CN101803104A - 用于估计电池的长期特性的系统和方法 - Google Patents

用于估计电池的长期特性的系统和方法 Download PDF

Info

Publication number
CN101803104A
CN101803104A CN200880106937A CN200880106937A CN101803104A CN 101803104 A CN101803104 A CN 101803104A CN 200880106937 A CN200880106937 A CN 200880106937A CN 200880106937 A CN200880106937 A CN 200880106937A CN 101803104 A CN101803104 A CN 101803104A
Authority
CN
China
Prior art keywords
data
long
time quality
battery
initial characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN200880106937A
Other languages
English (en)
Other versions
CN101803104B (zh
Inventor
宋炫坤
曹正柱
秋渊旭
孙美暎
李镐春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lg Energy Solution
Original Assignee
LG Chemical Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by LG Chemical Co Ltd filed Critical LG Chemical Co Ltd
Publication of CN101803104A publication Critical patent/CN101803104A/zh
Application granted granted Critical
Publication of CN101803104B publication Critical patent/CN101803104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种系统，包括：其包括：学习数据输入单元，其用于接收要作为学习对象的电池的初始特性学习数据和长期特性学习数据；测量数据输入单元，其用于接收要作为估计长期特性的对象的电池的初始特性测量数据；人工神经网络操作单元，其用于将所述初始特性学习数据和长期特性学习数据转换到第一数据结构和第二数据结构中，允许人工神经网络基于每一数据结构学习所述初始特性学习数据和长期特性学习数据，将所输入的初始特性测量数据转换到第一和第二数据结构中，并独立地应用相应于每一数据结构的已学习过的人工神经网络来计算并输出基于每一数据结构的长期特性估计数据；以及长期特性估计单元，其用于计算每一数据结构的输出的长期特性估计数据的误差，并根据该误差确定长期特性估计数据的可靠性。

