CN101142732B

CN101142732B - 一种调整向量支撑机的方法、用于估算电池充电状态的系统和方法

Info

Publication number: CN101142732B
Application number: CN2005800491290A
Authority: CN
Inventors: 泰瑞·汉森; 王家驹
Original assignee: LG Chemical Co Ltd
Current assignee: Lg Energy Solution
Priority date: 2005-03-16
Filing date: 2005-09-22
Publication date: 2011-06-22
Anticipated expiration: 2025-09-22
Also published as: WO2006098541A1; EP1859523A4; TW200641704A; KR20070106758A; US7197487B2; TWI317908B; JP2008533486A; JP5175173B2; EP1859523A1; US20060212277A1; CN101142732A

Abstract

本发明是有关于一种调整向量支撑机以测定电化学电池系统目前充电状态的方法，包括选择调整数据，预先处理调整数据，找出向量支撑机的最优化参数，以及测定支撑向量。

Description

一种调整向量支撑机的方法、用于估算电池充电状态的系统和方法

技术领域

本发明是关于一种估算电池组系统充电状态的方法及装置，特别涉及一种使用支撑向量机来估算电池组系统的充电状态。

背景技术

过去的电池系统，尤指那些需要长时间使用的电池系统，尽可能地在使用电池时不会耗损其寿命，举例来说，如混合电动车(HEV，Hybrid Electric Vehicles)、电池电动车(BEV，Battery Electric Vehicles)、笔记本计算机的电池、可携式工具的电池组等，这些需要那些快速改变的参数(例如SOC)的信息，以估算目前还有多少可用于继续工作的电池能量等。进一步，希望确定缓慢改变的参数的信息(如：总容量)，以维持先前计算的电池组寿命的精确度，延长其有效服务时间，以及帮助测定电池组的健康状态(SOH，state-of-health)。

已经有一些方法可估算电池状态，一般来说会考虑估算三种数量：SOC(快速变化量)、功率衰减量(power-fade)及容量衰减量(capacity-fade)(后两者均为随时间缓慢变化)。如果已知目前与最初的电池组的电阻，则可计算出功率衰减量；以及如果已知目前与最初的电池组总容量，则可计算出容量衰减量。上述为其中一种方法，也有其他方法。功率衰减量与容量衰减量通常一起用来说明健康状态(SOH)。可从这些变量的值获得一些其他的信息，如在某个特定时间电池组可用的最大功率。某些应用可能也需要其他的状态成员或参数，一般会个别设计算法以计算这些成员或参数。

充电状态是一个值，一般以百分比来表示，其表示目前可用以工作的电池容量的分数。有许多不同的方法可用以估算充电状态：放电测试、计算安培小时(库伦计算)、测量电解质、测量开路电压、线性与非线性电路建模、阻抗光谱、测量内部电阻、电压骤降特性(coupde fouet)、及一些卡曼(Kalman)滤波方式。放电测试必须将电池的电全部放掉以测定SOC。在执行放电测试时会中断系统功能，而且会花很久的时间，因此，对许多应用而言，放电测试并不实用。计算安培小时(计算库伦)是种“开环”的方法，由于累积测量误差，其精确度会随着时间而逐渐降低。只有气孔式铅酸电池可利用测量电解质，因此，在应用上有条件限制。测量开路电压仅在以下情况才可执行，即，在未使用该电池一段时间之后，对于该电池可忽略磁滞效应且没有在动态设定下使用该电池。线性与非线性建模方法无法直接获得SOC；充电状态须由已计算出的值来做推断。阻抗光谱需要测量，不是一般的应用都可使用。测量内部电阻与测量误差息息相关，且需要不是一般应用都可使用的测量。电压骤降特性仅对铅酸电池有用。未把SOC当作是滤波器状态的卡曼滤波方式没有直接获得估算的误差边界。然而，卡曼滤波方式一般来说具有高计算复杂度。因此，卡曼滤波方式需要32位处理器，这会增加执行成本。

因此，需要卡曼滤波方式的一种较便宜的替代方式，其可以以较低的成本精确估算充电状态。此外，需要一种方法，其不需要侵入性的测量、不需要中断系统功能或不会浪费能量，就能够便宜、精确地估算充电状态。

