CN105277891B - 用于估计电池的状态的方法和设备 - Google Patents
用于估计电池的状态的方法和设备 Download PDFInfo
- Publication number
- CN105277891B CN105277891B CN201510420335.3A CN201510420335A CN105277891B CN 105277891 B CN105277891 B CN 105277891B CN 201510420335 A CN201510420335 A CN 201510420335A CN 105277891 B CN105277891 B CN 105277891B
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- predetermined
- battery state
- data
- 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.)
- Active
Links
Images
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]
- 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
- 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
-
- 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]
- B60L58/15—Preventing overcharging
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Abstract
提供一种用于估计电池的状态的方法和设备。电池状态估计设备包括:感测数据获取器,被配置为获取关于电池的感测数据;电池状态估计器,被配置为通过将感测数据映射到预定特征空间来对感测数据进行近似化,将近似化的感测数据与预定参考信息进行比较以估计电池的状态。
Description
本申请要求于2014年7月18日提交到韩国知识产权局的第10-2014-0091093号韩国专利申请的权益,出于所有目的,所述韩国专利申请的全部公开通过引用包含于此。
技术领域
以下描述涉及一种用于估计电池的状态的方法和设备。
背景技术
随着环境问题和能源问题变得更加重要,电动车辆(EV)已经成为未来车辆的焦点。由于在由多个可充电并可放电的二次电池的单个包形成的电池在EV中被用作主电源,因此EV不排放废气并且产生与具有内燃机的车辆相比小得多的噪声。
发明内容
提供该发明内容以按照简化形式介绍构思的选择,下面将在具体实施方式中进一步描述所述构思的选择。该发明内容不意图标识要求保护的主题的关键特征或必要特征,也不意图用作帮助确定要求保护的主题的范围。
在一总体方面,一种电池状态估计设备包括:感测数据获取器,被配置为获取关于电池的感测数据;电池状态估计器,被配置为通过将感测数据映射到预定特征空间来对感测数据进行近似化,将近似化的感测数据与预定参考信息进行比较以估计电池的状态。
电池状态估计器可包括:感测数据分割器,被配置为基于预定时间间隔对感测数据进行分割,从每个时间间隔提取具有预定大小的区段并产生包括区段的区段向量。
电池状态估计器还可包括:校准器,被配置为基于作为参考的预定校准周期对感测数据的时间误差进行纠正。
电池状态估计器还可包括:特征空间映射器,被配置为基于预定映射参数将区段向量映射到所述预定特征空间。
所述预定映射参数可包括预定参考矩阵,并且特征空间映射器还可被配置为:将区段向量投射到所述预定参考矩阵以提取具有与所述预定特征空间对应的维度的特征向量。
所述预定参考信息可包括关于所述预定特征空间中的针对电池状态类型的模式的信息,并且电池状态估计器还可包括:电池状态确定器,被配置为通过将特征向量与关于模式的信息进行比较来确定电池的状态。
电池状态类型可包括正常状态类型、异常状态类型和故障状态类型,并且异常状态类型和故障状态类型中的每个状态类型包括至少一个子类型。
电池状态确定器还可被配置为计算所述预定特征空间中的特征向量与每个模式之间的相似度,并基于计算的相似度之间的比较来确定电池的状态。
电池状态确定器还可被配置为从外部预处理设备接收所述预定参考信息和所述预定映射参数,其中,所述外部预处理设备被配置为从与由感测数据获取器获取的关于电池的感测数据相分开的关于电池的感测数据,确定所述预定参考信息和所述预定映射参数。
所述外部预处理设备还可被配置为基于电池的附加感测信息而更新所述预定参考信息,电池状态估计其还可被配置为从所述外部预处理设备接收更新的预定参考信息,并且电池状态估计器还可被配置为将近似化的感测数据与预定参考信息进行比较以估计电池的状态。
在另一总体方面,一种电池状态估计方法包括:获取关于电池的感测数据;通过将感测数据映射到预定特征空间来对感测数据进行近似化;将近似化的感测数据与预定参考信息进行比较以估计电池的状态。
近似化的步骤包括:基于预定时间间隔对感测数据进行分割;从每个时间间隔提取具有预定大小的区段;产生包括区段的区段向量。
近似化的步骤还可包括:基于作为参考的预定校准周期对感测数据的时间误差进行纠正。
近似化的步骤还可包括:基于预定映射参数将区段向量映射到所述预定特征空间。
所述预定映射参数可包括预定参考矩阵,并且映射的步骤可包括:将区段向量投射到所述预定参考矩阵以提取具有与所述预定特征空间对应的维度的特征向量。
所述预定参考信息可包括关于所述预定特征空间中的针对电池状态类型的模式的信息,并且近似化的步骤还可包括:通过将特征向量与关于模式的信息进行比较来确定电池的状态。
电池状态类型可包括正常状态类型、异常状态类型和故障状态类型,并且异常状态类型和故障状态类型中的每个状态类型可包括至少一个子类型。
确定的步骤可包括:计算所述预定特征空间中的特征向量与每个模式之间的相似度;基于计算的相似度之间的比较来确定电池的状态。
所述方法还可包括:从外部预处理设备接收所述预定参考信息和所述预定映射参数,其中,所述外部预处理设备被配置为从与由感测数据获取器获取的关于电池的感测数据相分开的关于电池的感测数据,确定所述预定参考信息和所述预定映射参数。
所述外部预处理设备还可被配置为基于电池的附加感测信息而更新所述预定参考信息,电池状态估计其还可被配置为从所述外部预处理设备接收更新的预定参考信息,并且电池状态估计器还可被配置为将近似化的感测数据与预定参考信息进行比较以估计电池的状态。
在另一总体方面,一种存储了用于使计算机执行上述电池状态估计方法的指令的非暂时性计算机可读存储介质。
在另一总体方面,一种用于电池状态估计设备的预处理设备包括:近似化器,被配置为通过将感测数据映射到特征空间来对关于电池的感测数据进行近似化;模式信息产生器,被配置为从映射到特征空间的感测数据产生参考信息,所述参考信息在所述电池状态估计设备估计电池的状态时被使用;通信器,被配置为将参考信息发送给所述电池状态估计设备。
近似化器还可被配置为从感测数据确定映射参数并基于映射参数将感测数据映射到特征空间,而通信器还可被配置为将映射参数发送给所述电池状态估计设备以由所述电池状态估计设备在估计电池的状态时所使用。
映射参数可包括参考矩阵,且近似化器还可被配置为将感测数据投射到参考矩阵以提取具有与所述特征空间对应的维度的特征向量。
近似化器还可被配置为通过关于电池的附加感测数据映射到所述特征空间来对附加感测数据进行近似化,模式信息产生器还可被配置为从映射到所述特征空间的感测数据和映射到所述特征空间的附加感测数据产生更新的参考信息以在所述电池状态估计设备估计电池的状态时所使用,而通信器还可被配置为将更新的参考信息发送给电池状态估计设备。
其它特征和方面从以下具体实施方式、附图和权利要求将是清楚的。
附图说明
图1是示出电池系统和预处理设备的示例的框图。
图2是示出电池的状态的示例的示图。
图3是示出电池状态估计设备的示例的框图。
图4是示出用于估计电池的状态的预处理设备的示例的框图。
图5A至图5C是示出校准方案的示例的示图。
图6是示出校准的示例的示图。
图7是示出校准的另一示例的示图。
图8A和图8B是示出产生区段(segment)向量的示例的示图。
图9A和图9B是示出映射到特征空间的示例的示图。
图10是示出估计电池的状态的示例的示图。
图11是示出电池状态估计设备的另一示例的框图。
图12是示出电池状态估计方法的示例的流程图。
图13是示出估计电池的状态的预处理方法的示例的流程图。
图14是示出电池状态估计方法的另一示例的流程图。
贯穿附图和具体实施方式,相同的附图标号将表示相同的元件。附图可能不按比例绘制,并且为了清楚、说明和方便起见,可夸大附图中的元件的相对尺寸、比例和描绘。
具体实施方式
提供下面的详细描述以帮助读者获得在此描述的方法、设备和/或系统的全面理解。但是,针对在此描述的方法、设备和/或系统的各种改变、修改和等同物对于本领域普通技术人员而言是清楚的。在此描述的操作的顺序仅是示例,且不限于在此的阐述,但是除了必须以特定顺序发生的操作之外,在此描述的操作的顺序可以如本领域技术普通人员知道的那样被改变。此外,为了更加清楚和简洁,本领域普通技术人员所公知的功能和结构的描述将被省略。