Description

用于估计电池的长期特性的系统和方法
技术领域
本发明涉及用于估计电池的长期特性的系统和方法，更具体而言涉及基于电池的初始特性用于估计电池的长期特性的系统和方法。
背景技术
随着电池被不断使用，电池出现容量缩小和性能降低。因此，非常重要的是设计一种虽已使用较长时间但仍可保持其长期特性的电池。该长期特性例如可以是，电池的充电容量、放电容量、厚度以及开路电压等。
电池的长期特性是基于一循环充电/放电过程而被测量的。在循环充电/放电过程中，从所制造的一批电池中取样特定数量的电池，然后将所取样的电池连续充电/放电。如果所取样电池的长期特性在预定的长期循环下满足特定标准，则该相应的电池批次被认为是合格的。例如，当在第300个循环(第300次充电/放电)时、3V下的放电容量是初始容量的75％或更高时，该相应的电池批次被认为是合格的。
然而，估计电池的长期特性会消耗较长时间。例如，300个循环的充电/放电过程花去约3个月的时间。这样，为了基于循环充电/放电过程测量电池的长期特性，在充电/放电过程的时间内，电池的发货被延迟，由此增加了贮存负担。
从而，在传统情况下，如果制造了一批电池，就取样出特定数量的电池，随即将该批电池发货，然后对所取样电池的长期特性进行估计便于以后采取合适的措施，这种方法被称为“后-发货估计”。如果在电池发货之后，通过长期特性的估计，发现任何问题的话，与所取样电池对应的那批电池将被确定为具有不良的长期特性。其后，将已发货的电池召回，并研究用于消除这种长期特性缺陷的因素的对策，然后将该对策应用于电池制造过程。然而，这种后发货估计方法存在以下问题。
首先，在某一特定电池批次被确定为不合格的情况下，收回该相应批次的电池会消耗一定经济成本(例如，分销成本)。
其次，在具有不良长期特性的电池已被销售给最终用户的情况下，则几乎不可能对电池采取措施，例如不可能将电池召回。
再次，通过内部长期特性分析确定在制造过程中存在缺陷的情况下，使用该相同制造过程所制造的所有电池的长期特性都变得可疑，从而同样扩大了制造商的损失。
第四，如果具有不良长期特性的电池被卖出并用于电子产品中，则电池的满意度会降低，从而也会降低电池制造商和零售商的信誉度。
因此，非常需要一种能够在电池发货之前可靠地估计相关领域中的电池的长期特性的方案。
公开文本
技术问题
本发明被设计用于解决现有技术的问题，因此本发明的目的在于提供用于估计电池的长期特性的系统和方法，该系统和方法能够通过基于电池的初始特性来估计电池的长期特性从而快速确定缺陷，并且还能够通过使用所有电池所测量的特性——例如，在激活过程时的充电数据——来进行电池的全数检查。
技术方案
为了完成上述目的，本发明提供了用于估计电池的长期特性的系统，其包括：学习数据输入单元，其用于接收要作为学习对象的电池的初始特性学习数据和长期特性学习数据；测量数据输入单元，其用于接收要作为估计长期特性的对象的电池的初始特性测量数据；人工神经网络操作单元，其用于将所述初始特性学习数据和长期特性学习数据转换到第一数据结构和第二数据结构中，允许人工神经网络基于每一数据结构学习所述初始特性学习数据和长期特性学习数据，将所输入的初始特性测量数据转换到第一和第二数据结构中，并独立地应用相应于每一数据结构的已学习过的人工神经网络来计算并输出基于每一数据结构的长期特性估计数据；以及长期特性估计单元，其用于计算每一数据结构的输出的长期特性估计数据的误差，并根据该误差确定长期特性估计数据的可靠性。
优选地，基于每一数据结构的已学习过的人工神经网络具有串联布置的至少一个神经元层。该神经元层将输入矢量转换为输出矢量。此时，通过人工神经网络的学习计算的偏移矢量和权矩阵被反映在输入矢量上，偏移矢量和权矩阵被反映在其上的输入矢量通过神经元传递函数处理，接着神经元传递函数的结果被作为输出矢量输出。在神经元层的串联布置中，第一神经元层具有由初始特性测量数据组成的输入矢量。最后的神经元层的输出矢量是长期特性估计矢量。
优选地，其中关联于初始特性的数据包括在电池激活过程中测量的电池的充电特性变化数据；或通过测量初始循环特性而获取的电池的充电特性变化数据、放电特性变化数据、厚度变化数据，或者开路电压变化数据。而且，关联于长期特性的数据包括预定的长期循环上的电池的充电特性变化数据、放电特性变化数据、厚度变化数据，或者开路电压变化数据。
根据本发明的系统还包括初始特性测量传感器，其用于测量置于激活过程的电池的充电特性，并接着将所测量的充电特性输出作为初始特性测量数据，以及测量数据输入单元可从初始特性测量传感器接收初始特性测量数据。
根据本发明的系统还包括显示器，该显示器用于从人工神经网络操作单元接收基于每一数据结构计算的长期特性估计数据，以通过显示装置在图形-用户界面上显示长期特性估计数据。
在本发明中，其中在误差小于标准值的情况下，长期特性估计单元确定基于每一数据结构计算的长期特性估计数据中的任一个或所述长期特性估计数据的平均数据作为长期特性估计数据，并接着输出该长期特性估计数据。
优选地，长期特性估计单元通过将所确定的长期特性估计数据与标准的长期特性数据相比较，来确定电池的长期特性质量，并且长期特性估计单元将电池的长期特性质量的确定结果通过显示装置输出至图形-用户界面上。
在本发明的另一方面中，也提供了用于估计电池的长期特性的方法，包括：接收要作为学习对象的电池的初始特性学习数据和长期特性学习数据；将所接收的初始特性学习数据和所接收的长期特性学习数据转换到第一和第二数据结构中，并接着独立地允许人工神经网络基于每一数据结构而学习；接收要作为估计长期特性的对象的电池的初始特性测量数据；将所接收的初始特性测量数据转换到第一和第二数据结构中，接着将对应于每一数据结构的已学习过的人工神经网络应用至其上，并接着基于每一数据结构计算和输出长期特性估计数据；以及基于每一数据结构计算所输出的长期特性估计数据的误差，并接着依据该误差确定长期特性估计数据的可靠性。
附图说明
本发明的其它目的和方面将从下面参照附图对实施方案的描述中变得显而易见，在所述附图中：
图1是示出根据本发明的第一实施方案的用于估计电池的长期特性的系统的框图；
图2是示出根据本发明的一个实施方案的、通过人工神经网络操作单元而具有学习能力的人工神经网络结构的框图；
图3是示出了初始特性学习数据和长期特性学习数据被限定在第一数据结构中的情况下的示意图；
图4是示出了初始特性学习数据和长期特性学习数据被限定在第二数据结构中的情况下的示意图；
图5是示出根据本发明的第二实施方案的用于估计电池的长期特性的系统的框图；
图6是示出根据本发明的第一实施方案的用于估计电池的长期特性的系统的操作顺序的示意流程图；
图7是示出根据本发明的第二实施方案用于估计电池的长期特性的系统的操作顺序的示意流程图；
图8是一个示出了可用于执行根据本发明的用于估计电池长期特性的系统的操作方法的通用计算机的内部配置的框图。
具体实施方式