发明内容

此处公开了一个或多个示例性实施例，其涉及一种用于估算电化学电池的充电状态的方法及装置。举例来说，尤指估算电池的充电状态值。

根据本发明的一个方面，涉及一种调整向量支撑机的方法，用以测定电化学电池系统目前的充电状态，包括：

选择调整数据；

预先处理调整数据；

找出向量支撑机的最佳参数；以及

测定支撑向量，

其中，选择调整数据包括：

获得与测试数据不同的调整数据；

获得调整数据，该调整数据表示已测量的电化学电池数据的连续流；

获得覆盖电化学电池充电状态的预期范围的调整数据；

获得覆盖电化学电池电流的预期范围的调整数据；以及

获得覆盖电化学电池的电压值范围的调整数据，该电压值与电化学电池的电流预期范围与充电状态的预期范围相对应，

预先处理调整数据包括：

添加元素至调整数据，所述元素是在测量时间段的最后一秒期间的电化学电池的电压变化；以及

将调整数据尺度化。

根据本发明的另外一个方面，涉及一种使用已调整的向量支撑机来估算电化学电池目前充电状态的方法，所述方法包括：

预先处理测试数据，以及

使用测试数据来测试最优化的向量支撑机，

其中，预先处理测试数据包括：

添加元素至测试数据，所述元素是在测量时间段的最后一秒期间电化学电池的电压变化；以及

将测试数据尺度化，所述将测试数据尺度化会产生尺度化的测试数据。

根据本发明的另外一个方面，涉及一种估算电化学电池系统目前的充电状态的方法，包括：

调整向量支撑机用于估算充电状态；

测试向量支撑机；以及

使用向量支撑机对电化学电池目前的充电状态的估算进行计算，

其中，调整向量支撑机包括：

选择调整数据；

预先处理调整数据；以及

找出向量支撑机的最优化参数，

选择调整数据包括：

获得与测试数据不同的调整数据；

获得覆盖电化学电池充电状态的预期范围的调整数据；

获得覆盖电化学电池电流的预期范围的调整数据；以及

获得覆盖电化学电池的电压值范围的调整数据，该电压值与电化学电池的电流与充电状态的预期范围相对应，

预先处理调整数据包括：

将调整数据尺度化。

根据本发明的另外一个方面，涉及一种用以估算电化学电池充电状态的装置，装置包括：

检测元件，用以测量电化学电池的参数；以及

已调整的元件，用以估算电化学电池的充电状态，其中，此元件与所述检测元件电子通信，以及该已调整的元件为向量支撑机。

有益效果

从下述的说明与所附的图示将可清楚了解本发明上述及其他所有物件、特性与优点。其中，相同的数字表示相同的部件。

附图说明

从以下的说明、附加的申请专利范围及图示说明，将较能清楚了解本发明的特性、观点及优点。图示中相同的元素，编号也相同。

图1是本发明示例性实施例的流程图，其显示一种使用向量支撑机以测定电池目前的充电状态的方法。

图2是本发明示例性实施例的流程图，其指出调整向量支撑机的过程。

图3是本发明示例性实施例的流程图，其指出选择调整数据的过程。

图4是本发明示例性实施例的流程图，其指出预先处理调整数据的过程。

图5是本发明示例性实施例的流程图，其显示估算电池目前SOC的过程。

图6是本发明示例性实施例的流程图，其指出预先处理测试数据的过程。

图7是本发明示例性实施例的装置示意图，该装置被配置为使用最优化的向量支撑机来计算电池目前的SOC。

具体实施方式

此处公开了各种实施例、方法和装置，用于利用向量支撑机来估算电化学电池的充电状态。参考图1至6，在下述的说明中，阐明了许多具体细节以提供本发明的更全面的理解。应当理解，尽管参考蓄电池来描述示例性实施例，然而以下称为电池的各种电化学电池都可以被应用，包括但不限于，电池、电池组、超级电容器、电容器组、燃料电池、电解电池、以及包括上述至少其中一种的组合。此外，应当理解，电池或电池组可能包括多个电池，此处公开的实施例可应用于一个或多个的电池。

举例来说，SVM是8位处理器，在测试前对其进行调整，用以计算电池目前的充电状态(SOC)。调整向量支撑机包括将数千个数据点压缩至易于管理的数量的支撑向量。因此，在经过调整之后，向量支撑机可以在短时间内，使用比卡曼滤波方式更便宜的处理器来计算电池的充电状态。此外，SVM所产生的计算结果在精度上与卡曼滤波方式是可以相提并论的。在经过调整之后，SVM能够重复计算任何电池的充电状态，这些电池的用于调整SVM的调整数据具相似的操作范围。因此，除非需要用SVM来测试显著不同的电池，SVM只需要调整一次即可。