在此描述的特征可以以不同形式实施,且不应被理解为限于这里描述的示例。相反,提供在此描述的示例,使得本公开是全面和完整,且将本公开的范围充分传达给本领域普通技术人员。
这里使用的术语仅用于描述特定示例,而不意图限制本公开。如这里所使用,除非上下文另外明确指示,否则单数形式也意图包括复数形式。当在本说明书中使用术语“包括”和“具有”时,说明存在所述特征、数字、操作、元件、组件或它们的组合,但不排除存在或添加一个或更多个其它特征、数字、操作、元件、组件和/或它们的组。
除非另外定义,否则这里使用的所有术语(包括技术术语或科学术语)具有与本公开所属领域的普通技术领域的技术人员通常理解的含义相同的含义。除非在这里明确定义,否则诸如在通用的字典中定义的术语相同的术语应被解释为具有与现有技术的背景中的含义一致的含义并且将不被解释为理想化或过于正式的含义。
图1是示出电池系统110和预处理设备140的示例的框图。
参照图1,电池系统110包括电池120和电池控制设备130,例如,电池管理系统(BMS)。电池120向包括电池系统110的车辆(例如,电动车辆(EV))供电,并包括多个电池模块。多个电池模块中的每个电池模块包括多个单元(cell)。多个电池模块可以以并联、串联或串并联结合的方式互相连接。在一示例中,多个电池模块是二次电池,例如,锂离子电池。此外,多个电池模块中的每个电池模块的容量可彼此相同或不同。电池系统110可指能量存储系统(ESS)。
电池控制设备130监视电池120的状态,并且控制电池120。电池控制设备130执行对于电池120中的多个电池模块的热控制。此外,电池控制设备130防止电池120过度充电和过度放电,并通过执行单元平衡来控制多个电池模块处于相等荷电状态。因此,电池120的能量效率增加,并且电池120的寿命将会延长。
此外,电池控制设备130估计多个电池模块的健康状态(SOH)信息,荷电状态(SOC)信息、功能状态(SOF)信息以及其它信息。SOH信息指示相比于电池120在其被生产时的性能,电池120的性能的劣化程度。SOC信息指示关于电池120中存储的荷电量的信息,SOF信息指示关于电池120的性能与预定条件匹配的程度的信息。
电池控制设备130将SOH信息、SOC信息和SOF信息提供给电子控制单元(ECU)。在一示例中,电池控制设备130使用控制器区域网络(CAN)通信来与ECU进行通信。
电池控制设备130基于关于电池120的感测数据估计电池120的状态。电池120的状态包括正常状态、异常状态和故障状态。在正常状态下,电池120能够执行正常功能。在异常状态下,电池120是可操作的,但是不能执行正常功能。在故障状态下,电池120无法执行操作。例如,异常状态和故障状态包括电池120的过度充电、过度放电、热失控、爆炸、接触错误、电流减小以及其它故障。此外,异常状态和故障状态由多种因素造成。例如,异常状态和故障状态由诸如基于电池120的类型的内部化学反应状态、包括电池120的温度和湿度的周围环境、电池120的充放电历史以及其它因素的错误因素造成。
在一示例中,电池控制设备130获取关于电池120的感测数据、对获取的感测数据进行近似化,并通过将近似化的感测数据与预定参考信息进行比较来估计电池120的状态。感测数据包括关于电池120的电压数据、电流数据、温度数据和压力数据中的任意两个或更多个的任意一个或任意组合。电池控制设备130基于预定时间间隔和预定大小对感测数据进行分割,并将分割的感测数据映射到预定特征空间。预定参考信息由预处理设备140获取,并且包括关于针对电池120的状态的类型的模式的信息。电池控制设备130通过将映射的感测数据与关于模式的信息进行比较来确定电池120的状态。这样使电池控制设备130能够实时估计电池120的状态而不管例如电池120的类型和电池120的误差因素如何。此外,电池控制设备130针对电池包级别单元和电池单元级别单元以及电池级别单元估计状态。
预处理设备140将用于估计电池120的状态的信息提供给电池控制设备130。在图1中,虽然预处理设备140被示出为与电池系统110分离,但是在另一示例中,预处理设备140还可被包括在电池系统110中。例如,预处理设备140可通过个人计算机(PC)、服务器或云被实现在电池系统110的外部。预处理设备140还可以以模块的形式被实现在电池系统110的内部。
预处理设备140提取用于对包括在数据库(未示出)中的多项感测数据进行近似化的映射参数,基于提取的映射参数对多项感测数据进行近似化,并基于近似化的结果产生关于针对电池120的状态的类型的模式的信息。预处理设备140使用有线接口或无线接口将数据发送到电池控制设备130或从电池控制设备130接收数据。随后,预处理设备140将关于模式的信息发送到电池控制设备130。由于电池控制设备130预先获取关于模式的信息,因此电池控制设备130能够使用减少的运算次数和时间来估计电池120的状态。在一示例中,预处理设备140周期性地更新关于模式的信息,或者基于预定规则更新关于模式的信息。例如,响应于将新的感测数据输入到数据库,预处理设备140利用关于电池120的新的感测数据来更新关于模式的信息。
图2是示出电池的状态的示例的示图。
参照图2,电池的状态可由如电池状态区域200所示的多个区域来表示。电池状态区域200被划分为正常状态区域210、异常状态区域220和故障状态区域230。在正常状态区域210中,电池211能够执行正常功能。在异常状态区域220中,电池221是可操作的,但是不能执行正常功能。在故障状态区域230中,电池241、电池242和电池243无法执行操作。在图2中,异常状态区域220中的电池221在被制造时最初位于正常状态区域210中。在预定时间过去之后,电池221重新位于异常状态区域220。当使电池221位于异常状态趋于220的错误因素被消除时,电池再次位于正常状态区域210。
故障状态区域230包括包含第一细节区域231和第二细节区域232的细节区域。每个细节区域指示多个故障状态中的一个故障状态。例如,第一细节区域231指示充分放电的电池的状态,第二细节区域232指示受到热失控损坏的电池的状态。第一细节区域231中的电池241的存在指示电池241充分放电,第二细节区域232中的电池242的存在指示电池242受到热失控损坏。故障状态区域230的除了第一细节区域231和第二细节区域232之外的区域中的电池243的存在指示电池243是不可操作的,并且电池243的故障类型未被识别出来。
图3是示出电池状态估计设备的示例的框图。
参照图3,电池状态估计设备300包括通信器310、感测数据获取器320和电池状态估计器330。在一示例中,电池状态估计设备300对应于电池控制设备130。
通信器310使用有线接口或无线接口从外部源接收数据并将数据发送到外部源。在该示例中,外部源可以是除了电池状态估计设备300之外的任何装置。例如,通信器310使用有线接口将数据发送到包括电池状态估计设备300的驱动装置的预定设备并从所述预定设备接收数据。通信器310还使用无线接口将数据发送到包括电池状态估计设备300的车辆的外部设备(例如,服务器和云)或从所述外部设备接收数据。
感测数据获取器320获取关于电池的感测数据。感测数据包括由用于感测电池的传感器分别感测的关于电池的电压数据、电流数据、温度数据和压力数据中的任意两个或更多个中的任意一个或任意组合。感测数据可以是在预定时间段期间基于预定时间间隔(例如,采样时间)感测的时间序列数据。例如,电压传感器可在感测数据获取器320的控制下在十秒期间以一秒时间间隔感测电池的电压,且感测数据获取器320从电压传感器接收感测数据。感测数据获取器320将获取的感测数据提供给电池状态估计器330或通信器310。
电池状态估计器330对感测数据进行近似化,并通过将近似化的感测数据与预定参考信息进行比较来估计电池的状态。在图3中的示例中,电池状态估计器330包括校准器340、感测数据分割器350、特征空间映射器360和电池状态确定器370。
校准器340基于作为参考的预定校准周期对感测数据的时间误差进行纠正。当感测数据获取器320获取感测数据时,感测可根据传感器的状态被延迟,并且传感器之间的感测时间可根据传感器的网络状态而不同步。因此,虽然感测数据获取器320进行控制,但是每个传感器在不同的周期期间或在不同时间感测电池。当包括在由感测数据获取器320获取的原始感测数据中的多个感测值与预定校准周期不对应时,校准器340对原始感测数据的时间误差进行纠正。例如,校准器340基于作为参考的预定采样率以相同间隔对原始感测数据的采样率进行纠正。在一示例中,校准器340使用通信器310从外部源(例如,预处理设备)接收关于校准参数的信息,诸如预定校准周期。