在下文中，将参照附图详细描述本发明的优选实施方案。在描述之前，应理解的是，本说明书和所附权利要求中所使用的术语不应被解释为普通含义及字典含义，基于发明人被允许对术语的最佳解释进行适当限定这一原则，本说明书和所附权利要求中所使用的术语应基于相应于本发明的技术方面的含义和概念来进行解释。因此，此处所提出的本发明仅是用于示例目的的优选实施例，不意在限制本发明的范围，因此应理解的是，在不偏离本发明的主旨和范围的情况下，可以对其进行其它等同变化或修改。
图1是示出根据本发明的第一实施方案的用于估计电池的长期特性的系统的框图。
参照图1，根据本发明的用于估计电池的长期特性的系统由一通用计算机来实现，所述系统包括：一个学习数据输入单元10，其用于接收要作为学习对象的电池的初始特性学习数据Pt和长期特性学习数据Tt；一个测量数据输入单元20，其用于接收要作为估计长期特性的对象的电池的初始特性测量数据Pm；以及一个人工神经网络操作单元30，其用于从学习数据输入单元10中接收初始特性学习数据Pt和长期特性学习数据Tt以允许该人工神经网络学习这两种学习数据的相关性，以及用于接收来自于测量数据输入单元20的初始特性测量数据Pm并将已学习过的人工神经网络应用至其上，从而根据电池的初始特性测量数据计算长期特性估计数据Te，并将该长期特性估计数据Te输出。
学习数据输入单元10和测量数据输入单元20是用于接收——人工神经网络进行学习以及对长期特性估计数据进行计算所需的——各种数据的接口。
所述学习数据输入单元10提供一个具有如下标准化模板的用户接口，该标准化模板根据预定协议选定计算机上的一个媒介文档(medium file)来记录初始特性学习数据和长期特性学习数据，或者允许用户直接记录初始特性学习数据和长期特性学习数据，这样所述学习数据输入单元10就可接收初始特性学习数据和长期特性学习数据。
另外，测量数据输入单元20提供一具有如下标准化模板的用户接口，该标准化模板根据预定协议选定在计算机上的一个媒介文档来记录初始特性测量数据，或者允许用户直接记录初始特性测量数据，这些类似于学习数据输入单元10，由此测量数据输入单元20可接收初始特性测量数据。
所述初始特性学习数据和长期特性学习数据是通过被选定为学习对象的多个电池的循环充电/放电过程而获得的。所述循环充电/放电过程意味着重复对一电池进行周期性充电和放电直到某一循环的过程。一个循环意味着一次充电和一次放电。
初始特性学习数据是在循环充电/放电过程的开始部分中所进行的循环处所获得的要作为学习对象的电池的特性数据。这里，在其中获取初始特性学习数据的循环的数目可根据所需改变。初始特性学习数据例如可以是在1-10个循环过程中所获得的电池的充电特性变化数据、放电特性变化数据、厚度变化数据或开路电压变化数据。这里，充电特性是电池的充电电流、充电电压或充电容量，放电特性是电池的放电电流、放电电压或放电容量。然而，本发明不限于此。因此，应理解的是，任何一个能够限定电池的充电特性或放电特性的参数都可被包括在限定了所述充电/放电特性的参数的范围内。
初始特性学习数据是关于电池充电特性、电池放电特性、电池厚度或电池开路电压的数据，因此其被配置为至少两种数据的集合。例如，如果初始特性学习数据是使用电池的每个充电电压或每个充电时间的充电容量变化数据——其通过1-10个循环的充电/放电过程而获得——而被配置的，初始特性学习数据就包括10组充电容量变化数据，每组充电容量变化数据包括相应于多个测量电压和测量时间的多个充电容量值。这里，用于测量充电容量的测量电压和测量时间被提前确定。
长期特性学习数据是在循环充电/放电过程的较后部分中所进行的循环处所获得的电池的充电特性变化数据、放电特性变化数据、厚度变化数据或开路电压变化数据。这里，充电特性是电池的充电电流、充电电压或充电容量，放电特性是电池的放电电流、放电电压或放电容量。然而，本发明不限于此。从而，应理解的是，任何一个能够限定电池的充电特性或放电特性的参数都可被包括在限定了所述充电/放电特性的参数的范围内。在较后部分中所进行的循环数是根据电池的长期特性说明、或者客户的要求而确定的，其例如可以是300。然而，本发明对于在其中获得长期特性学习数据的具体循环数不进行限制。
长期特性学习数据是关于电池充电特性、电池放电特性、电池厚度或电池开路电压的数据，因此类似于初始特性学习数据，该长期特性学习数据也被配置为至少两种数据的集合。例如，如果长期特性学习数据是使用电池的每个充电电压或每个充电时间的充电容量变化数据——其通过第300个循环的充电/放电过程而获得——而被配置的，长期特性学习数据就包括在第300个循环的电池充电过程中所获得的、相应于多个充电电压和充电时间的多个充电容量值。这里，用于测量充电容量的充电电压和充电时间被提前确定，它们与获得初始特性学习数据时的充电电压或测量时间相同。
同时，相关于电池的初始特性和长期特性的参数不限于本发明中的上述内容，对于本领域普通技术人员显然的是，任何可识别为电池特性的特性都应解释为被包括在初始特性学习数据和长期特性学习数据的范围内。
所述初始特性测量数据是借助于循环充电/放电过程而从以下电池直接测得的初始特性数据，所述电池为其长期特性将要被估计的电池，该初始特性数据的属性(attribute)和种类基本相同于初始特性学习数据的属性和种类。也就是说，初始特性测量数据是在循环充电/放电过程的开始部分中的循环处所获得的电池的特性数据，例如在1-10个循环内所获得的电池的充电特性变化数据、放电特性变化数据、厚度变化数据或开路电压变化数据。
所述长期特性估计数据是由人工神经网络操作单元30所计算的数据，它不是通过循环充电/放电过程实际测得的数据，而是由人工神经网络所估计的数据。长期特性估计数据的属性和种类基本相同于长期特性学习数据的属性和种类。也就是说，长期特性估计数据是，针对例如第300个循环所估计的电池的充电特性变化数据、放电特性变化数据、厚度变化数据或开路电压变化数据。
图2是示出根据本发明的一个实施方案的通过人工神经网络操作单元30而具有学习能力的人工神经网络的框图。
参照图2，通过人工神经网络操作单元30而具有学习能力的人工神经网络包括串联连接布置的神经元层(层1，层2，层3)。在附图中，布置了三个神经元层，但是本发明对神经元层的数目不进行限制。为了方便，所述神经元层(层1，层2，层3)将被分别称为第一神经元层、第二神经元层和第三神经元层。
人工神经网络操作单元30从测量数据输入单元20接收初始特性测量数据Pm，并将该数据转换为初始特性测量矢量
Figure GPA00001052623700081
然后将该矢量输入至第一神经元层(层1)。这里，初始特性测量矢量具有的维数是R行×1列。R是包括在初始特性测量数据内的单元数据的数目。例如，假设初始特性测量数据是在1-10个循环的充电/放电过程中以规则间隔所测量的电池的充电容量变化数据，在每个循环所获得的充电容量数据的数目是20，则R是“20×10＝100”。在这种情况下，初始特性测量矢量
Figure GPA00001052623700082
具有的维数是100行×1列，则1-20行、21-40行、41-60行、......、181-200行分别代表第1个循环、第2个循环、第3个循环、......、第10个循环的充电容量变化数据。
在第一神经元层(层1)中，初始特性测量矢量
