008-07-10 |
US20050194936A1 (en) | 2005-09-08 |
EP1702219A4 (en) | 2010-06-09 |
BRPI0416424B8 (pt) | 2023-01-17 |
KR100651573B1 (ko) | 2006-11-29 |
KR20050061386A (ko) | 2005-06-22 |
EP1702219B1 (en) | 2012-05-02 |
JP4331210B2 (ja) | 2009-09-16 |
EP1702219A1 (en) | 2006-09-20 |
WO2005059579A1 (en) | 2005-06-30 |
JP2007518973A (ja) | 2007-07-12 |
CA2550072C (en) | 2011-04-19 |
ATE556327T1 (de) | 2012-05-15 |
CA2550072A1 (en) | 2005-06-30 |
TW200531326A (en) | 2005-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BRPI0416424B1 (pt) | Equipment and process for estimating the state of charge of a battery | |
US7199557B2 (en) | Apparatus, methods and computer program products for estimation of battery reserve life using adaptively modified state of health indicator-based reserve life models | |
CN106461732B (zh) | 用于估计电池的健康状态的方法 | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
JP6657967B2 (ja) | 状態推定装置、状態推定方法 | |
US20140055100A1 (en) | Battery state estimation system, battery control system, battery system, and battery state estimation method | |
WO2007010691A1 (ja) | 蓄電池充電状態検知方法および蓄電池充電状態検知装置 | |
KR20160128000A (ko) | 배터리 진단 장치 및 그 방법 | |
US6922058B2 (en) | Method for determining the internal impedance of a battery cell in a string of serially connected battery cells | |
CN107907834B (zh) | 一种电池管理系统的电流漂移校正方法、系统及装置 | |
US10901019B2 (en) | Method of connecting cell voltage sensors | |
JP5174968B2 (ja) | バッテリの充電状態を求める方法および制御装置 | |
US8245562B2 (en) | Circuit and method for pressure sensor testing | |
TWI758760B (zh) | 電池控制裝置以及電池容量估測方法 | |
CN116643193A (zh) | 电池数据估计方法、装置、存储介质及电子设备 | |
US11035902B2 (en) | Advanced fuel gauge | |
CN115004446A (zh) | 装置、测定装置、方法以及测定方法 | |
KR20160146350A (ko) | 배터리모듈 전압 추정 장치 및 방법 | |
Angulo-Paniagua et al. | Comparing Chi-square-Based Bad Data Detection Algorithms for Distribution System State Estimation | |
KR102634373B1 (ko) | 배터리의 이상징후 검출 방법 | |
CN116295934B (zh) | 一种基于动态阈值的电池温度异常检测方法及系统 | |
CN114019401B (zh) | Soc-ocv曲线更新方法和设备 | |
CN117421610B (zh) | 一种用于电能表运行状态预警的数据异常分析方法 | |
CN116805813B (zh) | 基于反馈的电池快速充电控制方法及装置 | |
JP7399765B2 (ja) | 内部抵抗算出装置、電池制御システム、および内部抵抗算出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B07A | Application suspended after technical examination (opinion) [chapter 7.1 patent gazette] | ||
B06A | Patent application procedure suspended [chapter 6.1 patent gazette] | ||
B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] | ||
B25A | Requested transfer of rights approved |