在一示例中,校准器340调整校准周期。例如,如果传感器的采样率被设置为0.1秒,则即使感测数据获取器320以0.1秒的间隔获取数据但是可不使用所有数据。如果通过将采样率改变为0.2秒,也不会降低电池状态估计设备300的性能,则校准器340可将校准周期设置为0.2秒以对感测数据进行校准。这将感测数据的维数减小一半,从而减少由电池状态估计设备300所执行的操作的数量。
在一示例中,校准器340基于诸如插值方案、合并方案或取平均方案的校准方案对原始感测数据进行纠正。例如,在插值方案中,校准器340基于预定校准周期且假设包括在原始感测数据中的多个感测值是线性的,而对多个感测值进行插值,并设置与预定校准周期对应的感测值。作为另一示例,当使用合并方案时,校准器340将与时间上相邻于(即,时间上最接近)预定校准周期的时间对应的感测值设置为与预定校准周期对应的感测值。作为另一示例,当使用取平均方案时,校准器340将与时间上相邻于预定校准周期的时间对应的感测值的平均值设置为与预定校准周期对应的感测值。将参照图5A至图5C提供关于插值方案、合并方案和取平均方案的进一步描述。
在一示例中,响应于用于感测感测数据的时间段的增加,感测数据的时间轴的维数增加。响应于维数的增加,处理感测数据所需的运算量相应地增加。此外,根据电池的属性,使用减少的时间感测的感测数据优选地用于估计电池的状态。为此,感测数据分割器350基于区段间隔和区段大小对感测数据进行分割。区段间隔和区段大小被预先确定。在一示例中,感测数据分割器350基于区段间隔对感测数据进行分割,从每个间隔的分割的感测数据中提取具有区段大小的区段,并产生包括提取的区段的区段向量。这使感测数据能够被分割为具有相同大小的维数和关于相同时间间隔的信息的形式,因此可提高由电池状态估计器330估计的电池的状态的可靠性。区段向量用作由电池状态估计器330执行的用于估计电池的状态的基本单位。
当感测数据包括电压数据、电流数据、温度数据和压力数据中的至少两项数据时,感测数据分割器350针对至少两项数据提取区段,基于提取的区段产生与至少两项数据对应的数据块,并通过将数据块进行组合来产生区段向量。例如,当感测数据包括电压数据和压力数据时,感测数据分割器350基于区段间隔对电压数据和压力数据中的每项数据进行分割,并从与分割的结果对应的每个间隔提取具有区段大小的区段。感测数据分割器350产生包括电压数据的区段的电压数据块和包括压力数据的区段的压力数据块,并通过将电压数据块与压力数据块进行组合来产生区段向量。
在一示例中,感测数据分割器350调整用于对感测数据进行分割的区段参数,诸如区段间隔和区段大小。这使包括在区段向量中的信息量和产生区段向量的速度能够被调整。例如,感测数据分割器350设置区段参数,并且还使用通信器310从外部源(例如,预处理设备)接收关于区段参数的信息。此外,区段间隔与电池状态估计器330估计电池的状态的时间段对应。例如,当区段间隔被设置为五分钟时,电池状态估计器330以五分钟的间隔估计电池的状态。
特征空间映射器360基于预定映射参数将区段向量映射到预定特征空间。特定空间指示用于表示感测数据的低维度空间。作为示例,特征空间映射器360设置预定映射参数,并且还使用通信器310从外部源(例如,预处理设备)接收关于预定映射参数的信息。通过将区段向量映射到预定特征空间,高维度数据被压缩到低维度的正交空间。因此,用于在电池状态估计器330中估计电池的状态所需的运算次数可减少。
在一示例中,预定映射参数包括预定参考矩阵。特征空间映射器360通过将区段向量投射到预定参考矩阵来将区段向量映射到预定特征空间,并提取具有与预定特征空间对应的维度的特征向量。例如,特征空间映射器360从预处理设备获取主成分分析(PCA)基本矩阵,并通过将区段向量投射到PCA基本矩阵来将区段向量映射到PCA特征空间。作为另一示例,特征空间映射器360从预处理设备获取线性判别分析(LDA)基本矩阵,并通过将区段向量投射到LDA基本矩阵来将区段向量映射到LDA特征空间。
电池状态估计器330通过将映射到预定特征空间的特征向量与预定参考信息进行比较来估计电池的状态。预定参考信息包括关于预定特征空间中的针对电池状态类型的模式的信息。在一示例中,预定参考信息包括关于在预定特征空间中被量化的正常状态类型、异常状态类型和故障状态类型中的每个状态类型的数据模式。在另一示例中,异常状态类型和故障状态类型中的每个状态类型包括至少一个子类型,并且预定参考信息包括针对至少一个子类型中的每个子类型的数据模式。所述至少一个子类型可包括过度充电、过度放电、热失控、爆炸、接触错误和电流减少中的任意一个或任意组合。
在一示例中,基于多个感测数据来产生预定参考信息。因此,当电池状态估计器330产生预定参考信息时,可需要大量的时间来产生预定参考信息。为了避免这种情况,电池状态估计器330从外部源(例如,预处理设备)接收预定参考信息,以使电池状态估计器330能够使用减少的时间来估计电池的状态。
电池状态确定器370通过将特征向量与针对在预定特征空间中被量化的正常状态类型、异常状态类型和故障状态类型中的每个状态类型的数据模式进行比较来确定电池的状态。在示例中,电池状态确定器370通过计算预定特征空间中的特征向量与特征模式之间的相似度来确定电池的状态。作为示例,电池状态确定器370使用预定决策模型(例如,支持向量机(SVM)、分类器模型、神经网络模型、决策树模型、K最近邻模型、高斯过程模型等)或本领域普通技术人员所公知的其它合适的决定模型,来计算特征向量与数据模式之间的相似度。例如,使用高斯过程模型,电池状态确定器370计算特征向量与针对正常状态类型的数据模式、针对异常状态类型的数据模式和针对故障状态模型的数据模式中的每个数据模式之间的相似度。在下文中,针对正常状态类型的数据模式还被称为第一模式、针对异常状态类型的数据模式还被称为第二模式,针对故障状态模型的数据模式还被称为第三模式。当在上述模式中,第一模式与特征向量具有最高相似度时,电池状态确定器370将电池的状态确定为正常状态。
在一示例中,电池状态确定器370计算特征向量分布于针对电池状态类型的数据模式中的每个数据模式的概率值,并将与具有最大的概率值的数据模式对应的状态类型确定为电池的状态。
在另一示例中,电池状态确定器370将针对电池状态类型的数据模式分割为多个区域,并将与多个区域之中的与特征向量具有最短距离的区域对应的状态类型确定为电池的状态。
图4是示出用于估计电池的状态的预处理设备400的示例的框图。
参照图4,预处理设备400包括通信器410、近似化器420和模式信息产生器460。在一示例中,预处理设备400对应于图1中的预处理设备140。
通信器410使用有线接口或无线接口将数据发送到外部源并从外部源接收数据。外部源可以是除了预处理设备400之外的任何设备。例如,通信器410使用有线接口或无线接口将数据发送到图3的电池估计设备300并从图3的电池状态估计设备300接收数据。
近似化器420提取用于对包括在数据库中的多项感测数据进行近似化的映射参数,并基于提取的映射参数对多项感测数据进行近似化。近似化器420包括校准器430、感测数据分割器440和特征空间映射器450。
校准器430基于作为参考的预定校准周期对每项感测数据的时间误差进行纠正。每项感测数据基于不同感测周期或在不同时间被产生并被存储在数据库中。为此,当包括在多项原始感测数据中的多个感测值与预定校准周期不对应时,校准器430基于作为参考的预定校准周期对每项原始感测数据的时间误差进行纠正。例如,校准器430基于预定采样率以相同间隔对每项原始感测数据的采样率进行纠正。在一示例中,校准器430设置预定校准周期,并使用通信器410将关于校准参数的信息(诸如预定校准周期)发送到外部源(例如,电池状态估计设备)。
在一示例中,校准器430基于诸如插值方案、合并方案或取平均方案的校准方案对每项原始感测数据进行纠正。例如,在插值方案中,校准器430基于预定校准周期且假设包括在每项原始感测数据中的多个感测值为线性的,而对多个感测值进行插值,并设置与预定校准周期对应的感测值。作为另一示例,当使用合并方案时,校准器430将与时间上相邻于(即,时间上最接近于)预定校准周期的时间对应的感测值设置为与预定校准周期对应的感测值。作为另一示例,当使用取平均方案时,校准器430将与时间上最接近于预定校准周期的时间对应的感测值的平均值设置为与预定校准周期对应的感测值。
在一示例中,感测数据分割器440基于区段间隔对每项感测数据进行分割,从与分割的结果对应的每个间隔提取具有区段大小的区段,并产生包括提取的区段的区段向量。这使每项感测数据能够被分割为具有相同大小的维度和关于相同时间间隔的信息的形式,因此可提高由模式信息产生器460估计的电池的状态的可靠性。
当感测数据包括电压数据、电流数据、温度数据和压力数据中的至少两项数据时,感测数据分割器440针对至少两项数据提取区段,基于提取的区段产生与至少两项数据对应的数据块,并通过将数据块进行组合来产生区段向量。例如,当感测数据包括电压数据和温度数据时,感测数据分割器440基于区段间隔对电压数据和温度数据中的每项数据进行分割,并从与分割的结果对应的每个间隔提取具有区段大小的区段。感测数据分割器440产生包括电压数据的区段的电压数据块和包括温度数据的区段的温度数据块,并通过将电压数据块与温度数据块进行组合来产生区段向量。感测数据分割器440将多个感测数据的区段向量存储在区段数据库(未示出)中。