Figure GPA00001052623700083
与作为权矩阵W1中的一个元的权相乘，然后还对其增加一个作为偏差矢量
Figure GPA00001052623700084
的元的偏差值。此时的结果——即中间结果——通过一神经元传递函数f1被计算为相应层的结果矢量
Figure GPA00001052623700086
然后被输出至第二神经元层(层2)。下面的等式1表示关于第一神经元层(层1)的数值公式：
等式1
a → 1 = f 1 ( W 1 P → + b → 1 )
上述第一神经元层(层1)的操作方法被同样应用于第二神经元层(层2)和第三神经元层(层3)。然而，被输入到每个层的输入矢量都是最后一层的输出矢量。被应用至第二神经元层(层2)和第三神经元层(层3)的操作方法分别如下：
等式2
a → 2 = f 2 ( W 2 a → 2 + b → 2 )
等式3
a → 3 = f 3 ( W 3 a → 3 + b → 3 )
在等式1-3中，权矢量W1、W2和W3分别具有的维数为S行×1列、S行×S列以及S行×S列，偏差矢量
Figure GPA000010526237000810
和具有的维数为S行×1列。这里，S是由人工神经网络所计算的最终输出矢量
Figure GPA00001052623700091
中的行数。在最终输出矢量
Figure GPA00001052623700092
中的行数相同于被包括在长期特性估计数据中的单元数据的数目。
在本发明中，人工神经网络的学习意味着获得权矩阵W1、W2和W3以及偏差矢量
Figure GPA00001052623700093
和
Figure GPA00001052623700094
从而使最终输出矢量
Figure GPA00001052623700095
和通过将长期特性学习数据Tt矢量化所获得的长期特性学习矢量之间的差值最小化或优化。为此，人工神经网络操作单元30使用初始特性学习矢量
Figure GPA00001052623700097
和长期特性学习矢量所述两个矢量是通过将初始特性学习数据Pt和长期特性学习数据Tt进行矢量化而获得的。
例如，假设每个循环的R/k数目个初始特性数据是对要作为学习对象的N个电池的k个循环期间获得的，则将其用作初始特性学习数据，对第300个循环总计获得S个长期特性数据，然后将其用作长期特性学习数据，而权矩阵W1、W2和W3，以及偏差矢量和
Figure GPA000010526237000910
是通过允许人工神经网络使用
Figure GPA000010526237000911
[R行×N列，p1、p2、......、pN是列矢量]以及
Figure GPA000010526237000912
[S行×N列，t1、t2、......、tN是列矢量]进行学习而获得的。
这里，关于人工神经网络学习的技术在本领域中是众所周知的。例如，Jure Zupan，Johann Gasteiger在第二版的《Neural Networksin Chemistry and Drug Design》(Weinheim；New York；Chichester；Brisbane；Singapore；Toronto：Wiley-VCH，1999)中公开了借助于在输入数据和输出数据之间的相关度来计算权矩阵W和偏差矢量
Figure GPA000010526237000913
的方法。因此，这里就不再详细解释人工神经网络使用
Figure GPA000010526237000914
和
Figure GPA000010526237000915
的详细学习算法。
神经元传递函数f是在人工神经网络的领域中公知的传递函数。例如，可采用Compet、Hard-limit、Symmetric Hard-Limit、Log-Sigmoid、Positive Linear、Linear、Radial Basis、Satlin、Satlins、Softmax、Tan-Sigmoid、Triangular Basis以及Netinv等传递函数可作为神经元传递函数f。然而，本发明对此不进行限制。
再参照图1，如果最终输出矢量是由人工神经网络计算的，则人工神经网络操作单元30将最终输出矢量(该矢量相应于一长期特性估计矢量)输出作为电池的长期特性估计数据。然后，显示器40接收该长期特性估计数据，并将该长期特性估计数据通过一显示设备显示在图形-用户界面中。例如，如果长期特性估计数据是第300次循环的充电时间或充电电压所对应的电池的充电容量变化数据，则显示器40可通过一显示设备以图形形式将该对于长达300次循环所估计的电池的充电容量变化数据输出。在这种情况下，尽管循环充电/放电过程没有进行长达300次循环，但可轻易估计出电池的长期特性。
在另一实施方案中，如果最终输出矢量
Figure GPA00001052623700101
是由人工神经网络计算的，则人工神经网络操作单元30可将该最终输出矢量输出至一估计电池的长期特性的长期特性估计单元50。然后，该长期特性估计单元50将人工神经网络所计算的长期特性估计数据与预定的标准的长期特性数据进行比较，那么，如果其误差大于阈值，所述长期特性估计单元50就判断该电池具有不良的长期特性。在该情况下，长期特性估计单元50确定相应的电池在长期特性方面是劣质的，然后可通过显示设备将该结果显示在一图形-用户界面中。
例如，如果长期特性估计数据相关于第300个循环所估计的、电池的每个充电时间或充电电压的充电容量，则仅当人工神经网络所估计的充电容量大于每个充电时间或充电电压的预定的标准的充电容量时，长期特性估计单元50可确定相应电池的长期特性是卓越的。然而，在确定电池的长期特性的卓越性方面，本发明并不进行限制。
同时，如果初始特性测量数据在用于人工神经网络的学习的初始特性学习数据的范围之外，则通过人工神经网络所计算的长期特性估计数值的可靠性被降低。
为了解决该问题，在本发明的另一实施方案中，将初始特性学习数据和长期特性学习数据的数据结构不同地限定，使得对每个数据结构而言人工神经网络的学习被不同地执行。
图3示出初始特性学习数据和长期特性学习数据被限定在第一数据结构中的情况，图4示出初始特性学习数据和长期特性学习数据被限定在第二数据结构中的情况。
参照图3的第一数据结构，对要作为学习对象的N个电池所获得的同一循环的初始特性学习数据被沿着横向布置。例如，在初始特性学习数据的第一行中，布置了电池1至电池N的第1个循环的充电/放电过程中所获得的初始特性学习数据。其它行被以相同方式布置。此外，在长期特性学习数据的第一行中，布置了对电池1至电池N的第300个循环的充电/放电过程中所获得的长期特性学习数据。这里，正如对于本领域普通技术人员显然的，可以改变在其中获得初始特性学习数据和长期特性学习数据的循环的范围或数目。如果每个循环所获得的学习数据的数目是k，则具有第一数据结构的初始特性学习数据变成具有10行×(k*N)列的维数的矩阵，长期特性学习数据变成具有1行×(k*N)列的维数的矩阵。