图1是本发明实施例的流程图，其显示一种方法是使用SVM以测定电池目前的SOC。此方法包括在步骤10调整SVM，在步骤12测试最优化的SVM，及在步骤14估算电池目前的SOC。步骤10、12及14的详细说明如下。

图2是本发明实施例的流程图，其更详细地指出调整SVM的过程。调整SVM包括在步骤20选择调整数据，在步骤22预先处理调整数据，在步骤24找出SVM的最佳参数，以及在步骤26找出支撑向量。

图3为详细流程图，其描述图2中步骤20处的选择调整数据的过程。选择调整数据包括在步骤40选择与测试数据不同的调整数据，在步骤42选择表示已测量的电池数据的连续流的调整数据，在步骤44选择覆盖电池SOC的预期范围的调整数据，在步骤46选择覆盖电池电流预期范围的调整数据，以及在步骤48选择覆盖电池电压的预期范围的调整数据，该电池电压与电池电流以及电池SOC的预期范围相对应。

选择调整数据对于调整向SVM来说是很重要的。调整数据应该要符合某些条件才能被选择用于调整。调整数据应与测试数据不同。测试数据是电池的电池数据，用以测定电池的SOC。若调整数据与测试数据相同，SVM便无法准确地对测试数据进行测试。虽然在步骤40选择的调整数据与测试数据不同，但是调整数据应该被选择为覆盖步骤44至48处测试的电池操作的预期范围。在示例性实施例中，所选择的调整数据被选择为覆盖20％至80％之间的电池充电状态(SOC)范围。调整数据还被选择为覆盖约+50安培至-50安培之间的电池电流的范围。此外，选择的调整数据覆盖电池电压的范围，该电池电压的范围与步骤40处的电池电流范围与电池SOC范围相对应。选择的调整数据覆盖要被测试的电池操作的范围，如此可确保SVM估算与要被测试的电池相关，并可改善计算SOC的准确性。调整数据还应表示已测量的电池数据的连续流，以确保SVM有足够数量的实际调整点。

图4为详细流程图，其描述图2中步骤22处预先处理调整数据的过程。预先处理调整数据包括将元素50添加至调整数据并将调整数据52的尺度化。

在步骤20选择调整数据之后，步骤22会预先处理调整数据(参考图2)。在预先处理调整数据的步骤中，这些数据会以用来调整SVM的形式呈现。预先处理调整数据包括在步骤50处添加元素至调整数据，以说明在测量时间段的最后一秒间期间电池电压的变化。电池电压可能会在电池操作期间急速变化。添加元素用以说明在测量时间段的最后一秒间期间电池电压的变化，由此能确保在计算SOC时包括了校正因数，该校正因数说明了电池电压的快速变化。添加元素之后，步骤52处会将调整数据尺度化。为将调整数据尺度化，每项调整数据被尺度化为介于0.0与1.0之间的值，由此使得所有的输入向量元素会介于0.0与1.0的范围之间。因此，举例来说，使用上述参考图3的示例性实施例，会将测量的SOC 27％尺度化为0.27，且电流测量值-20会被尺度化为0.37。在尺度化之后，每项调整数据包括支撑向量元素，其与即时的电池电流的测量、即时电池电压的测量、根据前一秒计算出的SOC，以及在测量期间的最后一秒期间电池电压的变化相对应。

预先处理调整数据之后，步骤24要找出SVM的最佳参数。步骤24找出SVM的最佳参数包括将调整函数的许多变量最优化。多个变量的每个变量表示的是被最优化的一个参数。调整函数是通过数学运算近似SVM的函数。当在某种条件下近似调整函数时，最优化这些变量。

在示例性实施例中，调整函数为

f (x) = Σ_{i = 1}^{N} (α_{i} - α_{i}^{*}) K (x_{i}, x)

其中，K为Kernel函数

K(a，b)＝s×(a·b)²+r。

在

Σ_{i = 1}^{N} (α_{i} - α_{i}^{*}) = 0,

0≤α_i≤C且

的条件下，损耗函数会被最小化。

损耗函数的表示方式如下：

其中，ε为可接受的容差值，y为期望的响应，而x为输入向量。如果估计的f(x)与期望的响应y之间的差小于可接受的容差值ε，则损耗函数等于0。C、ε、s及r的最佳值是经验性地测定的。在上述限制下，损耗函数将会最小化。支撑向量为α_i和