在一示例中,感测数据分割器440调整用于对每项感测数据进行分割的区段参数,诸如区段间隔和区段大小。此外,区段间隔与电池状态估计设备估计电池的状态的时间段对应。通过调整区段间隔,感测数据分割器440调整包括在区段向量中的信息量、产生区段向量的速度和电池状态估计设备估计电池的状态的时间段。
在一示例中,感测数据分割器440设置区段参数,并且还使用通信器410将关于区段参数的信息发送到外部源(例如,电池状态估计设备)。
特征空间映射器450从预先存储的多个映射参数之中提取用于最小化映射到预定特征空间的每项感测数据的恢复误差的映射参数。例如,特征空间映射器450基于多个预定映射参数将存储在区段数据库中的每个区段向量映射到预定特征空间,恢复每个映射的区段向量,并从多个映射参数之中提取用于最小化每项感测数据的恢复误差的映射参数。作为另一示例,特征空间映射器450针对存储在区段数据库中的区段向量计算样本协方差,执行特征分解,并从多个映射参数之中提取用于最小化每项感测数据的恢复误差的映射参数。
在一示例中,特征空间映射器450使用通信器410将关于提取的参数的信息发送到外部源,例如,电池状态估计设备。
特征空间映射器450基于提取的映射参数将每个区段向量映射到预定特征空间。通过将区段向量映射到预定特征空间,高维度的数据在少量数据丢失情况下被压缩到低维度的正交空间中。因此,减少用于在电池状态估计设备中估计电池的状态所需的运算数量。
在一示例中,映射参数包括预定参考矩阵。因此,特征空间映射器450通过将区段向量投射到参考矩阵来将区段向量映射到预定特征空间,并提取均具有与预定特征空间对应的维度的多个特征向量。特征空间映射器450将提取的特征向量存储在特征数据库中。例如,特征空间映射器450从多个PCA基本矩阵之中提取用于最小化每项感测数据的恢复误差的PCA基本矩阵,并通过将区段向量投射到提取的PCA基本矩阵来将区段向量映射到PCA特征空间。作为另一示例,特征空间映射器450从多个LDA基本矩阵之中提取用于最小化每项感测数据的恢复误差的LDA基本矩阵,并通过将区段向量投射到提取的LDA基本矩阵上来将区段向量映射到LDA特征空间。作为另一示例,特征空间映射器450从多个非负矩阵分解(NMF)基本矩阵中提取用于最小化每项感测数据的恢复误差的NMF基本矩阵,并通过将区段向量投射到提取的NMF基本矩阵来将区段向量映射到NMF特征空间。
模式信息产生器460通过基于预定模型参数对特征向量进行建模来提取关于针对电池状态类型的模式的信息。在一示例中,关于模式的信息包括针对在预定特征空间中被量化的正常状态类型、异常状态类型和故障状态类型中的每个状态类型的数据模式。在另一示例中,异常状态类型和故障状态类型中的每个状态类型包括至少一个子类型,且关于模式的信息包括针对至少一个子类型中的每个子类型的数据模式。
模式信息产生器460从预先存储的多个模型参数之中提取用于最小化关于模式的信息的估计误差的模型参数。例如,模式信息产生器460将存储在特征数据库中的多个特征向量合并到训练数据,将训练数据应用于多个模型参数(例如,多个概率密度模型),并提取与电池状态类型对应的模型参数。
模式信息产生器460使用通信器410将关于模式的信息发送到电池状态估计设备。因此,电池状态估计设备可使用减少的时间估计电池的状态。
图5A至图5C是示出校准方案的示例的示图。
参照图5A至图5C,在曲线图510、曲线图530和曲线图550中,横轴表示时间,纵轴表示感测数据大小,例如,电压值、电流值、温度值和压力值。
参照曲线图510描述作为校准方案的插值方案。电池状态估计设备获取包括关于电池的感测数据的感测值511和512的多个感测值。在该示例中,虽然实际上应存在与时间点513至时间点515中的每个时间点对应的感测值,但是感测值511和感测值512不与时间点513至时间点515中的任何时间点对应。因此,电池状态估计设备基于插值方案从感测值511和感测值512产生与时间点513至时间点515中的一个时间点对应的感测值521、522和523。电池状态估计设备估计感测值511和感测值512之间的线性函数,从而提取与时间点521、522和523对应的感测值521、522和523。因此,电池状态估计设备修改感测值511和感测值512以获取感测值521、522和523。这使包括在感测数据中的多个感测值能够与预定校准周期对应。电池状态估计设备从感测数据移除与预定校准周期不对应的感测值511和512。
参照曲线图530描述作为校准方案的合并方案。电池状态估计设备从传感器获取包括在关于电池的感测数据中的多个感测值。在该示例中,虽然单个感测值应存在于单个时间间隔中,但是多个感测值(例如,感测值531、532和533)存在于单个时间间隔中。在该示例中,电池状态估计设备基于合并方案从存在于单个时间间隔中的感测值531、532和533之中选择与时间上邻近于(即,时间上最接近于)预定校准周期的时间对应的感测值533。这电池状态估计设备能够基于预定校准周期将感测值533设置为与时间点534对应的感测值541。电池状态估计设备从感测数据移除与预定校准周期不对应的感测值531、感测值532和感测值533。
参照曲线图550描述取作为校准方案的平均方案。虽然应单个感测值存在于单个时间间隔中,但是包括在由传感器获取的关于电池的感测数据中的感测值551、552和553存在于单个时间间隔中。在该示例中,电池状态估计设备基于取平均方案计算存在于单个时间间隔中的多个感测值(例如,感测值551、552和553)的平均值,并基于预定校准周期将感测值551、552和553的平均值设置为与时间点554对应的感测值561。电池状态估计设备从感测数据移除与预定校准周期不对应的感测值551、552和553。
图6是示出校准的示例的示图。
参照图6,在直方图610中,横轴表示采样率,纵轴表示频率。直方图610指示在电池信息估计设备执行校准之前提供的原始感测数据的采样率。在直方图610中,原始感测数据的采样率围绕十秒的采样率而变化。在该示例中,电池状态估计设备通过设置十秒校准周期,来对原始感测数据执行校准。
在直方图620中,横轴表示采样率,纵轴表示感测数据的项数。直方图620指示基于十秒校准周期执行校准的感测数据的项数。如直方图620中所示,基于十秒的采样率通过执行校准方案(诸如,插入方案、合并方案或平均方案)来对由电池状态估计设备校准的感测数据进行纠正。
图7是示出校准的另一示例的示图。
参照图7,曲线图710示出原始感测数据720和校准的感测数据730。在曲线图710中,横轴表示时间,纵轴表示电压的大小。
基于用于感测电池的传感器的状态或传感器的网络的状态,包括在原始感测数据720中的多个感测值与预定校准周期或预定采样率不对应,这引起在电池状态估计设备中估计的结果值的可靠性降低。因此,电池状态估计设备基于预定校准周期通过执行校准方案(诸如,插入方案、合并方案或平均方案)来对原始感测数据720进行校准。
在一示例中,电池状态估计设备调整校准周期。例如,原始感测数据720的采样率是十秒。在该示例中,虽然采样率被改变为20秒,但是电池状态估计设备的性能不会降低。因此,电池状态估计设备通过将校准周期设置为20秒来对原始感测数据720进行校准。如曲线图710中所示,相比于原始感测数据720,校准的感测数据量减少,因此在电池状态估计设备中执行的运算的数量减少。
图8A和图8B是示出产生区段向量的示例的示图。
参照图8A,曲线图810指示电压数据、曲线图820指示电流数据,曲线图830指示温度数据。在曲线图810、曲线图820和曲线图830中,横轴表示时间。曲线图810的纵轴表示电压的大小,曲线图820的纵轴表示电流的大小,曲线图830的纵轴表示温度。
在该示例中,电池状态估计设备基于针对每个区段的区段间隔和区段大小对电压数据、电流数据和温度数据中的每个数据进行分割,从而提取电压区段811和812、电路区段821和822以及温度区段831和832。在该示例中,区段间隔和区段大小被预先设置。这使电压区段811、电流区段821和温度区段831中的每个区段具有关于相同时间间隔和相同大小的维度的信息。基于电压区段811、电流区段821和温度区段831,电池状态估计设备产生基于区段的单位提供的电压数据块850、电流数据块860和温度数据块870,以分别对应于电压区段811、电流区段821和温度区段831。电池状态估计设备通过将电压数据块850、电流数据块860和温度数据块870进行组合来产生单个区段向量880。随后,电池状态估计设备基于作为基本单位的区段向量880估计电池的状态。
图9A和图9B是示出映射到特征空间的示例的示图。
参照图9A,电池状态估计设备基于预定映射参数将区段向量910映射到预定特征空间。区段向量910具有d的维度,并包括针对电压数据的电压数据块911、针对电流数据的电流数据块912和针对温度数据的温度数据块913。在一示例中,预定映射参数是PCA基本矩阵920。PCA基本矩阵具有d×p的维度。d是区段向量910的维度,p是预定特征空间的特征向量的维度。具有维度d的区段向量910被投射到PCA基本矩阵920上并通过投射被转换为预定特征空间中的具有维度p的特征向量。作为示例,预处理设备从多个PCA基本矩阵之中提取用于最小化区段向量910的恢复误差的PCA基本矩阵920,并将关于提取的PCA基本矩阵920的信息发送到电池状态估计设备。当电池状态估计设备自己没有从多个PCA基本矩阵提取PCA基本矩阵920,而是从预处理设备接收PCA基本矩阵920时,电池状态估计设备中执行的运算的数量减少。