然后，参照图4的第二数据结构，初始特性学习数据是通过对要作为学习对象的N个数目的电池执行1-10个循环的充电/放电过程而获得的，但对每个电池所获得的1-10个循环的初始特性学习数据被沿着垂直方向相继布置。从而，在初始特性学习数据的第一列，在对电池1的1-10个循环的充电/放电过程中所获得的初始特性学习数据被相继布置。其它列被以相同方式布置。此外，在长期特性学习数据的每一列中，在电池1-电池N的第300个循环的充电/放电过程中所获得的长期特性学习数据被沿着垂直方向布置。这里，正如对于本领域普通技术人员显然的，可以改变在其中获得初始特性学习数据和长期特性学习数据的循环的范围或数目。如果对于每个循环所获得的学习数据的数目是k，则具有第二数据结构的初始特性学习数据会变成具有(k*10)行×N列的维数的矩阵，长期特性学习数据变成具有k行×N列的维数的矩阵。
人工神经网络操作单元30将初始特性学习数据和长期特性学习数据转换为第一和第二数据结构，然后允许人工神经网络基于所述数据结构单独学习。
这里，允许人工神经网络基于数据结构单独学习的含义是，基于第一和第二数据结构独立地计算人工神经网络的权矩阵W1、W2和W3，以及偏差矢量
Figure GPA00001052623700111
和
Figure GPA00001052623700112
如果允许人工神经网络基于第一数据结构进行学习，则可计算权矩阵和偏差矢量，使得在300个循环内的一个相应循环处所测量的长期特性值可以通过基于要作为学习对象的同一电池的在1-10个循环内的一个特定循环处所测量的初始特性值的列矢量(沿垂直方向)而被估计。另外，如果允许人工神经网络基于第二数据结构进行学习，则可计算权矩阵和偏差矢量，使得整300次循环的长期特性值，可通过基于要作为学习对象的同一电池的在整个1-10循环内的初始特性值的列矢量(沿垂直方向)而被估计。
在人工神经网络基于数据结构的单独学习完成之后，如果其长期特性应被确定的电池的初始特性测量数据被输入，则人工神经网络操作单元30将该初始特性测量数据的数据结构转换为第一数据结构和第二数据结构，然后应用基于每个数据结构已学习过的人工神经网络，来计算两种长期特性估计数据。
此时，当根据具有第一数据结构的初始特性测量数据来计算长期特性估计数据时，人工神经网络操作单元30通过使用由1-10个循环的每个测量时间的初始特性值所组成的列矢量，来估计相应于列矢量位置的第300个循环的长期特性值。在这种方法中，初始特性值与彼此不同的10个循环相关联以依次对300个循环的长期特性数据进行估计。同时，在根据具有第二数据结构的初始特性测量数据计算长期特性估计数据的情况下，由整1-10个循环的初始特性值所组成的列矢量被用于估计整300个循环的长期特性值。在这种方法中，参照整10个循环的初始特性值来一次估计第300个循环的长期特性值。
如果人工神经网络使用不同的方法估计长达300个循环的长期特性数据，尽管应用的是基于不同数据结构进行学习的人工神经网络，如果初始特性测量数据不偏离初始特性学习数据的范围，则在两种长期特性估计数据之间基本上不存在偏差。这是因为，人工神经网络已充分学会用于估计基本上相同的长期特性学习数据，而不管用于学习的初始特性学习数据的范围内的初始特性测量数据的数据结构如何。换言之，如果初始特性测量数据偏离初始特性学习数据的范围，如果应用的是基于不同数据结构进行学习的人工神经网络，则两种长期特性估计数据之间的误差会增加。从而，通过利用这种现象，可以轻易估计出长期特性估计数据的可靠性。
也就是说，人工神经网络操作单元30从具有不同数据结构的初始特性测量数据中获得两种长期特性估计数据，然后将其输出至长期特性估计单元50。然后，该长期特性估计单元50计算在两种长期特性估计数据之间的误差，由此，如果该误差超过阈值，则长期特性估计单元50就确定所述用于估计电池的长期特性的初始特性测量数据位于用于人工神经网络的学习的初始特性学习数据的定性范围和定量范围之外。在这种情况下，长期特性估计单元50可通过显示设备在一图形-用户界面中通知关于长期特性估计数据的可靠性低的消息。
相反，如果该两种长期特性估计数据之间的误差小于阈值，则长期特性估计单元50就确定用于估计电池的长期特性的初始特性测量数据位于用于人工神经网络的学习的初始特性学习数据的定性范围和定量范围内。在这种情况下，长期特性估计单元50最终确定将所述两种长期特性估计数据中的任一个的矢量或者将所述两种长期特性估计数据的矢量平均数据作为长期特性估计数据，然后将该长期特性估计数据的变化图样通过一显示设备显示在图形-用户界面中。另外，长期特性估计单元50可将最终确定的长期特性估计数据与标准长期特性数据进行比较，以确定电池的长期特性是否卓越，然后通过一显示设备将结果显示在图形-用户界面中。
根据如上所述的用于估计电池的长期特性的系统，在电池制造完成之后对于每批电池取样出将要对其长期特性进行估计的多个电池，然后对于每个所取样的电池进行循环充电/放电过程以获得初始特性测量数据，然后通过使用所获得的初始特性测量数据来测试每个所取样电池的长期特性，因此该系统对于取样检查一批电池的长期特性质量是有用的。
图5是示出根据本发明第二实施方案的用于估计电池的长期特性的系统的框图。
根据第二实施方案的用于估计电池的长期特性的系统，是用于通过使用在电池激活过程中所测量的电池的充电特性来估计电池的长期特性的。
该系统将电池激活过程中当电池被初始充电时的关于电池的充电电压变化数据、充电电流变化数据或充电容量变化数据作为电池的初始特性测量数据。
由此，与第一实施方案不同，根据第二实施方案的系统还包括一初始特性测量传感器60。当进入激活过程的电池被初始充电时，所述初始特性测量传感器60以规则间隔检测电池的两个端子的充电电压、被引入电池的充电电流，或者电池的充电容量，然后将其输出至测量数据输入单元20。然后，测量数据输入单元20将输出自初始特性测量传感器60的初始特性测量数据输入到人工神经网络操作单元30。
人工神经网络操作单元30接收在被选定为学习对象的电池的激活过程中所测量的关于电池的充电电压变化数据、充电电流变化数据或者充电容量变化数据作为初始特性学习数据，并且在定下一选定为学习对象的电池之后，还通过学习数据输入单元10接收对于一预定循环——例如，第300个循环——所测量的充电特性变化数据、放电特性变化数据、厚度变化数据或开路电压变化数据作为长期特性学习数据，然后允许人工神经网络学习。此外，每当从测量数据输入单元20中输入在电池激活过程中所测量的初始特性测量数据时，人工神经网络操作单元30通过应用已学习过的人工神经网络来计算并输出长期特性估计数据。
第二实施方案的系统具有一个初始特性测量传感器60，从而其可从激活过程实时地获取初始特性测量数据。由此，第二实施方案的系统可被应用于在电池激活过程对电池的长期特性进行全数检查。此外，第二实施方案的用于计算初始特性学习数据的初始特性测量数据的种类、和用于人工神经网络的学习的长期特性估计数据的种类不同于第一实施方案的所述两种数据的种类。除了上述以外，第二实施方案的系统基本相同于第一实施方案的系统。
现在，将解释根据本发明的一个实施方案的用于估计电池的长期特性的方法。
图6是示出根据本发明的第一实施方案的用于估计电池的长期特性的系统的操作顺序的示意流程图。
参照图1和图6，首先，人工神经网络操作单元30通过学习数据输入单元10收集要作为学习对象的电池的初始特性学习数据和长期特性学习数据(S100)。这里，初始特性学习数据和长期特性学习数据已在上面解释过。
接下来，人工神经网络操作单元30允许人工神经网络使用所收集的初始特性学习数据和所收集的长期特性学习数据进行学习(S110)。
在人工神经网络的学习完成之后，人工神经网络操作单元30通过测量数据输入单元20接收要作为估计长期特性的对象的电池的初始特性测量数据(S120)。该初始特性测量数据可通过如下方式获得：从完整制造的一批电池中取样出预定数量的电池，然后对所取样的电池执行循环充电/放电过程。作为一种替代方案，初始特性测量数据可通过当进入激活过程的电池被初始充电时、使用初始特性测量传感器60获得(参见图5)。
此后，人工神经网络操作单元30通过将已学习过的人工神经网络应用至输入初始特性测量数据，计算预定的长期循环的长期特性估计数据。
然后，人工神经网络操作单元30将所计算的长期特性估计数据显示到显示器40上。然后，显示器40通过一显示设备将该长期特性估计数据显示在图形-用户界面中(S140)。
作为一种替代方案，人工神经网络操作单元30将所计算的长期特性估计数据输出至长期特性估计单元50。然后，长期特性估计单元50通过将所计算的长期特性估计数据与标准长期特性数据进行比较来估计电池的长期特性质量，然后将结果通过显示设备显示在图形-用户界面中(S150)。
图7是示出根据本发明的第二实施方案的用于估计电池的长期特性的系统的操作顺序的示意流程图。
参照图1和图7，首先，人工神经网络操作单元30通过学习数据输入单元10收集作为学习对象的电池的初始特性学习数据和长期特性学习数据(S200)。这里，初始特性学习数据和长期特性学习数据已在上面解释过。
接下来，人工神经网络操作单元30将所收集的初始特性学习数据和所收集的长期特性学习数据转换到第一数据结构和第二数据结构中(S210)。在此之后，人工神经网络被允许基于每个数据结构进行学习(S220)。这里，第一数据结构和第二数据结构已被参照图3和图4详细解释如上。
在人工神经网络基于每个数据结构的学习已完成之后，人工神经网络操作单元30通过测量数据输入单元20接收要作为估计长期特性的对象的电池的初始特性测量数据(S230)。初始特性测量数据可通过如下方式获得：即从所完整制造的一批电池中取样出预定数目个电池，然后对所取样的电池执行循环充电/放电过程。作为一种替代方案，所述初始特性测量数据可通过在当进入激活过程的电池被初始充电时、由初始特性测量传感器60获得(参见图5)。
在此之后，人工神经网络操作单元30将输入的初始特性测量数据转换到第一数据结构和第二数据结构(S240)中。然后，根据第一数据结构和第二数据结构，将基于每个数据结构已学习的人工神经网络应用至输入初始特性测量数据，由此计算对于预定的长期循环的两种长期特性估计数据(S250)。
然后，人工神经网络操作单元30将所计算的两种长期特性估计数据显示在显示器40中。从而，显示器40通过一显示设备将所述两种长期特性估计数据显示到图形-用户界面中(S260)。
作为一种替代方案，人工神经网络操作单元30将所计算的两种长期特性估计数据输出至长期特性估计单元50。然后，该长期特性估计单元50通过将二者互相比较来计算在两种长期特性估计数据之间的误差，根据该误差是否超出阈值来确定长期特性估计数据的可靠性，然后通过一显示设备将结果显示在图形-用户界面中(S270)。
另外，长期特性估计单元50确定将所述两种长期特性估计数据中的任一个或者该两种长期特性估计数据的矢量平均数据选择作为长期特性估计数据，以及通过将所确定的长期特性估计数据与标准的长期特性数据进行比较来估计电池的长期特性质量，然后将该结果通过一显示设备显示在图形用户界面中(S280)。
根据本发明的用于估计电池的长期特性的系统和方法，可以以一种能够被各种计算机装置执行的并被记录在一计算机可读介质中的程序指令形式实现。所述计算机可读介质可包括单一的或组合的程序指令、数据文档或数据结构。记录在介质中的程序指令可以是为了本发明专门设计并配置的，或者是在计算机程序领域众所周知的任何其它可使用的程序指令。计算机可读记录介质包括，例如，诸如硬盘、软盘和磁带等的磁介质；诸如CD-ROM和DVD的光学介质；诸如光磁软盘的磁-光介质；以及诸如ROM、RAM和闪存的专门被配置用于存储并执行程序指令的硬件设备。所述介质还可以是如下的传输介质，诸如波导管以及具有载体的光学导线或金属导线等，这种传输介质传送表示程序指令或数据结构的信号。所述程序指令包括，例如，由编译器生成的机器代码、或者由使用解码器等的计算机可执行的高级程序语言代码。所述硬件设备可被配置为作为用于执行本发明的操作的至少一个软件模块而被运行，反之亦然。
图8是一个示出了可用于执行根据本发明的用于估计电池长期特性的系统的操作方法的通用计算机系统的框图。
参照图8，通用目的计算机系统400包括连接至具有RAM 420和ROM 430的主存储器的至少一个处理器410。处理器410还被称为CPU。如本领域公知的，ROM 430用于向处理器410单方面地传输数据和指令。RAM 420通常被用于双向地向处理器410传输数据和指令。RAM 420和ROM 430可具有计算机可读介质的任意合适形状。海量存储器(massstorage device)440被双向连接至处理器410从而为其提供额外的数据存储能力，并且其可以是上述计算机可读介质中的任一种。海量存储器440被用于存储程序、数据等，并且其通常是诸如硬盘等的辅助存储器，辅助存储器的速度低于主存储器。还可使用诸如CD-ROM 460的特定海量存储器。处理器410连接到至少一个I/O接口450，该I/O接口诸如视频监视器、跟踪球鼠标、键盘、麦克风、触屏式显示器、读卡器、磁带或纸带阅读器、语音或书写识别器、操纵杆或其它公知的计算机I/O设备。最后，处理器410可通过网络接口470连接至有线或无线通信网络。上述方法还可通过联网进行。上述设备和工具对于计算机硬件和软件领域的普通技术人员是众所周知的。同时，硬件设备还可被配置运行为至少一种软件模式用以执行本发明的操作。
本发明已被详细描述如上。然而，应理解的是，尽管给出了本发明的优选实施方案，但详细说明和具体实施例仅是通过示例方式给出的，因为根据本详细说明书，在本发明主旨和范围内的各种变化和修改对于本领域技术人员而言将是显而易见的。
工业适用性
根据本发明，可利用电池的初始特性快速估计电池的可靠的长期特性，因此可解决常规的后发货长期特性估计方法的各种问题。
也就是说，可以降低用于召回被确定为具有不良质量的电池批次的成本。此外，由于长期特性的劣质因素可被快速识别并去除，从而可以防止额外制造具有劣质长期特性的电池。另外，可以仅向消费者提供具有卓越长期特性的电池，并且还可减轻用于电池的循环充电/放电过程的设备上的负荷。
在本发明的另一方面，由于使用了电池被制造时对所有电池所测量的特性，例如在激活过程中的充电数据，从而可以实现电池的全数检查。

Claims (16)

1.用于估计电池的长期特性的系统，包括：
学习数据输入单元，其用于接收要作为学习对象的电池的初始特性学习数据和长期特性学习数据；
测量数据输入单元，其用于接收要作为估计长期特性的对象的电池的初始特性测量数据；
人工神经网络操作单元，其用于将所述初始特性学习数据和长期特性学习数据转换到第一数据结构和第二数据结构中，允许人工神经网络基于每一数据结构学习所述初始特性学习数据和长期特性学习数据，将所输入的初始特性测量数据转换到第一和第二数据结构中，并独立地应用相应于每一数据结构的已学习过的人工神经网络来计算并输出基于每一数据结构的长期特性估计数据；以及
长期特性估计单元，其用于计算每一数据结构的输出的长期特性估计数据的误差，并根据该误差确定长期特性估计数据的可靠性。
2.根据权利要求1所述的系统，其中基于每一数据结构的已学习过的人工神经网络具有串联布置的至少一个神经元层，
其中该神经元层将输入矢量转换为输出矢量以使通过人工神经网络的学习计算的偏移矢量和权矩阵被反映在输入矢量上，偏移矢量和权矩阵被反映在其上的输入矢量通过神经元传递函数处理，接着神经元传递函数的结果被作为输出矢量输出。
3.根据权利要求2所述的系统，其中在神经元层的串联布置中，第一神经元层具有由初始特性测量数据组成的输入矢量。
4.根据权利要求1所述的系统，其中关联于初始特性的数据包括在电池激活过程中测量的电池的充电特性变化数据；或通过测量初始循环特性而获取的电池的充电特性变化数据、放电特性变化数据、厚度变化数据，或者开路电压变化数据，以及
其中关联于长期特性的数据包括预定的长期循环上的电池的充电特性变化数据、放电特性变化数据、厚度变化数据，或者开路电压变化数据。
5.根据权利要求1所述的系统，其中还包括初始特性测量传感器，其用于测量置于激活过程的电池的充电特性，并接着将所测量的充电特性输出作为初始特性测量数据，
其中测量数据输入单元从初始特性测量传感器接收初始特性测量数据。
6.根据权利要求1所述的系统，其中还包括显示器，该显示器用于从人工神经网络操作单元接收基于每一数据结构计算的长期特性估计数据，以通过显示装置在图形-用户界面上显示长期特性估计数据。
7.根据权利要求1所述的系统，其中在误差小于标准值的情况下，长期特性估计单元确定基于每一数据结构计算的长期特性估计数据中的任一个或所述长期特性估计数据的平均数据作为长期特性估计数据，并接着输出该长期特性估计数据。
8.根据权利要求7所述的系统，其中长期特性估计单元通过将所确定的长期特性估计数据与标准的长期特性数据相比较，来确定电池的长期特性质量。
9.根据权利要求8所述的系统，其中长期特性估计单元将电池的长期特性质量的确定结果通过显示装置输出至图形-用户界面上。
10.用于估计电池的长期特性的方法，包括：
(a)接收要作为学习对象的电池的初始特性学习数据和长期特性学习数据；
(b)将所接收的初始特性学习数据和所接收的长期特性学习数据转换到第一和第二数据结构中，并接着独立地允许人工神经网络基于每一数据结构而学习；
(c)接收要作为估计长期特性的对象的电池的初始特性测量数据；
(d)将所接收的初始特性测量数据转换到第一和第二数据结构中，接着将对应于每一数据结构的已学习过的人工神经网络应用至其上，并接着基于每一数据结构计算和输出长期特性估计数据；以及
(e)基于每一数据结构计算所输出的长期特性估计数据的误差，并接着依据该误差确定长期特性估计数据的可靠性。
11.根据权利要求10的方法，其中基于每一数据结构的已学习过的人工神经网络具有串联布置的至少一个神经元层，以及
其中在步骤(d)中，基于每一数据结构应用已学习过的人工神经网络的过程包括：
(d1)将初始特性测量数据转换到输入矢量中；
(d2)将所转换的输入矢量输入至神经元层布置的第一神经元层；
(d3)神经元层布置的每一神经元层将通过人工神经网络的学习计算的偏移矢量和权矩阵反映到输入矢量上，接着通过神经元传递函数处理输入矢量，以使输入矢量被转换为输出矢量，并接着被输出；以及
(d4)神经元层布置的最末神经元层将长期特性估计矢量作为输出矢量输出。
12.根据权利要求10的方法，其中关联于初始特性的数据包括在电池激活过程中测量的电池的充电特性变化数据；或通过测量初始循环特性而获取的电池的充电特性变化数据、放电特性变化数据、厚度变化数据，或者开路电压变化数据，以及
其中关联于长期特性的数据包括预定的长期循环上的电池的充电特性变化数据、放电特性变化数据、厚度变化数据，或者开路电压变化数据。
13.根据权利要求10的方法，其中初始特性学习数据是置于电池激活过程中的要作为学习对象的电池的充电特性变化数据，而长期特性学习数据是预定的长期循环上的电池的充电特性变化数据、放电特性变化数据、厚度变化数据，或者开路电压变化数据，以及
其中步骤(c)包括：
将要作为估计长期特性的对象的电池置于电池激活过程中；
从电池上测量充电特性变化；以及
将所测量的充电特性变化数据接收作为初始特性测量数据。
14.根据权利要求10的方法，其中还包括：
可视地显示长期特性估计数据。
15.根据权利要求10的方法，其中还包括：
确定基于每一数据结构计算的长期特性估计数据中的任一个或所述长期特性估计数据的平均数据作为长期特性估计数据；
将所确定的长期特性估计数据与标准的长期特性数据相比较，以确定电池的长期特性质量。
16.根据权利要求15的方法，其中还包括：
可视地显示电池的长期特性质量的确定结果。
CN200880106937XA 2007-09-13 2008-09-12 用于估计电池的长期特性的系统和方法 Active CN101803104B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020070093251A KR100936892B1 (ko) 2007-09-13 2007-09-13 배터리의 장기 특성 예측 시스템 및 방법
KR10-2007-0093251 2007-09-13
PCT/KR2008/005403 WO2009035288A2 (en) 2007-09-13 2008-09-12 System and method for estimating long term characteristics of battery