其一不为0的调整向量。如上所述，当在步骤26处测定支撑向量时，调整了SVM。在示例性实施例中，可使用SVMlite来调整SVM[T.Joachims，in：Scholkopf，C.Burges，A.Smola(Eds.)，Making Large-Scale SVM Learning Practical.Advances in Kernel Methods-Support Vector Learning，MIT Press，1999]。

再参考图1，在步骤10处完成调整SVM之后，步骤12会对SVM作测试。在步骤10与12之后，SVM能够精确地估算具有相似的调整数据特性的任何电池目前的SOC。图5是流程图，其详细指出测试SVM的过程。测试SVM包括在步骤30处预先处理测试数据，以及在步骤32处使用测试数据来测试最优化的SVM。图6中详细显示步骤30处预先处理测试数据，这与图4中所描述的过程相同，只不过把调整数据改成测试数据。输入向量的SOC元素是前一秒中估算的SOC。参考图5与图6，步骤30处预先处理测试数据包括在步骤62处添加元素至测试数据，从而说明在测量的最后一秒期间电池电压的变化。在添加元素至测试数据后，步骤64会将测试数据尺度化以产生尺度化的测试数据。为将测试数据尺度化，每项测试数据被尺度化为介于0.0与1.0之间的值，由此所有的输入向量元素会介于0.0与1.0之间。在尺度化之后，每项测试数据包括支撑向量元素，其与即时电池电流的测量、即时电池电压的测量、根据前一秒计算出的SOC，以及在测量期间的最后一秒期间的电池电压的变化相对应。

尺度化的测试数据用于测试最优化的SVM。在调整过程期间获得的支撑向量被加载到SVM中以产生最优化的SVM。最优化的SVM会以一组预先处理的测试数据来估算电池目前的SOC。电池目前的SOC与已知的SOC做比较，以计算出最优化的SVM的精确度。可以测试几组支撑向量以找出一组产生最精确的最终的最优化SVM的支撑向量。随后，可在装置中使用最终的最优化SVM以完成电池SOC的实时估算。

图7是本发明的示例性实施例的装置示意图，其使用上述图1至6所描述的最优化SVM以计算电池目前的SOC。电池组100与负载电路104电连接。举例来说，电池组100可能包括一个或多个的电池102，且负载电路104可能是电动车(EV)或混合电动车(HEV)中的电机。电池组100还与电压传感器106和电流传感器108电连接，前者如电压计等，后者如电流计等。电压传感器106与电流传感器108与SVM110电连接。SVM是运算电路，其能参考图2至4中所述地被调整。虽然有考虑了其他的运算电路，但是示例性实施例中的SVM为8位处理器。

为执行上述功能、规定的函数和期望的处理及随之而来的运算(如：建模、估算状态与之前规定的参数、……等)，SVM 110可包括，但不限于，处理器、门阵列、客户逻辑、计算机、记忆体、储存器、寄存器、时序中断、通信界面、输入/输出信号界面、以及上述至少其中一个的组合。

本发明中一个或以上的实施例是在SVM 110和/或其他处理控制器中执行的被实现作为新的或升级的固件和软件。软体功能包括但不限于，固件、还可在硬件、软件或其组合中执行。因此，本发明与其他所不同的优点在于，是其可利用现有的和/或新的处理系统实现，用于电化学电池的充电与控制。

本发明所使用的方法可以由计算机执行处理及用于实现上述处理的装置的形式来实现。此方法还可以以包含指令的计算机程序代码的形式来实现，该程序可以以实体介质的方式实现，如：软盘、CD-ROM、硬盘、或其他任何计算机可读的储存介质，其中，当计算机程序代码被载入并执行时，计算机是能执行本方法的装置。本方法还可以计算机程序代码的形式存在，举例来说，不管是其储存于储存介质、计算机将其载入和/或执行，或是透过某些传送介质以传送不管是不是调制载波的数据信号，传送介质如：电线、电缆、光纤或电磁辐射。其中，当计算机载入程序代码并执行时，计算机是一种能执行本方法的装置。当于一般用途的微处理器上执行时，计算机程序代码区段会装配微处理器以建立特定逻辑电路。

除非特别说明或暗指任何特殊的顺序，否则请将所使用的第一、第二或其他相似的术语当作是相似的项目。此外，除非特别说明，否则“一”与“至少一个”均指的是“一个或以上”。

工业实用性

尽管参考了示例性实施例描述了本发明，然而本领域技术人员可以理解，在不背离本发明保护范围的情况下，可以做出各种变化以及以等同的部件进行替换。此外，在不背离本发明的实质保护范围的情况下，可以做出多种改变以使特定情况和材料适用于本发明的教导。因此，本发明并不限于设计用于实现本发明最佳模式的具体实施里，而是本发明将包括落入所附权利要求的保护范围内的所有实施例。

Claims

1.一种调整向量支撑机的方法，用以测定电化学电池系统目前的充电状态，包括：

选择调整数据；

预先处理调整数据；

找出向量支撑机的最佳参数；以及

测定支撑向量，

其中，选择调整数据包括：

获得与测试数据不同的调整数据；

获得覆盖电化学电池充电状态的预期范围的调整数据；

获得覆盖电化学电池电流的预期范围的调整数据；以及

预先处理调整数据包括：

将调整数据尺度化。

2.如权利要求1所述的方法，其中，将调整数据尺度化包括，将调整数据的每项调整数据转换为介于0.0与1.0之间的尺度化的值，每项调整数据包括支撑向量，该支撑向量包括以下至少其中一种：

即时电流；

即时电压；

根据测量时间段的最后一秒所计算出的充电状态，以及

在测量时间段的最后一秒期间电化学电池的电压变化。

3.一种使用已调整的向量支撑机来估算电化学电池目前充电状态的方法，所述方法包括：

预先处理测试数据，以及

使用测试数据来测试最优化的向量支撑机，

其中，预先处理测试数据包括：

4.如权利要求3所述的方法，其中，将测试数据尺度化包括，将测试数据的每项测试数据转换为介于0.0与1.0之间的尺度化的值，每项测试数据包括支撑向量，该支撑向量包括：

即时电流；

即时电压；以及

在测量时间段的最后一秒期间电化学电池的电压变化。

5.如权利要求3所述的方法，其中，使用测试数据来测试最优化的向量支撑机包括：将尺度化的测试数据应用到测试函数，该测试函数提供了电化学电池目前充电状态的估算。

6.一种估算电化学电池系统目前的充电状态的方法，包括：

调整向量支撑机用于估算充电状态；

测试向量支撑机；以及

其中，调整向量支撑机包括：

选择调整数据；

预先处理调整数据；以及

找出向量支撑机的最优化参数，

选择调整数据包括：

获得与测试数据不同的调整数据；

获得覆盖电化学电池充电状态的预期范围的调整数据；

获得覆盖电化学电池电流的预期范围的调整数据；以及

预先处理调整数据包括：

将调整数据尺度化。

7.如权利要求6所述的方法，其中，将调整数据尺度化包括将调整数据的每项调整数据转换为介于0.0与1.0之间的尺度化的值，每项调整数据包括支撑向量，该支撑向量包括：

即时电流；

即时电压；

根据测量时间段的最后一秒所计算出的充电状态，以及

在测量时间段的最后一秒期间电化学电池的电压变化。

8.如权利要求6所述的方法，其中，测试向量支撑机包括：

预先处理测试数据；以及

使用测试数据来测试向量支撑机，

其中，预先处理测试数据包括：

添加元素至测试数据，所述元素是在测量时间段的最后一秒期间的电化学电池的电压变化；以及

将测试数据尺度化，将测试数据尺度化会产生尺度化后的测试数据。

9.如权利要求8所述的方法，其中，将测试数据尺度化包括将测试数据的每项测试数据转换为介于0.0与1.0之间的尺度化的值，每项测试数据包括与具体时间相对应的支撑向量，该支撑向量包括至少以下的其中之一：

即时电流；

即时电压；以及

在测量时间段的最后一秒期间电化学电池的电压变化。

10.如权利要求8所述的方法，其中，使用测试数据来测试向量支撑机包括：将尺度化的测试数据应用到测试函数，该测试函数提供了电化学电池目前的充电状态的估算。

11.一种用以估算电化学电池充电状态的装置，装置包括：

检测元件，用以测量电化学电池的参数；以及

12.如权利要求11所述的方法，其中，检测元件用以测量电化学电池的参数，所述检测元件至少包括以下的其中一个：

电压传感器，用以测量电化学电池的电压；以及

电流传感器，用以测量电化学电池的电流。