电池状态估计设备将区段向量910投射到PCA基本矩阵920,以将区段向量910映射到PCA特征空间,从而提取特征向量930。在该示例中,特征向量930具有p的维度,其中,p≤d。这种处理将区段向量910从高维度转换为低维度,从而减少电池状态估计设备中的用于估计电池的状态的运算的数量。
参照图9B,预处理设备从预先存储的多个映射参数之中提取用于最小化映射到预定特征空间的多项感测数据的恢复误差的映射参数。预处理设备基于提取的映射参数将多个区段向量映射到预定特征空间。例如,预处理设备获取通过在正常状态下感测锂离子电池而获得的电压数据、电流数据和温度数据中的多项数据,并从电压数据、电流数据和温度数据中的多项数据提取多个区段向量。在该示例中,区段向量的数量可以是23570,多个区段向量具有180的维度,多个区段向量的区段大小可以是11分钟。预处理设备从多个PCA基本矩阵提取用于最小化多项感测数据的恢复误差的PCA基本矩阵,并将多个区段向量投射到提取的PCA基本矩阵,从而将多个区段向量映射到二维PCA空间950。在该示例中,多个区段向量被转换为二维PCA空间950中的特征向量,特征向量在二维PCA空间950中被分组。例如,在二维PCA空间950中,特征向量被划分为第一组960、第二组970和第三组980。第一组960包括与在锂离子电池的温度为24℃且放电电流的大小为两安培(A)时感测的感测数据对应的特征向量。第二组970包括与在锂离子电池的温度为24℃且放电电流的大小为4A时感测的感测数据对应的特征向量。第三组980包括与在锂离子电池的温度为43℃且放电电流的大小为4A时感测的感测数据对应的特征向量。基于将特征向量在二维PCA空间950中分割为多个组的属性,预处理设备通过基于预定模型参数对多个特征向量进行建模来提取关于针对电池状态类型的模型的信息。
图10是示出估计电池的状态的示例的示图。
参照图10,预处理设备从多项感测数据提取多个区段向量,将多个区段向量投射到PCA基本矩阵,并将多个区段向量映射到PCA空间。因此,多个区段向量被转换为PCA空间中的多个特征向量。预处理设备通过基于预定模型参数对多个特征向量进行建模来提取关于针对电池状态类型的模式的信息。在图10中,第一模式1010对应于正常状态类型,第二模式1020对应于第一异常状态类型,例如,由过度充电引起的异常状态类型。预处理设备将关于针对电池状态类型的模式的信息发送到电池状态估计设备。
电池状态估计设备从感测数据提取区段向量,并通过将区段向量映射到预定特征空间来提取特征向量,其中,从用于感测电池的传感器获取感测数据。电池状态估计设备通过将特征向量与从预处理设备获取的关于针对电池状态类型的模式的信息进行比较来估计电池的状态。在一示例中,电池状态估计设备通过计算特征向量与第一模式1010和第二模式1020中的每个模式之间的相似度,来确定电池的状态。在一示例中,特征向量1031与第一模式1010之间的相似度S(T0)以及特征向量1031与第二模式1020之间的相似度S(T1)二者小于预定阈值。在该示例中,电池状态估计设备将与特征向量1031对应的电池的状态确定为除了正常状态和第一异常状态之外的预定异常状态。在另一示例中,特征向量1032与第一模式1010之间的相似度S(T0)以及特征向量1032与第二模式1020之间的相似度S(T1)二者大于预定阈值,特征向量1032与第一模式1010之间的相似度S(T0)大于特征向量1032与第二模式1020之间的相似度S(T1)。在该示例中,电池状态估计设备将与特征向量1032对应的电池的状态确定为正常状态。
在另一示例中,特征向量1033与第一模式1010之间的相似度S(T0)和特征向量1033与第二模式1020之间的相似度S(T1)二者大于预定阈值,而特征向量1033与第一模式1010之间的相似度S(T0)小于特征向量1033与第二模式1020之间的相似度S(T1)。在该示例中,电池状态估计设备将与特征向量1033对应的电池的状态确定为第一异常状态。
图11是示出电池状态估计设备1100的另一示例的框图。
参照图11,电池状态估计设备1100包括近似化器1110、模式信息产生器1120、感测数据获取器1130和电池状态估计器1140。
近似化器1110提取用于对包括在数据库中的多项感测数据进行近似化的映射参数,并基于提取的映射参数对多项感测数据进行近似化。
模式信息产生器1120基于近似化的结果产生关于针对电池状态类型的模式的信息。
感测数据获取器1130获取关于电池的感测数据。
电池状态估计器1140对从感测数据获取器1130获取的感测数据进行近似化,并通过将近似化的感测数据与关于针对电池状态类型的模式的信息进行比较来提取电池的状态。
为了更加清楚和简明,省略了针对图11的电池状态估计设备1100的详细描述,这是因为参照图1至图10提供的描述也适用于图11的电池状态估计设备1100。
图12是示出电池状态估计方法的示例的流程图。
参照图12,在操作1210,电池状态估计设备从外部源接收预定参考信息。
在操作1220,电池状态估计设备获取关于电池的感测数据。
在操作1230,电池状态估计设备将感测数据映射到预定特征空间。
在操作1240,电池状态估计设备通过将映射的感测数据与预定参考信息进行比较,来估计电池的状态。
为了更加清楚和简明,省略了针对图12的电池状态估计方法的详细描述,这是因为参照图1至图10提供的描述也适用于图12的电池状态估计方法。
图13是示出估计电池的状态的预处理方法的示例的流程图。
参照图13,在操作1310,预处理设备提取用于将包括在数据库中的多项感测数据映射到预定特征空间的映射参数。
在操作1320,预处理设备基于提取的映射参数将多项感测数据映射到预定特征空间。
在操作1330,预处理设备基于映射到预定特征空间的多项感测数据产生关于针对电池状态类型的模式的信息。
在操作1340,预处理设备将关于针对电池状态类型的模式的信息发送到外部源。
为了更加清楚和简明,省略了针对图13的估计电池的状态的预处理方法的详细描述,这是因为参照图1至图10提供的描述也适用于图13的估计电池的状态的预处理方法。
图14是示出电池状态估计方法的另一示例的流程图。
参照图14,在操作1410,电池状态估计设备提取用于将包括在数据库中的多项感测数据映射到预定特征空间的映射参数。
在操作1420,电池状态估计设备基于提取的映射参数将多项感测数据映射到预定特征空间。
在操作1430,电池状态估计设备基于映射到预定特征空间的多项感测数据产生关于针对电池状态类型的模式的信息。
在操作1440,电池状态估计设备获取关于电池的感测数据。
在操作1450,电池状态估计设备将从感测数据获取器获取的感测数据映射到预定特征空间。
在操作1460,电池状态估计设备通过将映射的感测数据与关于电池状态类型的模式的信息进行比较来估计电池的状态。
为了更加清楚和简明,省略了针对图14的电池状态估计方法的详细描述,这是因为参照图1至图10提供的描述也适用于图14的电池状态估计方法。
执行在此针对图1至图14描述的操作的图1中的电池控制设备130和预处理设备140、图3中的电池状态估计设备300、通信器310、感测数据获取器320、电池状态估计器330、校准器340、感测数据分割器350、特征空间映射器360和电池状态确定器370、图4中的预处理设备400、通信器410、近似化器420、校准器430、感测数据分割器440、特征空间映射器450和模式信息产生器460以及图11中的电池状态估计设备1100、近似化器1110、模式信息产生器1120、感测数据获取器1130和电池状态估计器1140通过硬件组件来实施。硬件组件的示例包括控制器、传感器、产生器、通信模块以及本领域普通技术人员所公知的任意其它电子组件。在一示例中,硬件组件可通过一个或多个处理器或计算机来实施。处理器或计算机通过一个或多个处理元件(诸如,逻辑门的阵列、控制器和算术逻辑单元、数字信号处理器、微型计算机、可编程逻辑控制器、现场可编程门阵列、可编程逻辑阵列、微处理器或本领域普通技术人员所公知的能够以限定的方式响应和执行指令来获得期望结果的任何其它装置或它们的组合)来实施。通过处理器或计算器实施的硬件组件运行指令或软件(诸如,操作系统(OS)和运行在OS上的一个或更多个软件应用)来执行在此针对图1至图14描述的操作。硬件组件还响应于指令或软件的运行来访问、操作、处理、创建和存储数据。为了简单的目的,单数术语“处理器”或“计算机”可在用于描述在此描述的示例,然而,在其它示例中,多个处理器或多个计算机被使用,或者,包括多个处理元件或多种类型的处理元件或二者的处理器或计算机被使用。在一示例中,硬件组件包括多个处理器,而在另一示例中,硬件组件包括处理器和控制器。硬件组件具有任意一个或更多个不同处理配置,其示例包括单个处理器、独立处理器、并行处理器、单指令单数据(SISD)多处理、单指令多数据(SIMD)多处理、多指令单数据(MISD)多处理以及多指令多数据(MIMD)多处理。执行在此针对图1至图14描述的操作的图12至图14中示出的方法由如上所述的运行指令或软件来执行在此描述的操作的处理器或计算机执行。
