CN103270668A

CN103270668A - 为电池快速充电的设备和方法

Info

Publication number: CN103270668A
Application number: CN201180062016XA
Authority: CN
Inventors: I.亨特; S.R.拉方泰尼
Original assignee: Nucleus Scientific Inc
Current assignee: Indigo Technologies Inc
Priority date: 2010-10-22
Filing date: 2011-10-21
Publication date: 2013-08-28
Anticipated expiration: 2031-10-21
Also published as: SG10201508548PA; KR20140025310A; JP2013543238A; KR20180077302A; IL225870A0; CN106451600B; MX346388B; US9397516B2; CA2815218C; CA2815218A1; EP2630716A2; AU2011316798B2; NZ700620A; WO2012054864A3; US20120098481A1; SG189493A1; AU2011316798A1; KR101934288B1; CN103270668B; EP2630716B1

Abstract

一种用于为包括例如锂离子电池的一个或多个电池进行超快速充电的设备和方法。充电电流是基于与电池相关联的一组内部状态变量的函数，以及表现电池的特征的一组模型参数或非参数性数据，通过对模型进行优化确定的。瞬时的内部状态变量被确定，优化的充电电流被施加到服从一组电池特定约束的电池。内部状态变量基于正被充电的电池的属性，以及被存储在数据库中的属性被递归更新，或通过同源电池的网络收集。

Description

为电池快速充电的设备和方法

相关申请的交叉引用

本申请要求提交于2010年10月22日，序列号为第61/405,829号的美国临时专利申请优先权，并且在此结合该文作为参考。

技术领域

本发明涉及为电化学单电池(cell)充电，并且更尤其涉及用于为锂离子电池(battery)充电的设备和方法。

背景技术

定义：正如在本说明书以及所有随附的权利要求书中所使用的，除非上下文提出相反的要求，“电池”是指提供电势的一个或多个化学能量存储单电池（或，电化学单电池）。“二次电池(secondary battery)”是指可通过施加电流而被充电或再充电的电池。

为电池充电的过程包括迫使电流进入电池，使其积聚电荷，并因此积聚能量。该过程必须受到仔细的控制。一般地，过大的充电速率或充电电压将使得电池性能永久退化并最终导致完全报废，或甚至是灾难性的事故，例如外壳穿孔，以及高腐蚀性的化学物质爆炸或泄漏。

为串联连接的电化学单电池充电的过程需要特别仔细。为这样的电池进行再充电可导致由于完全放电时的反向充电而造成单电池损坏。一些充电器被设计成对这样的电池进行再充电，并且它们一般涉及监控单个单电池两端的电压。对单个单电池进行一致的充电采用了特殊的充电技术。

取决于电池的类型，正常的电池充电处理包括两个或四个不同的阶段，正如在例如Maxim Integrated Products,Inc.的Application note680（2002）（其可从http://www.maxim-ic.com/app-notes/index.mvp/id/680处查到）中所教导的。第一可选阶段，大多由具有显著的记忆效果的镍-镉(NiCad)电池使用，包括电池完全放电。第二阶段，称为“批量（bulk）”阶段或“快速充电阶段和终止”，包括迫使恒定的电流进入直到满足某种标准，例如达到一个恒定的电压或电流下降。如果，“C”为电池容量，其以电荷单位（通常由Q表示）A·h表示，则电流，以安培表示，被选定为C的几分之一（或几倍）。例如，以2.4A或2*C的恒定电流对1.2A·h Ni-MH电池进行快速充电，如果该充电没有损失地完成（通常情况不是这样），则将在1/2小时内再充电该电池。对于锂离子单电池，充电器通常将电流和充电电压均限制在0.75%的精度下（对于单个4V的单电池为30mV）。终止则包括检测何时电流下降至一定值以下，或者基于在电压达到其最大值之后经过的固定时间。

第三阶段，或“Top-Off充电”阶段，包括迫使较小电流进入以达到满的电池电荷。这个阶段在电压达到最大值的时候，或者在一定的Top-Off充电时间或电池温度之后终止。

第四阶段，或“Trickle Charge（涓流充电）”阶段，一般用于除锂离子电池以外的所有电池（化学）类型。该“Trickle Charge”阶段的目的是补偿电池随着时间的正常内部泄露和电荷损失。在这个阶段中，施加的是低电流（普遍范围在C/16至C/50），或者施加具有低占空比的脉冲，使得平均电流较小（例如，C/512）。

现有的电池充电协议并不完善，因为它们速度比较慢，并且它们导致了电池寿命非必要地缩短。现有的协议没有考虑到电池之间的不同，即使是在相同的生产批次的电池当中也存在不同。

发明内容

依据本发明的实施例，提供了一种用于为电池充电的设备。该设备具有用于电耦合至电池的接口，以及用于同时地测量电池电压和电流的电路。此外，该设备具有用于积累来自多个电池的电池参数数据的数据库，以及处理器，该处理器基于共同测量的电池电压和电流以及从数据库接收的累积参数数据来递归地更新表现模型的特征的数据，该模型代表电池。最后，该设备具有电流源（如在本文中所定义的），用于按照所述处理器的控制，供给为电池充电的电流。

在本发明的其它实施例中，该处理器可适用于至少部分地基于系统识别，或基于非线性系统识别，更新电池的单电池动态的动态表达。

在备选的实施例中，用于同时地测量电池电压和电流的电路可包括四端口配置，并且用于电耦合至电池的接口可适用于耦合至该电池的参考电极。处理器可具有从对电池特征敏感的传感器接收信号的输入。该设备还可具有温度控制器，用于控制电池的温度。