Publications (2)

Publication Number Publication Date
CN101803104A true CN101803104A (zh) 2010-08-11
CN101803104B CN101803104B (zh) 2013-01-09

Family

ID=40452708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200880106937XA Active CN101803104B (zh) 2007-09-13 2008-09-12 用于估计电池的长期特性的系统和方法

Country Status (6)

Country Link
US (1) US8412658B2 (zh)
EP (1) EP2206191B1 (zh)
JP (1) JP5313250B2 (zh)
KR (1) KR100936892B1 (zh)
CN (1) CN101803104B (zh)
WO (1) WO2009035288A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103364732A (zh) * 2012-04-05 2013-10-23 三星Sdi株式会社 预测电池寿命的系统及方法
CN108139446A (zh) * 2015-10-15 2018-06-08 江森自控科技公司 用于预测电池测试结果的电池测试系统

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI420724B (zh) * 2011-01-26 2013-12-21 Elitegroup Computer Sys Co Ltd 電池活化方法
DE112013006849A5 (de) * 2013-03-19 2015-12-03 BALLUF GmbH Induktiver Wegmesssensor und Verfahren zu seinem Betrieb
KR101592704B1 (ko) 2014-06-11 2016-02-15 현대자동차주식회사 연료전지 스택의 상태 진단 방법 및 연료전지 시스템의 제어방법
KR20160090140A (ko) * 2015-01-21 2016-07-29 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102332399B1 (ko) * 2015-02-06 2021-11-29 삼성전자주식회사 배터리 상태 추정 장치 및 방법
FR3061307B1 (fr) * 2016-12-22 2021-05-07 Electricite De France Caracterisation perfectionnee d'un dispositif electrochimique en operation pour un pronostic de fonctionnement futur du dispositif
KR101792975B1 (ko) 2017-04-25 2017-11-02 한국기술교육대학교 산학협력단 수치적 시뮬레이션 데이터 기반 배터리의 수명 상태 예측 방법
KR20220073829A (ko) * 2019-11-07 2022-06-03 바스프 에스이 배터리 성능 예측
JP7314822B2 (ja) * 2020-02-06 2023-07-26 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
JP7216870B2 (ja) * 2020-10-15 2023-02-01 昭和電工株式会社 リチウムイオンバッテリーの寿命予測方法、放電容量維持率予測方法、寿命予測プログラム、放電容量維持率予測プログラム及び情報処理装置
KR20230140743A (ko) 2022-03-30 2023-10-10 주식회사 엘지에너지솔루션 필드 데이터 기반 인공신경망 배터리 모델을 통한 배터리 이상 검출 방법 및 시스템
FR3134240A1 (fr) * 2022-03-31 2023-10-06 Commissariat à l'Energie Atomique et aux Energies Alternatives Procédé de tri d’un ensemble de batteries basé sur un modèle de classification automatique
CN114740389A (zh) * 2022-05-11 2022-07-12 上海采日能源科技有限公司 电池健康评估方法、装置、电子设备和可读存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4361809A (en) * 1980-11-20 1982-11-30 Ford Motor Company Battery diagnostic method and apparatus
US7415126B2 (en) * 1992-05-05 2008-08-19 Automotive Technologies International Inc. Occupant sensing system
US5714866A (en) * 1994-09-08 1998-02-03 National Semiconductor Corporation Method and apparatus for fast battery charging using neural network fuzzy logic based control
FR2740555A1 (fr) * 1995-10-31 1997-04-30 Philips Electronique Lab Systeme de controle des cycles de charge-decharge d'une batterie rechargeable, et dispositif hote muni d'une batterie intelligente
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
US5998968A (en) * 1997-01-07 1999-12-07 Ion Control Solutions, Llc Method and apparatus for rapidly charging and reconditioning a battery
AU731940B2 (en) * 1997-06-19 2001-04-05 Snap-On Equipment Limited Battery testing and classification
DE10012964A1 (de) * 2000-03-16 2001-10-04 Implex Hear Tech Ag Vorrichtung und Verfahren zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie
JP2002162452A (ja) * 2000-11-28 2002-06-07 Nec Yonezawa Ltd 電池残量検出回路
US6534954B1 (en) * 2002-01-10 2003-03-18 Compact Power Inc. Method and apparatus for a battery state of charge estimator
KR20040051195A (ko) * 2002-12-12 2004-06-18 주식회사 팬택 배터리 잔량 측정 장치 및 방법
JP3935099B2 (ja) * 2003-04-15 2007-06-20 株式会社デンソー 車両用蓄電装置の内部状態検出システム
WO2005059579A1 (en) * 2003-12-18 2005-06-30 Lg Chem, Ltd. Apparatus and method for estimating state of charge of battery using neural network
US7554296B2 (en) * 2005-02-14 2009-06-30 Denso Corporation Method and apparatus for detecting charged state of secondary battery based on neural network calculation
KR100793616B1 (ko) * 2005-06-13 2008-01-10 주식회사 엘지화학 배터리 잔존량 추정 장치 및 방법
JP4849935B2 (ja) * 2006-03-31 2012-01-11 古河電池株式会社 内部抵抗の初期値が不明な鉛蓄電池の寿命推定方法及び寿命推定装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103364732A (zh) * 2012-04-05 2013-10-23 三星Sdi株式会社 预测电池寿命的系统及方法
CN108139446A (zh) * 2015-10-15 2018-06-08 江森自控科技公司 用于预测电池测试结果的电池测试系统
CN108139446B (zh) * 2015-10-15 2021-03-02 Cps科技控股有限公司 用于预测电池测试结果的电池测试系统

Also Published As

Publication number Publication date
EP2206191A2 (en) 2010-07-14
EP2206191B1 (en) 2015-03-04
KR100936892B1 (ko) 2010-01-14
CN101803104B (zh) 2013-01-09
EP2206191A4 (en) 2011-09-07
JP5313250B2 (ja) 2013-10-09
KR20090020448A (ko) 2009-02-26
US8412658B2 (en) 2013-04-02
WO2009035288A3 (en) 2009-05-07
US20100312733A1 (en) 2010-12-09
WO2009035288A2 (en) 2009-03-19
JP2010539473A (ja) 2010-12-16

Similar Documents

Publication Publication Date Title
CN101809456B (zh) 用于估计电池的长期特性的系统和方法
CN101803104B (zh) 用于估计电池的长期特性的系统和方法
JP7317484B2 (ja) リチウムイオン電池の容量低下と寿命予測のためのデータ駆動モデル
CN109196366B (zh) 使用高斯过程回归估计电池充电状态的方法和系统
KR102362532B1 (ko) 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
US10101406B2 (en) Method and apparatus for estimating state of battery
JP2022514992A (ja) バッテリ診断システム、バッテリ診断方法、及び記憶媒体
CN109817267B (zh) 一种基于深度学习的闪存寿命预测方法、系统及计算机可读存取介质
CN109637576A (zh) 一种基于支持向量回归的闪存寿命预测方法
US20220099743A1 (en) Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods
CN117148177A (zh) 电池动态一致性评价方法、装置和计算机设备
CN116724243A (zh) 电池管理装置和方法
EP4293373A1 (en) Method and apparatus with battery short detection
JP7395812B2 (ja) バッテリー状態管理システム及び方法
US20240077538A1 (en) Method and Device for Initially Preparing an Aging State Model for Energy Storage Means Based on Active Learning Algorithms and Time-Discounted Information Evaluation
KR102549349B1 (ko) 배터리의 상태 정보를 획득하는 방법 및 디바이스
CN116466235A (zh) 用于基于主动学习算法来为蓄能器初始提供健康状态模型的方法和装置
US20230408583A1 (en) Battery management apparatus and method
US20230268753A1 (en) Intelligent battery charging based on history
CN118091445A (zh) 自放电率的确定方法、装置、计算机设备和存储介质
CN117949848A (zh) 电芯容量异常判断方法、装置、设备和存储介质
KR20230168813A (ko) 차량, 배터리 수명 예측 장치 및 배터리 수명 예측 방법
CN116736167A (zh) 用于预测电池的健康状态的方法和相关装置
CN117233630A (zh) 锂离子电池的使用寿命预测方法、装置和计算机设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211216

Address after: Seoul, South Kerean

Patentee after: LG Energy Solution

Address before: Seoul, South Kerean

Patentee before: LG CHEM, Ltd.