用于控制处理器或计算机来实施硬件组件和执行在此描述的方法的指令或软件被编写为计算机程序、代码段、指令或它们的任意组合,以单独或一起命令或配置处理器或计算机以作为机器或专用计算机来进行操作以执行由在此描述的硬件组件和方法执行的操作。在一示例中,指令或软件包括由处理器或计算机直接运行的机器代码,诸如,由编译器产生的机器代码。在另一示例中,指令或软件包括由处理器或计算机使用解释器运行的高级代码。本领域普通程序员可基于附图中示出的框图和流程图和说明书中的对应描述容易编写指令或软件,其中,所述附图和描述公开了用于执行在此描述的硬件组件和方法执行的操作的算法。
用于控制处理器或计算机来实施在此描述的硬件组件和执行方法的指令或软件以及任何相关数据、数据文件和数据结构可被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中,非暂时性计算机可读存储介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、闪存、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及能够以非暂时性的方式存储指令或软件以及相关数据、数据文件和数据结构并将指令或软件以及相关数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机可运行指令的本领域普通技术人员所公知的任意装置。在一示例中,指令或软件以及任何相关数据、数据文件和数据结构通过网络结合的计算机系统而分布,使得指令或软件以及任何相关数据、数据文件和数据结构被处理器或计算机以分布方式被存储、访问和执行。
虽然本公开包括特定示例,但是本领域普通技术人员将清楚的是,在不脱离权利要求及其等同物的精神和范围的前提下,可在形式和细节上对这些示例进行各种修改。在此描述的示例将仅被考虑为是描述性的,而不是限制性的目的。在每个示例中的特征或方面的描述将被考虑为可应用于其它示例中的相似特征或方面。如果以不同的顺序执行描述的技术,和/或如果以不同的方式组合和/或由其它组件或它们的等同物代替或补充在描述的系统中的组件、架构、装置或电路,则可实现合适的结果。因此,本公开的范围不是由详细描述限定,而是由权利要求及其等同物限定,并且在所述权利要求及其等同物的范围之内的所有变化将被理解为包括在本公开中。
Claims (18)
1.一种电池状态估计设备,包括:
感测数据获取器,被配置为获取关于电池的感测数据;
电池状态估计器,被配置为:
从感测数据提取多个区段;
通过合并所述多个区段生成区段向量;
通过将区段向量映射到预定低维度特征空间来获得特征向量;
基于特征向量估计电池的状态。
2.如权利要求1所述的电池状态估计设备,其中,电池状态估计器包括:感测数据分割器,被配置为基于预定时间间隔对感测数据进行分割,从每个时间间隔提取具有预定大小的区段,并产生包括区段的区段向量。
3.如权利要求1所述的电池状态估计设备,其中,电池状态估计器还包括:校准器,被配置为基于作为参考的预定校准周期对感测数据的时间误差进行纠正。
4.如权利要求1所述的电池状态估计设备,其中,电池状态估计器还包括:特征空间映射器,被配置为基于预定映射参数将区段向量映射到所述预定低维度特征空间。
5.如权利要求4所述的电池状态估计设备,其中,所述预定映射参数包括预定参考矩阵,
特征空间映射器还被配置为:将区段向量投射到所述预定参考矩阵以提取具有与所述预定低维度特征空间对应的维度的特征向量。
6.如权利要求5所述的电池状态估计设备,其中,预定参考信息包括关于所述预定低维度特征空间中的针对电池状态类型的模式的信息,
电池状态估计器还包括:电池状态确定器,被配置为通过将特征向量与关于模式的信息进行比较来确定电池的状态。
7.如权利要求6所述的电池状态估计设备,其中,电池状态类型包括正常状态类型、异常状态类型和故障状态类型,
异常状态类型和故障状态类型中的每个状态类型包括至少一个子类型。
8.如权利要求6所述的电池状态估计设备,其中,电池状态确定器还被配置为计算所述预定低维度特征空间中的特征向量与每个模式之间的相似度,并基于计算的相似度之间的比较来确定电池的状态。
9.一种电池状态估计方法,包括:
获取关于电池的感测数据;
从感测数据提取多个区段;
通过合并所述多个区段生成区段向量;
通过将区段向量映射到预定低维度特征空间来获得特征向量;
基于特征向量估计电池的状态。
10.如权利要求9所述的电池状态估计方法,其中,提取的步骤包括:
基于预定时间间隔对感测数据进行分割;
从每个时间间隔提取具有预定大小的区段。
11.如权利要求9所述的电池状态估计方法,还包括:基于作为参考的预定校准周期对感测数据的时间误差进行纠正。
12.如权利要求9所述的电池状态估计方法,其中,获得的步骤包括:基于预定映射参数将区段向量映射到所述预定低维度特征空间。
13.如权利要求12所述的电池状态估计方法,其中,所述预定映射参数包括预定参考矩阵,
映射的步骤包括:将区段向量投射到所述预定参考矩阵以提取具有与所述预定低维度特征空间对应的维度的特征向量。
14.如权利要求13所述的电池状态估计方法,其中,预定参考信息包括关于所述预定低维度特征空间中的针对电池状态类型的模式的信息,
估计的步骤包括:通过将特征向量与关于模式的信息进行比较来确定电池的状态。
15.如权利要求14所述的电池状态估计方法,其中,电池状态类型包括正常状态类型、异常状态类型和故障状态类型,
异常状态类型和故障状态类型中的每个状态类型包括至少一个子类型。
16.如权利要求14所述的电池状态估计方法,其中,确定的步骤包括:
计算所述预定低维度特征空间中的特征向量与每个模式之间的相似度;
基于计算的相似度之间的比较来确定电池的状态。
17.一种包括计算机程序代码的计算机可读介质,其中,当所述计算机程序代码被处理器运行时使处理器执行根据权利要求9所述的电池状态估计方法的操作。
18.一种用于估计电池状态的装置,包括处理器和存储有计算机程序代码的存储器,
其中,处理器被配置为,在处理器运行所述计算机程序代码时,执行:
获取关于电池的感测数据;
从感测数据提取多个区段;
通过合并所述多个区段生成区段向量;
通过将区段向量映射到预定低维度特征空间来获得特征向量;
基于特征向量估计电池的状态。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2014-0091093 | 2014-07-18 | ||
KR1020140091093A KR102221756B1 (ko) | 2014-07-18 | 2014-07-18 | 배터리의 상태를 추정하는 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105277891A CN105277891A (zh) | 2016-01-27 |
CN105277891B true CN105277891B (zh) | 2020-03-17 |
Family
ID=53546143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510420335.3A Active CN105277891B (zh) | 2014-07-18 | 2015-07-16 | 用于估计电池的状态的方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10295601B2 (zh) |
EP (1) | EP2975421A1 (zh) |
KR (1) | KR102221756B1 (zh) |
CN (1) | CN105277891B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102468895B1 (ko) * | 2015-07-21 | 2022-11-21 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
CN106154168B (zh) * | 2016-04-01 | 2019-03-05 | 储盈新能源科技(上海)有限公司 | 数据驱动的动力电池荷电状态估计方法 |
CN106154180B (zh) * | 2016-08-18 | 2019-02-05 | 中国科学院自动化研究所 | 储能电池充/放电异常行为检测方法及检测系统 |
KR20180055192A (ko) * | 2016-11-16 | 2018-05-25 | 삼성전자주식회사 | 배터리 상태를 추정하는 방법 및 장치 |