依据本发明的另一组实施例，提供了用于为电池充电的方法。该方法包括以下步骤：

a.提供电池的单电池动态的动态表达；

b.基于该动态表达确定该电池的充电曲线（charging profile）；以及

c.至少部分地基于该充电曲线并基于跟踪已经存储在该电池中的总电荷将优化的充电电流施加给电池。

在进一步的实施例中，施加优化的电流的步骤可服从于一组电池特定的约束，其可在充电/放电循环的迭代序列的基础上继而得到。充电曲线更尤其地可以指充电电流的曲线。

该方法可具有进一步的步骤，即，跟踪电池的温度，其中，将优化的充电电流施加到电池也是至少部分地基于跟踪的电池温度。施加优化的电流可至少部分地基于跟踪电池的瞬时状态变量。跟踪总电荷可包括确定在电池充电过程中的至少一个电池瞬时内部状态变量，或者确定在电池放电过程中的至少一个电池瞬时内部状态变量。

依据本发明的其它实施例，电池的单电池动态的动态表达可通过非线性系统识别来得到。其还可包括一组内部状态变量和/或一组模型参数。而且，其可包括，至少部分地表现模型的特征的非参数数据。

确定电池充电曲线的步骤可在电池放电和/或电池充电过程的期间执行。

在一组模型参数被采用的情况下，其可包括从数据库，并且更特定地在电池充电的过程期间更新的数据库，得到的参数。电池的单电池动态的动态表达可包括专对于特定单个单电池的一组内部状态变量，或专对于一类单电池的一组模型参数。动态表达还可至少部分地基于多个联网充电系统的充电/放电循环。

依据本发明的再另一组实施例，提供了用于获得经验电池模型数据的网络。该网络具有多个充电系统，其中每一个充电系统包括处理器和用于为单独电池供应电流的电源。该网络还具有服务器，用于从多个处理器中的每一个接收数据并返回关于单电池动态的动态表达的更新数据，以用于被多个充电系统中的每一个进行结合。

在进一步的实施例中，该多个充电系统的至少一个中的处理器适用于，至少部分基于系统识别或非线性系统识别，更新电池的单电池动态的动态表达。

附图说明

参考附图，根据以下详细说明将更好地理解本发明的前述特征，其中：

图1A是简单的电池模型的最小电路示意图，同时图1B是Thevenin模型的电池，这两者均为现有技术的模型；

图2示出了国家能量实验室现有技术的锂离子电池模型；

图3是示出依据本发明实施例的一种模型的电路图，依据该模型可使用四线配置得到电路参数；

图4是基于被施加到图3中电路的简单试探的理想充电曲线的坐标图；

图5A是示出了依据本发明的实施例，应用了针对充电问题的解决方案为电池充电的方法的流程图；

图5B示出了依据本发明的实施例，用于探索（search）电池充电状态并实施快速电池充电的代表电路；

图6将依据本发明的实施例与通过制造商指定规程所提供的电池充电效率进行比较；

图7将依据本发明的实施例与通过制造商指定规程所提供的电池寿命进行比较；

图8是示出了依据本发明的实施例，用于建立电池和与电池关联的模型参数的方法的流程图；

图9示出了依据本发明实施例的多个充电器的集合，由此数据被汇集起来以有利于对充电参数进行优化；

图10示出了由于模型参数的小变化引起电流不稳定性的开始（onset）；

图11示出了输出和内部电压的相应不稳定的开始；

图12是依据本发明的实施例所要使用的电路的简化示意图，其用于将扰动负荷强加到电池两端，以使得在电池放电或静止过程期间能够进行测量；

图13是依据本发明的实施例所要使用的电路的简化示意图，其用于将扰动负荷强加到电池两端，以使得在电池充电、放电或静止过程期间能够进行测量；

图14是示出了依据本发明的实施例，用于在充电或放电过程期间扰动电池状态并应用针对充电问题的解决方案的方法的流程图。

具体实施方式

定义：如在本文中以及在所有随附的权利要求中所使用的，术语“电流源”一般是指将电子传递给系统组件的电源，而并不用于在某种意义上被限制成控制电流的传递，但也可包含在组件两端提供指定电势并按照要求传递这样的电流以维持该指定电势的源（例如，“电压源”）。类似地，施加“充电电流”应涵盖充电电压的施加。

除非上下文作出另外要求，否则术语“动态表达”应指示参数或非参数随时间变化的系统行为的模型，并且其中明确结合了独立的时间变量。

虽然术语“动态表达”是指系统的模型，但术语“电池单电池动态”应表示在电池整体多样性条件下作为时间的函数的电池实际电化学行为。

“充电曲线（charging profile）”是作为至少时间（或者可能作为其它参数，例如充电负荷或温度或内部状态）的函数，表达电压或电流，或两者都表达的函数。

如在本文中以及在所有随附的权利要求中所使用的，“优化的”是指在指定的电池参数的空间中的轨线（trajectory），其使所有的与任意标准相关的效用函数（utility function）最大化，这些标准是如设计者所指定的标准以及可将如充电时长、电池寿命等这样的因素考虑在内的标准，其作为示例提出而不构成限制。

在说明本发明实施例的上下文中，术语“电池”大多用作单电池的意义。但是，要理解的是，依据本发明的实施例实施的快速充电技术，还可有利地被应用于包含串联单电池的电池，及甚至更加复杂的电池系统。

而且，要理解的是，本文中所说明的本发明的实施例还可应用于参考电极，或额外电极，依据这些电极可测量另一个电极的电势。在例如美国公开申请2009/0104510中对在可再充电电池中的这种参考电极的使用进行了讨论。对参考电极或额外电极的使用可通过更严密地监视电池内电化学反应的内部状态促进本文中所说明的快速充电方法。通过类似的方式，可将额外的传感器（诸如温度传感器、pH传感器，等）集成在单电池内部或与单电池相结合。

为了针对电池充电和放电进行电路设计的目的，经常为电池建立模型，以便其可以数字的方式进行表达。不同的模型包括基于基本电组件网络（不论是复值RLC阻抗，还是更通常地使用SPICE（集成电路模拟仿真程序）或SPICE状的非线性仿真）的模型、基于电化学模型的模型，以及最终，基于参数的或非参数的表达的“黑盒”或ad-hoc模型。依据本发明的实施例，对电池的表达可以是参数的或非参数的。例如，电池模型可以是系统随着时间对电流脉冲的响应是怎样的，因此该模型的一部分为连续的时间函数。然后可将该连续的函数数字化，正如通常在使用采样数据系统的基于微处理器的控制器的情况下那样。此外，为了减少数据的目的，可将降噪解析函数用于数据集，诸如函数或泛函（functional）。例如可将脉冲响应函数假设为二阶的，且可仅通过三个自由参数来表达。

依据本发明中所传授的新颖的充电协议，可采用的电池充电模型的示例包括：由Speltino等人在Proceedings of the2009European Control Conference (2009)中发表的Experimental Validation of a Lithium-Ion Battery State ofCharge Estimation with an Extended Kalman Filter,在此结合其内容作为参考。

在最简形式的模型中，电池被表示成恒定的电压源。通常，最低限度，将等价串联电阻Resr添加到理想单电池中，以模拟其内部阻抗和由于电流引起的电压降，如在图1A的简单电池模型中所示出的，在存在外接电路吸收的电流Iout时，输出电压Vout相对于开路电压Vocv被降低了跨Rser的电压降。开路电压实际上是充电状态SOC或放电、温度和历史的非线性函数。在Thevenin（图1B）模型中，在串联电阻器Rser1之后添加了电容器Coc和电阻器Resr2的并联组合用以体现过度充电。

图2示出了著名的国家能量实验室锂离子电池模型（“NREL”模型），其可由Johnson等人所著的文章，http://222.nrel.gov/vehiclesandfuels/energystorage/pdfs/evs17poster.pdf处获得。依据NREL模型的电池，总体上由编码20指示，包括随温度变化的网络，其包括两个电容器模型，其中电容器C_b与充电状态（SCO）直接相关，而C_b两端的电压V_Cb表示开路电压（OCV）。关于该模型的变化包括R_e、R_c或R_t作为充电状态的函数的变化。该模型提供了作为串联电流Is的函数的输出电压Vo。

更为精确的模型体现了在充电和放电期间发生的电池及电化学过程、热学及扩散过程的分布式的、三维的性质。从http://www.nrel.gov/vehiclesandfuels/energystorage/pdfs/43166.pdf（2008）处可获得由Kim和Smith在NREL研发出的一种这样的模型。一般地，包含有限元模拟技术的电化学电池模型被研发出来，以获得对电池的更详细理解，并最终改进它们的设计。

系统识别和参数估计

关于可在本发明的范围之内体现的电池充电和放电的模型的广泛类型包括：线性和非线性的模型；非时变的和时变的模型；拉普拉斯（Laplace）（频）域和时域表达；集总模型、分布式模型和有限元模型；基于第一原则的“白盒”模型、“黑盒”或ad-hoc模型，以及“灰盒”混合模型；无记忆和有记忆的模型。

一旦选定了模型，下一步是要使用试探步骤（heuristic approach）或更多的被称为系统识别技术的形式技术（formal technique），获取关于未知系数、参数、曲线和函数的数字值（诸如那些在下面讨论的按照Volterra的核扩展的向量空间中的实数值函数）。许多技术都可被用于获得用在参数模型中的这样的数字值或者用在非参数模型中的函数。所有这样的技术都在本发明的范围内，正如以下所说明的。参数的和非参数的模型并不是完全脱节的种类，因为函数还可以通过向曲线供给静态参数函数来近似。工程师或研究人员在其处理中具有大批技术用于使模型适合于数据、识别组件、参数和函数的数字值、验证模型、估计阶数和复杂性、估计误差和不确定性。这样的教导的来源包括以下参考材料：

·Eykhoff,System Identification:Parameter and State Estimation,Wiley &Sons,(1974);

·Goodwin等人，Dynamic System Identification:Experiment Design andData Analysis.Academic Press(1977);

·Graupe,Identification of Systems,(2^nd ed.,Krieger Publ.Co.(1976));

·Ljung,System Identification—Theory for the User,2^nd ed,PTR PrenticeHall,(1999).

在大多情况下，在可使用系统识别技术之前，针对模型和模拟系统作出初步的简化或假设。例如，线性模型可通常通过围绕操作点进行线性化被用于非线性系统，在操作点中输入和输出振幅被约束在指定范围内。

所有记忆有限时间不变的非线性动态系统都可通过以下形式的有限阶数的Volterra级数以任意精度表示：

y (t) = k_{0} + Σ_{n = 1}^{\infty} \frac{1}{n!} {&Integral;}_{- \infty}^{\infty} k_{n} (s_{1}, s_{2}, . . ., s_{n}) x (t - s_{1}) x (t - s_{1}) . . . x (t - s_{n}) d s_{1} d s_{2} . . . d s_{n}

Volterra级数的核通常为泛函，将参数空间中的向量映射到基础域，一般为标量，诸如电压或电流。与Volterra级数紧密相关的是Wiener级数。在Wiener级数中，对于纯随机白噪声输入，这些项是正交的，并且更易于使用例如互相关技术识别出。

Korenberg在Parallel Cascade Identification and Kernel Estimation forNonlinear Systems,Annals of Biomedical Engineering,vol.19,pp.429-55(1990)中，通过证明可由有限Volterra级数表示的时间离散记忆有限的系统也可由线性动态系统（Wiener系统或LN系统）后跟静态非线性的并行级联的有限级数表示，扩展了前述Frechet理论。Wiener系统是被称为级联或块结构系统的这类模型的实例，其还包括：包括非线性后跟线性系统（NL）的Hammerstein模型，以及，包括线性系统后跟非线性且后跟另一个线性系统（LNL）的级联系统。Korenberg和Hunter研发出了高效的技术以识别Wiener（LN）和Hammerstein（NL）系统，其在Hunter等人所著的The Identificationof nonlinear Biological Systems:Wiener and Hammerstein Cascade Models,Biological Cybernetics,Vol.55pp.135-44(1986)中有所说明。他们还研发出了实用且高效的技术来识别并行级联的Wiener系统（PCWS）。依据本发明的其它实施例，也可以使用对涉及线性系统并行级联后跟静态非线性和另一个线性系统（LNL）的一般表达，正如例如在Korenberg等人所著的TheIdentification of Nonlinear Biological Systems:LNL Cascade Models,Biological Cybernetics,vol.55,pp.135-34,(1986)所说明的。其确实已经论证了每个记忆有限的连续离散时间系统都可统一地通过LNL系统的有限总和来近似。

对于非线性系统识别的使用的额外解释，关于更尤其关于Wiener和Volterra级数，可在以下参考材料中找到：

·Korenberg等人所著Exact Orthogonal Kernel Estimation From FiniteData Records:Extending Wiener’s Identification Of Nonlinear Systems,Annals of Biomedical Engineering,vol.16,pp.201-14(1998);

·Korenberg等人所著The Identification of Nonlinear Biological Systems:Wiener Kernel Approaches,Annals of Biomedical Engineering,vol.18,pp.629-54(1990);

·Korenberg等人所著The Identification of Nonlinear Biological Systems:Volterra Kernel Approaches,Annals of Biomedical Engineering,vol.24,pp.250-68(1996)

由Milocco等人所著的State of Charge Estimation in Ni-MH RechargeableBatteries,J.Power Sources,vol.194,pp,558-67(2009)提供了将电池充电系统识别成包括级联的动态线性部分和静态非线性的Weiner模型的示例。依据本发明的实施例，可在对充电技术进行研发之前采用，并且还可在电池充电过程期间采用，诸如在上面说明和举例的那些非线性技术，以便改善对模型参数的估计。

依据本发明的实施例，在电池充电期间，其因工作而耗干，或在其未工作时，可估计出模型，或获得改进的模型参数。为此，专用电路可被设计出，并集成到其中使用电池的装置中，或否则集成在电池外壳中。在所有这些情况下所使用的经简化的电路示意图在图12中示出，其中，场效应晶体管（FET）或其它适用的开关装置采用了分路电阻器（R_shunt）以从单电池汲取电流，同时单电池电压和分路电流（I_shunt）被测量。栅极电压将受微处理器控制以提供频率非常高的脉冲频率调制信号（PFM），或者脉宽调制信号（PWM）或任意类型的脉冲调制，以引起准连续变化的具有所需的激励频谱的电流和电压，或者，使用离散的电流变化以提供可适用于系统识别的准随机伪二进制序列（PRBS）。（应该理解“频率非常高”是作为优选实施例的方式说明的，但是，本发明的范围并不限于此。）

图12中所示出的电路呈现了诸如单电池潜在放电，以及仅用放电电流测试单电池的缺陷，因此，其可能期望使用充电和放电两种电流来测试单电池。为避免这些困难，可采用有源电路使电池损耗最小化，同时提供两种极性的（充电和放电）激励电流。在图13中示出了这种电路的简化示意图。在图13中，使用了两个开关装置，T1和T2，诸如低损耗FET。晶体管T1和电感器L1被用于从单电池“B1”汲取能量并将其注入到电容器C1中。当电容器C1两端的电压超过单电池电压几伏特时，晶体管T2和电感器L1被用于将电流注回电池。在这个过程中，为了系统识别的目的，可通过微处理器测量单电池电压Vemf和单电池电流IB。电池电流IB通过适宜的电流传感器（诸如低电阻、低电感电流感应电阻器，或霍尔效应传感器（Hall Effectsensor））来测量。当未用诸如继电器S1这样的开关进行测试时，电容器C1可被维持在单电池电压。通常继电器是闭合的，并且其在开始系统识别实验之前被打开。

当电池在充电的情况下，诸如以上所说明的那些电路可与充电器520（图5B所示）结合使用以在充电电流顶部上提供较小的扰动，正如图14的流程图所示。此外，如图1所示的用于向单电池提供必要扰动的逻辑电路可被集成到电池充电器520中。在这种情况下，充电器实时计算该高频率的扰动信号，以将其逐点施加并添加到充电电压或电流中。这种计算一般在电池充电过程期间实时执行。备选地，充电器920可包括分离的电路，诸如在图13中示出的，与其专用充电电路并联，但其中C1可由电压比单电池电压Vemf更高的另一个电压源V2替代，或与其并联。为了简单起见，并且为了降低空间需求，电感器L1可以轻微的能量损失为代价而由功率电阻器替代。

除充电目的以外，单电池模型还可为了若干目的而被使用。一般进行估计的一个重要参数是能量的当前数量（以焦耳（Joules）为单位）、电池中剩余的容量（以库伦（Coulomb）为单位），通常被称为充电状态（SOC），其可以绝对值或相对值被用在外接显示器中，并且在电池容量达到下限时切断供电，该下限对于该电池来说是安全的。接下来重新估计的电池特征还提供了对在开始新的充电周期时单电池状态的准确估计。单电池模型、SOC，和所估计的单电池温度信息还可全部被用于调节装置所使用的模式。

在系统识别中，非参数模型通常与系统的“黑盒表达”关联起来，这意味着，该模型本身并不需要透彻了解该系统，诸如系统的物理、化学、电属性等。通过系统先验知识所建立的模型通常产生参数模型或分布式有限元模型（FEM）。但是存在将模型从一个空间映射到另一个空间（即，从非参数模型到参数形式）的数学技巧。通过这种方式，例如，包括线性系统的，如其脉冲响应所表达的，后跟静态非线性的非线性Wiener模型可被转换成后跟静态非线性的参数线性模型（例如，静态空间或转换函数）。于是该参数模型可更易为可修改成对系统中内部过程的估计。此外，估计第一非参数模型并且然后将其转变成参数形式经常是一种更为稳健的参数估计技术。如此，其仍有可能从关于该系统结构的非参数模型和先验知识中获得，以估计系统的状态（例如，不同分区的SOC）或参数（电阻、电容，等）。

充电曲线（charging profile）设计

为了改善充电策略，首先，需要了解电池的一组物理上的约束和限制。例如，超过一些极限（诸如过电压，或电流，或单电池温度）可永久性地劣化电池性能，因此，这样的极限向电池充电强加了约束。对于优化的快速充电算法，要达到的目标优选地表示成目标函数。正如在本文中所使用的，并且在所有随附的权利要求中，术语“目标函数”是指一个或多个参数的实数函数，其优化常规是寻求服从指定的一组约束的最大值和最小值。

除模拟诸如单电池电压和电流的电参数以外，模型还可以用于，依据本发明的实施例，还包括其它变量，诸如单电池温度、内部压力，等。

在最简单的情况下，目标函数将使充电时间最小化。例如，如果电池可通过串联有电阻器R的电容器C来模拟，此处I_max为电流极限，且V_max为电容器两端的击穿电压，则要解决的问题在于找出在给定的积分等式中使充电时间T最小化的I(t)：

服从以下约束：

(等式1）

针对这个问题的解决方案，且类似地对于所有线性电池模型的解决方案，可从优化的控制理论获得，并且该解决方案具有bang-bang控制的形式：当达到“转换点”时，电流I在I_max和0之间转换，其中控制理论中服从于转换点的解决方案是众所周知的。对于简单的电容器模型，可使用最大可允许的电流直到达到充满电。

但是，实际上，由于由电阻器R所代表的内部电阻，电容器两端的电压V并不能直接测量。在电容器两端实际测量的电压Vout(t)为：V_out(t)＝V(t)+R·I(t)，同时，需要来自电源的电源电压V_s为V_s(t)＝V(t)+(R+R_s)·I(t)，此时，R_s为与电池至充电电路的连接相关联的其它串联电阻。

为了将电池充电时间最小化，参数R和R_s必须是已知的。在大多数情况下R_s可忽略不计，但对于锂离子电池并不是这样，在锂离子电池中超过25A的电流可被汲取出，并且在这种情况下，即使是与1mΩ的电阻的连接也会产生25mV的显著电压降。理论上R_s可通过测量将电源连接到电容器的引线的电阻获得。但是，电池解决方案可具有四线配置的形式，正如参考图3所说明的。四引线被用于：两个引线32和33包括承载充电电流的一对线。同时引线34和35被用于测量电压V_out。由于用于测量电压的电路36具有非常高的输入阻抗，仅有可忽略的电流在用于监控V_out的线34、35中流动，并且测量误差是可忽略的。应该理解，在本发明的范围内，耦接至电池，无论是用于电流施加还是用于测量电压或任意其它量的，都可以完全，或部分为感应式或无线的。

参数R一般是通过实验和系统识别获得的。依据本发明优选实施例，参数R，如表现Volterra级数的特征的核或表现其它模型特征的其它数据，可在为单电池或单电池的电池充电和/或放电循环的过程期间获得或更新。例如对由所施加的电流产生的测量电压的卷积产生电阻R。在充电或放电过程期间执行的测量一般包括高频率的“扰动”，其具有超过与充电过程相关的内部单电池动态的频谱。

经常地，简单的试探技术可用于一些参数，例如，针对图3所示的电路，可施加电流步长I₀并测量电容器两端的电压。图4中示出了在该情况下的理想的充电曲线40。电流步长I₀的施加导致电容器两端电压V₀的有效瞬跳，使得内部电容电阻可由以下等式得出：

对于图3说明的系统的最简单的优化充电协议包括：

·控制Vs以保持电流I=I_max，直到V_out=V_max+R·I_max，其中V_max为最大可允许的内部电压；然后

·控制Vs使得V_out=V_max+R·I，直到I下落到给定阈值以下。

依据本发明的某些实施例，在以上过程期间，电池的温度由温度控制器37主动控制，温度控制器可以是珀尔帖效应（Peltier-effect）控制器，或任意其它类型的温度控制器。

一般地，在为电池充电的目标函数定义成总充电时间、效率、装置内部加热，和由制造规格或通过测量得出的电流限制的函数。大体上，充电问题可被表达成：

Maximize J(x,p) 服从于A·x≤b (等式2)

其中x代表装置内部状态变量的矢量，p代表矢量模型参数，b代表不能超出的极限。状态变量包括内部电压和电流，同时参数将包括内部电阻、电容、电感，等。

一旦找到针对充电问题的优化的或令人满意的解决方案，该解决方案被用于为电池充电，依据在图5A中示出的流程图，测量开路电压VOC502。估计的初始状态（501）和初始模型估计（503）还用作输入，根据该输入可分别获得估计模型状态（504）和系统模型（505）。通过应用控制算法（506），正如在本文中其它部分或另外说明的，对充电电压（或电流）进行调节（511）。继续测量系统参数的值，诸如一个或多个电压、一个或多个电流、一个或多个温度等（507），尤其是，跟踪已经被存储在电池中的总电荷，作为确定优化充电电流的基础。

应用系统识别算法（508），正如在本文中其它部分说明的，提供模型估计（509）和在对系统模型的更新中所反映出的对充电状态、内部状态等的更新。

如目前参考图14说明的，测量过程期间，该测量可在充电、放电或静止期间被执行，电路参数可随着通过对电流或电压进行调制而受到扰动（510），该调制优选地具有超过100Hz的速率，以及超过10,000个数据点，并且以“高频”调制为特征。因此，占用三分钟（或180秒）的“快速充电”，以1kHz采样，将最终导致180,000个采样数据点。在本发明范围之内，可强加任意波形的扰动，但是其通常被设计成使得其可在感兴趣的频率范围内提供足够的激励。一旦获得模型，该模型本身可被用于计算优化的或更有效的激励，该激励可在后续被用于进一步的实验。结合扰动或其它方式进行的测量提供了更新的数据、参数或否则，构成了电池模型。

通常采用控制算法（506）来最小化测量内部电池电压和电流相对于期望的电压和电流之间的差异。关于任意标准的最小化均在本发明的范围之内。但优选的标准是计算出的内部电池电压与指定目标内部电池电压之间的差异的绝对值或平方。在控制理论中任意已知的技术可被用于此，并且可涉及以数字表示的最小化技术，模型转换和充电曲线可根据该模型进行预估计，并且模型还可被用于实时地计算电流或电压需要如何被改变。

依据本发明的某些实施例，在充电过程中的任意时刻施加最大电流都服从一组电池特定约束。

在由控制算法提供的解决方案的基础上，调整充电电压Vs（506）。然后重新计算电池参数，包括该装置的内部状态变量x和矢量模型参数p以及还有极限b，并且如果充电完成（59），该处理结束（500），否则，重复该处理。

现在参考图5B，用于快速充电的充电器90一般采用了处理器91，用于实现快速充电。依据本发明的实施例，处理器91可在存储器98中存储电流以及模型历史数据以及内部电池状态的值。

典型地使用了计算机控制电源38（图3所示），处理器39将参数，诸如输出电压和最大电流，设定在10Hz或更高的典型频率。处理器39可具有用于从至少一个传感器接收信号的输入，该传感器用于感应包括例如温度或pH的电池特征，或通过使用光读取器、RFID（有源或无源）标签从电池获得的数据，诸如电池类型、批次、生产日期，在电池电压上的高频率调制，等，以及，从与微型芯片的通信获得的数据，该微型芯片将诸如再充电循环个数的数据保持为电池已经服从的数据。

处理器39还可管理温度控制器37。在本发明的范围之内，控制算法的多个部分可在电源本身之内或电源外界的硬件或软件执行，并且电源可被配置成使得仅仅将由电源传递的最大输出电流需要被提供给电源。

在所有这些情况下，关键是不要超过装置的极限，因为，如果仅超过极限一个相对小的值，该装置的性能和寿命也可受到不可挽回的影响。因此，依据本发明的优选实施例，电压、电流和温度分别是以高等级的准确度，优选地以16至24比特的精确度来测量的，以便达到准确控制并保持装置的性能。在下面提供了对测量准确度要求的进一步讨论。

图6将使用了依据本发明的超快速充电算法的充电时间与由电池制造上所建议的最快充电时间进行了对比。曲线601示出了依据制造商建议的充电的时间进展，其指示了占总充电量的百分之八十是在720秒内达到的。相反，依据本发明的教导的实践导致了曲线602的充电曲线，其中占总充电量的百分之八十是在322秒内达到的，充电时间减少了56%。

图7基于假设每天一次的充电/放电循环，对比了作为时间的函数的存储在电池中的总能量（被表示成初始容量的百分比）。在依据本发明的实施例执行7,800个充电/放电循环之后，由曲线72描绘的能量的容量降低到其初始值的39%。电池能量在2年2个月（789个充电/放电循环）后降低至90%，在5年9个月（2115个充电/放电循环）后降低至85%，并且在8年两个月（2995个充电/放电周期）之后降低至80%。由制造商所建议的充电程序导致的衰退，由曲线71示出，在550个循环之后降低至初始充电量的90%，而在1400个循环之后降低至84%。与正常衰减速率相比，依据本发明的实施例对电池寿命的改善是显而易见的。

在本发明的范围之内包括不同模式的电池参数跟踪。依据电池参数跟踪的一种模式，对于每一个充电循环，电池参数可被重新估计，该重新估计或者随着充电进展实时重复进行，或者在每一次重复时通过将所有测量信号保存在存储器中并在完成充电之后重新计算参数来进行。

确定电池的约束

典型地，关于在为装置充电时不可超过的最大或最小值（等式2中的矢量b）方面，装置约束的准确值，是未知的或者是已知的但具有很大的不确定性并且必须通过实验的方式确定。依照它们的本质，这些实验可涉及破坏性测试，并且可能在获得必需的数据之前潜在地需要大量装置。

一些这样的极限是由电池制造商提供的，并且公开的极限提供了十分有用的开始点，从其中可根据要达到的特定目标的函数获得更好的值。例如，当该目标是要达到非常快速的充电时，在经过指定个数的充电放电循环后电池性能的可接受劣化方面放宽要求是可接受的。

图8中的流程图示出了依据本发明的一个实施例的迭代测试过程，通过该实施例可确定充电参数和极限。在研究出的电池模型（60）和与电池模型一致的一组模型参数的基础上，估计一组初始模型参数（61）。基于被测电池的特定特征（电池类型、容量等），安装未用过的电池（62）并估计其最大和最小充电值（63）。将该电池充电（64）并放电（65）指定数目N个周期。该充电方法符合以上参考图5所说明的算法，而放电符合所估计的电池预期使用。每一个循环值，诸如电池充电所需的能量数量、电池放电所获得的能量数量以及重新估计的参数值，都被存储在存储器中。该探索（search）将持续到找到并存储最佳参数。

提供劣化测量的目标函数被重新计算，并被用在诸如标准随机探索、爬山技术（hill-climbing technique）的探索算法或对其的努力改善中（66）。由于电池的特征可期望通过测试而被更改，在开始每一新系列的充电放电循环时均必须使用新的电池。

使用场数据改进模型和充电方法

现在参考图9，为快速充电所开发的充电器90一般为了它们的实施而采用处理器91。充电系统92通常被用于到互联网的网络连接或者与本地网络93的网络连接可用的情况下。依据本发明的实施例，通过为处理器91提供具有足够大的存储器来存储在充电和放电循环期间所测量到的数据，当检测到网络连接时，已经被处理器存储起来的测量的电池数据被传送给该网络的一个或多个其他的处理器94，或互联网上的远程服务器95。同时，处理器91获得关于电池模型的更新数据、优化的充电参数以及充电算法。

测量过程和计算优化充电方案的处理优选地为在本文中针对对单个单电池进行快速充电所说明的那些，并且尤其包括前面描述的所有包括非线性系统识别的技术。

在本发明的备选实施例中，充电系统92包括传感器96，其使处理器91能够直接从耦接至充电系统92的电池获得诸如电池模型、制造商、批次编号、制造日期、出厂预定模型以及充电参数的电池码。这可使用通过传感器76读取在电池上的诸如线状CCD阵列的条形码获得。数据库97或用于存储数据的任意其它方式在本发明的范围之内的，并且包括有源RFID标签，其通过在充电的电池或其它方式供电。

当数据被发回服务器95时，处理器91按照从其它处理器94接收到的数据结果，并将其收集的所有数据与电池模型和特征结合起来，来调整其充电算法。

典型地，锂离子电池的制造具有严格的制造公差，使得装置之间的变化相对较小。尽管差异小，但优化充电过程对特定装置参数相当敏感。依据本发明的实施例，如通过服务器收集的关于一类同类电池的巨大数据量，有利地能够对模型进行改善和对模型参数进行更为精确的估计。尤其是，这有利地实现了至少部分地基于这些电池的制造批次或时间进行参数调整。

全局优化

找到优化的极限以用于快速充电电池需要大量实验，每次实验最初都需要新的电池。这可能由于装置本身之间可能存在的变化而变复杂，该变化将“噪声”，或随机扰动引入优化处理中。在以上参考图8所描述的优化处理的第一初始阶段，通常可以找到足够的充电参数。从这一点来看，优化处理仅包括对参数值的非常小的扰动，并不非常明显地影响装置的寿命。后面的优化阶段可通过将该处理转交给本领域中已经存在的充电器90获得。当连接到服务器95时，其可收到关于将被用于优化处理的充电参数的指示。微处理器94则在迭代完成后将结果返回服务器95。

在图10中示出了，依据本发明的实施例，充电协议对于模型参数和被测电池的量的灵敏度。所采用的模型是图3所示的模型。充电电流起始于25A，并且在所估计的内部电压达到标准值3.55之后逐渐减少。考虑到电阻元件R代表的内部降低，可允许外接充电电压超过所建议的最大电池充电电压3.6V。

当采用本发明的方法时，通常在锂离子单电池中所观察到的充电曲线由编号100指示，在此情况下，估计的内部电阻R为6mΩ。但是，在假设内部电阻为8mΩ时，充电处理在200秒后变得不稳定，此时由曲线102描绘的电流降低至20A。参考图11，在225秒处，电压（曲线111）上下震荡～20mV，并且不稳定性随时间增加。但是，以曲线113描绘的估计内部单电池电压的震荡不会超过几mV，仅达到3.556V，并且超过最大预设定的安全充电电压3.55V约6mV。

由于内部单电池电压是在V＝V_out-R×I基础上估计的，V和R×I两者都必须建立在确定内部电压所需要的准确度之内，该准确度约为1mV。在电池充电应用中通常采用的A/D（和D/A）转换器，具有12比特准确度和±5V或±10V电压范围，提供标称1比特精度分别为2.4mV或4.8mV，这通常是不够的，因为大于～1mV电平的内部电压的不确定性导致了充电处理和有限的电池寿命的不稳定性。因此，优选16比特装置来用于实现超快速充电算法。

用于得到电池参数和用于在这样获得的参数的基础上为电池充电的方法的已说明实施例，可被实现成用于计算机系统的计算机程序产品。这样的实现可包括一系列计算机指令，其或者被安装在诸如计算机可读介质（例如，磁盘、CD-ROM、ROM，或固定磁盘）的有形介质上，或者经由调制解调器或其它接口装置（诸如通过媒介被连接至网络的通信适配器）被发送到计算机系统。该媒介可以是有形媒介（例如，光或模拟通信线路）或以无线技术实现的媒介（例如，微波、红外或其它传输技术）。这一系列计算机指令实现了本文中前面所说明的关于该系统的所有的或部分的功能。本领域技术人员应该体会到的是，这样的计算机指令可被写成多种程序语言供许多计算机结构或操作系统使用，此外，这样的指令可被存储在任意存储器装置，诸如半导体、磁、光，或其它存储器装置中，并可使用诸如光、红外、微波，或其它传输技术的任意通信技术被发送。可期望的是，这样的计算机程序产品可随印刷品或电子文档（例如，压缩包软件）作为可移动媒介分布，或用计算机系统预先加载（例如，在系统ROM或固定磁盘上），或者通过网络（例如，互联网或万维网）从服务器或电子公告牌被分布。本发明的一些实施例可被实施成软件（例如，计算机程序产品）和硬件两者的组合。本发明的再其它的实施例可被实现成完全是硬件，或完全是软件（例如，计算机程序产品）。

本发明所描述的实施例仅意图作为示例，如同许多变化和变形对于本领域技术人员将是显而易见的。所有这样的变化和变形旨在落入本发明的范围之内，本发明的范围如随附的权利要求书所限定。

Claims

1.一种用于为电池充电的设备，该设备包括：

a.接口，用于电耦合至所述电池；

b.电路，用于同时地测量电池电压和电流；

c.数据库，用于积累来自多个电池的电池参数数据；以及

d.处理器，用于基于共同测量的电池电压和电流以及从所述数据库接收到的积累的参数，递归更新表现模型的特征的数据，该模型代表所述电池；以及

e.电流源，用于按照所述处理器的控制，供给为所述电池充电的电流。

2.如权利要求1所述的设备，其中，所述处理器用于，至少部分地基于系统识别，更新所述电池的单电池动态的动态表达。

3.如权利要求1所述的设备，其中，所述处理器用于，至少部分地基于非线性系统识别，更新所述电池的单电池动态的动态表达。

4.如权利要求1所述的设备，其中，用于同时地测量电池电压和电流的所述电路包括四端口配置。

5.如权利要求1所述的设备，其中，用于电耦合至所述电池的所述接口用于耦合至所述电池的参考电极。

6.如权利要求1所述的设备，其中，所述处理器进一步包括输入，用于接收来自感应所述电池特征的传感器的信号。

7.如权利要求1所述的设备，进一步包括，温度控制器，用于控制所述电池的温度。

8.一种为电池充电的方法，该方法包括：

a.提供对所述电池的单电池动态的动态表达；

b.基于所述动态表达，确定所述电池的充电曲线；以及

c.至少部分地基于所述充电曲线并基于跟踪已经被存储在所述电池中的总电荷，将优化的充电电流施加到所述电池。

9.如权利要求8所述的方法，其中，施加所述优化的电流还服从于一组电池特定的约束。

10.如权利要求9所述的方法，进一步包括，基于充电/放电循环的迭代序列，得到所述一组电池特定的约束。

11.如权利要求8所述的方法，其中，所述充电曲线为充电电流曲线。

12.如权利要求8所述的方法，进一步包括跟踪所述电池的温度，并且其中将优化的充电电流施加到所述电池也是至少部分地基于所述电池的被跟踪的温度。

13.如权利要求8所述的方法，其中，施加所述优化的电流至少部分地基于跟踪所述电池的瞬时状态变量。

14.如权利要求8所述的方法，其中，跟踪所述总电荷包括，在所述电池充电期间，确定所述电池的至少一个瞬时内部状态变量。

15.如权利要求8所述的方法，其中，跟踪所述总电荷包括，在为所述电池放电期间，确定所述电池的至少一个瞬时内部状态变量。

16.如权利要求8所述的方法，其中，所述电池的单电池动态的所述动态表达是通过非线性系统识别得到的。

17.如权利要求8所述的方法，其中，所述电池的单电池动态的所述动态表达包括一组内部状态变量。

18.如权利要求8所述的方法，所述电池的单电池动态的所述动态表达包括一组模型参数。

19.如权利要求8所述的方法，其中，所述电池的单电池动态的所述动态表达包括至少部分地表现模型的特征的非参数性数据。

20.如权利要求8所述的方法，其中，基于所述动态表达确定所述电池的充电曲线的步骤是在所述电池放电的过程期间执行的。

21.如权利要求6所述的方法，其中，基于所述动态表达确定所述电池的充电曲线的步骤是在所述电池充电的过程期间执行的。

22.如权利要求18所述的方法，其中，所述一组模型参数包括来源于数据库的参数。

23.如权利要求18所述的方法，所述一组模型参数包括来源于在所述电池充电的过程期间更新的数据库的参数。

24.如权利要求8所述的方法，其中，所述电池的单电池动态的所述动态表达包括专对于特定单个单电池的一组内部状态变量。

25.如权利要求8所述的方法，其中，所述电池的单电池动态的所述动态表达包括专对于一类单电池的一组模型参数。

26.如权利要求8所述的方法，进一步包括，至少部分地基于多个联网的充电系统的充电/放电循环，提供动态表达。

27.一种用于得到经验电池模型数据的网络，该网络包括：

a.多个充电系统，每个充电系统包括处理器和用于向单独电池供应电流的电源；以及

b.服务器，用于接收来自所述多个处理器中的每一个的数据，并用于返回关于单电池动态的动态表达的更新的数据，以用于被所述多个充电系统中的每一个进行结合。

28.如权利要求27所述的网络，其中，所述多个充电系统中的至少一个的处理器用于至少部分地基于系统识别，更新所述电池的单电池动态的动态表达。

29.如权利要求27所述的网络，其中，所述多个充电系统中的至少一个的处理器用于至少部分地基于非线性系统识别，更新所述电池的单电池动态的动态表达。