KR20180085165A (ko) | 2017-01-18 | 2018-07-26 | 삼성전자주식회사 | 배터리 관리 방법 및 장치 |
US20190033388A1 (en) * | 2017-07-28 | 2019-01-31 | Northstar Battery Company, Llc | Systems and methods for determining a health status of a monobloc |
KR102399602B1 (ko) | 2017-08-17 | 2022-05-18 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
KR102608468B1 (ko) * | 2017-11-28 | 2023-12-01 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
KR20190073253A (ko) * | 2017-12-18 | 2019-06-26 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
JPWO2019235645A1 (ja) * | 2018-06-08 | 2021-06-17 | パナソニックIpマネジメント株式会社 | バッテリ管理システム及びバッテリ管理方法 |
CN108805217B (zh) * | 2018-06-20 | 2020-10-23 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109655749B (zh) * | 2018-11-20 | 2021-03-09 | 惠州拓邦电气技术有限公司 | 采集数据矩阵智能跟踪校准方法及装置 |
CN109613446B (zh) * | 2019-01-14 | 2020-12-08 | 中国计量大学 | 一种基于时间序列分析的锂电池老化检测方法 |
CN114072983A (zh) | 2019-05-16 | 2022-02-18 | 特洛斯公司 | 用于双均衡电池和电池组性能管理的方法和系统 |
WO2021168836A1 (zh) * | 2020-02-28 | 2021-09-02 | 华为技术有限公司 | 异常检测方法和设备 |
CN111707956B (zh) * | 2020-08-11 | 2022-08-30 | 中北大学 | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 |
CN112379269B (zh) * | 2020-10-14 | 2024-03-05 | 武汉蔚来能源有限公司 | 电池异常检测模型训练及其检测方法、装置 |
CN112379273B (zh) * | 2020-11-16 | 2021-07-30 | 北京理工大学 | 基于人工智能的锂离子电池充电曲线重构及状态估计方法 |
CN114690047A (zh) * | 2020-12-26 | 2022-07-01 | 华为技术有限公司 | 电池故障检测方法、系统、装置及设备 |
CN112818594B (zh) * | 2021-01-28 | 2023-05-30 | 温州大学 | 一种基于神经网络的多目标优化电池包结构方法 |
CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
KR102436675B1 (ko) * | 2021-06-28 | 2022-08-26 | 주식회사 테크코드 | 배터리 건전성 예측 시스템 및 방법 |
KR20230010545A (ko) * | 2021-07-12 | 2023-01-19 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치, 배터리 팩, 전기 차량 및 배터리 진단 방법 |
KR20230023395A (ko) * | 2021-08-10 | 2023-02-17 | 주식회사 엘지에너지솔루션 | 불량 유형 분류 시스템 및 불량 유형 분류 방법 |
CN114509690A (zh) * | 2022-04-19 | 2022-05-17 | 杭州宇谷科技有限公司 | 一种基于pca分解的锂电芯充放电异常检测方法及系统 |
CN116184216B (zh) * | 2023-04-28 | 2023-07-14 | 广汽埃安新能源汽车股份有限公司 | 电池状态检测方法及装置 |
CN117054892B (zh) * | 2023-10-11 | 2024-02-27 | 特变电工西安电气科技有限公司 | 一种储能电站电池健康状态的评估方法、装置及管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
WO2009158225A2 (en) * | 2008-06-27 | 2009-12-30 | Gm Global Technology Operations, Inc. | Pattern recognition approach to battery diagnosis and prognosis |
DE102010040451A1 (de) * | 2010-09-09 | 2012-03-15 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Ermittlung einer Zustandsgröße einer Fahrzeugbatterie |
JP2014059270A (ja) * | 2012-09-19 | 2014-04-03 | Toshiba Corp | 蓄電池診断装置およびその方法 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5977367A (ja) * | 1982-10-26 | 1984-05-02 | Sumitomo Metal Ind Ltd | 設備劣化状況評価方法 |
JP3598873B2 (ja) * | 1998-08-10 | 2004-12-08 | トヨタ自動車株式会社 | 二次電池の状態判定方法及び状態判定装置、並びに二次電池の再生方法 |
JP3659484B2 (ja) * | 2000-09-01 | 2005-06-15 | 光洋電子工業株式会社 | サイクリック自動通信による複数局メモリデータ共有システム |
JP2004271410A (ja) * | 2003-03-11 | 2004-09-30 | Hitachi Ltd | 電気車のバッテリ制御装置 |
KR100880717B1 (ko) * | 2005-02-14 | 2009-02-02 | 가부시키가이샤 덴소 | 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치 |
JP4532416B2 (ja) * | 2006-01-12 | 2010-08-25 | 古河電気工業株式会社 | バッテリ放電能力判定方法、バッテリ放電能力判定装置、及び電源システム |
JP5114884B2 (ja) | 2006-07-10 | 2013-01-09 | ソニー株式会社 | 電池パックおよび検出方法 |
JP2008058278A (ja) | 2006-09-04 | 2008-03-13 | Toyota Motor Corp | 二次電池の内部状態推定装置、二次電池の内部状態推定方法、プログラム、および記録媒体 |
JP4995643B2 (ja) | 2007-06-11 | 2012-08-08 | パナソニック株式会社 | 非水系電解質二次電池の内部短絡検知方法および装置 |
KR100911316B1 (ko) * | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
JP2009073465A (ja) | 2007-08-28 | 2009-04-09 | Fuji Heavy Ind Ltd | 安全運転支援システム |
JP5005492B2 (ja) | 2007-10-17 | 2012-08-22 | 富士重工業株式会社 | 安全運転支援システム |
US8099206B2 (en) | 2008-10-24 | 2012-01-17 | GM Global Technology Operations LLC | Combined evidence vehicle health monitoring |
FR2947357B1 (fr) * | 2009-06-25 | 2016-01-22 | Electricite De France | Detection de defaut dans un dispositif electrochimique |
JP5573575B2 (ja) * | 2010-10-08 | 2014-08-20 | トヨタ自動車株式会社 | 車両用バッテリ監視装置、車両用バッテリ監視システム及び車両用のバッテリ診断方法 |
CN102749585B (zh) * | 2011-04-21 | 2014-11-05 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
WO2012148070A1 (ko) * | 2011-04-25 | 2012-11-01 | 주식회사 엘지화학 | 배터리 용량 퇴화 추정 장치 및 방법 |
US8168315B1 (en) | 2011-08-23 | 2012-05-01 | Tesla Motors, Inc. | Method for detecting battery thermal events via battery pack isolation monitoring |
JP2013081332A (ja) | 2011-10-05 | 2013-05-02 | Hitachi Ltd | 充電制御機能を備えた電池システム、および充電システム |
US9176198B2 (en) * | 2012-02-17 | 2015-11-03 | GM Global Technology Operations LLC | Battery state estimator with overpotential-based variable resistors |
US9130248B2 (en) * | 2012-05-25 | 2015-09-08 | GM Global Technology Operations LLC | Modeling changes in the state-of-charge open circuit voltage curve by using regressed parameters in a reduced order physics based model |
US9395327B2 (en) * | 2012-11-30 | 2016-07-19 | GM Global Technology Operations LLC | Systems and methods to protect against over-discharge in a battery system |
US9377512B2 (en) * | 2013-05-08 | 2016-06-28 | GM Global Technology Operations LLC | Battery state estimator combining electrochemical solid-state concentration model with empirical equivalent-circuit model |
KR20130090861A (ko) | 2013-06-28 | 2013-08-14 | (주) 해피에너지 | 납축전지 등 2차 전지의 상태변화곡선 검출기법 및 활용과 충전기 감시 시스템 |
US10843574B2 (en) * | 2013-12-12 | 2020-11-24 | Midtronics, Inc. | Calibration and programming of in-vehicle battery sensors |
-
2014
- 2014-07-18 KR KR1020140091093A patent/KR102221756B1/ko active IP Right Grant
-
2015
- 2015-07-10 EP EP15176229.1A patent/EP2975421A1/en active Pending
- 2015-07-16 CN CN201510420335.3A patent/CN105277891B/zh active Active
- 2015-07-17 US US14/802,478 patent/US10295601B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
WO2009158225A2 (en) * | 2008-06-27 | 2009-12-30 | Gm Global Technology Operations, Inc. | Pattern recognition approach to battery diagnosis and prognosis |
DE102010040451A1 (de) * | 2010-09-09 | 2012-03-15 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Ermittlung einer Zustandsgröße einer Fahrzeugbatterie |
JP2014059270A (ja) * | 2012-09-19 | 2014-04-03 | Toshiba Corp | 蓄電池診断装置およびその方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105277891A (zh) | 2016-01-27 |
EP2975421A1 (en) | 2016-01-20 |
KR102221756B1 (ko) | 2021-03-02 |
US20160018472A1 (en) | 2016-01-21 |
KR20160010132A (ko) | 2016-01-27 |
US10295601B2 (en) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105277891B (zh) | 用于估计电池的状态的方法和设备 | |
KR102241683B1 (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
US10527678B2 (en) | Apparatus and method for estimating state of battery using battery degradation models | |
US10663522B2 (en) | Apparatus and method for estimating state of health (SOH) of battery, and apparatus and method for generating SOH estimation model | |
CN106371021B (zh) | 用于估计电池的状态的方法和设备 | |
CN105807227B (zh) | 估计电池状态的方法和设备 | |
US10101406B2 (en) | Method and apparatus for estimating state of battery | |
US20160239759A1 (en) | Method and apparatus estimating state of battery | |
US10393819B2 (en) | Method and apparatus for estimating state of battery | |
US10408881B2 (en) | Method and apparatus for estimating state of battery | |
US20190086478A1 (en) | Apparatus and method for estimating state of battery | |
US11630157B2 (en) | Apparatus and method with battery state estimation | |
US20210066945A1 (en) | Method and apparatus for charging battery | |
CN111448467A (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
EP4019993A1 (en) | Method and apparatus for battery short circuit detection | |
EP4160235B1 (en) | Method and device with battery model optimization | |
Vachkov et al. | Battery aging detection based on sequential clustering and similarity analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |