CN105319512A - 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
- CN105319512A CN105319512A CN201510430444.3A CN201510430444A CN105319512A CN 105319512 A CN105319512 A CN 105319512A CN 201510430444 A CN201510430444 A CN 201510430444A CN 105319512 A CN105319512 A CN 105319512A
- Authority
- CN
- China
- Prior art keywords
- battery
- interval
- data
- sense data
- estimating apparatus
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
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
本发明提供一种用于估计电池的状态的方法和设备。一种电池状态估计设备包括:感测数据获取器,被配置为获取电池的感测数据。所述设备还包括:健康状态(SOH)信息估计器,被配置为基于预定时间间隔划分感测数据,提取包括预定数量项的划分的感测数据的区间,基于所述区间估计电池的SOH信息。
Description
本申请要求于2014年7月30日提交到韩国知识产权局的第10-2014-0097153号韩国专利申请的权益,所述韩国专利申请的全部公开内容通过出于各种目的的引用被合并于此。
技术领域
以下描述涉及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。由于在具有多个可充电并可放电的二次电池的单个包中形成的电池在EV中被用作主电源,因此EV可不排放废气并可产生小得多的噪声。
在EV中,电池可起以汽油为动力的车辆的燃料箱和发动机的作用。因此,为了增强EV的用户的安全性,检查电池的状态会很重要。
正在进行在更准确地监测电池的状态的同时提高用户的便利性的研究。
发明内容
提供本发明内容来以简化的形式介绍对在下面的具体实施方式中进一步描述的构思的选择。本发明内容不意在标识所要求保护的主题的关键特征或必要特征,也不意在用来帮助确定所要求保护的主题的范围。
在一总体方面,提供一种电池状态估计设备,包括:感测数据获取器,被配置为获取电池的感测数据;健康状态(SOH)信息估计器,被配置为基于预定时间间隔划分感测数据,提取包括预定数量的划分的感测数据的区间,基于所述区间估计电池的SOH信息。
感测数据可包括由被配置为感测电池的传感器感测的电池的电压数据、电流数据、温度数据、压力数据和湿度数据中的任意一种或任意组合。
感测数据获取器可被配置为:基于更新周期来更新感测数据。
感测数据获取器可被配置为:基于从外部源接收的控制信号获取感测数据。
SOH信息估计器可被配置为:基于包括在所述区间中的划分的感测数据生成区间向量。
SOH信息估计器可被配置为:当感测数据包括多项感测数据时,生成针对每项感测数据的区间向量。
SOH信息估计器可被配置为:基于预定映射参数将区间向量映射到维度低于区间向量的维度的特征空间;将映射的区间向量转换为具有与特征空间的维度相等的维度的特征向量。
SOH信息估计器可被配置为:将特征向量和预定学习参数应用到预定学习模型以估计电池的剩余容量;基于电池的剩余容量估计电池的SOH信息。
SOH信息估计器可被配置为:将特征向量、电池的预估计剩余容量和预定学习参数应用到预定学习模型以估计电池的剩余容量。
SOH信息估计器可被配置为:从外部源获取所述预定映射参数和所述预定学习参数中的一种参数或两种参数。
所述区间的大小可在1000秒与9000秒之间,或者在3000秒与9000秒之间。
SOH信息估计器可被配置为:从电池的电压数据、电流数据、温度数据、压力数据和湿度数据中的两种数据或更多种数据提取所述区间。
在另一总体方面,提供一种电池状态估计设备,包括:感测数据获取器,被配置为获取电池的感测数据;健康状态(SOH)信息估计器,被配置为周期性地估计电池的SOH信息,并基于通过处理感测数据生成的处理数据和在之前周期中估计的电池的之前SOH信息来执行所述估计。
所述电池状态估计设备包括:缓存器,被配置为存储所述之前SOH信息。
所述处理数据包括以下项中的任意一个或任意组合:基于预定时间间隔将感测数据进行划分的划分的感测数据、包括预定数量的划分的感测数据的区间、基于包括在区间中的划分的感测数据生成的区间向量和区间向量被转换成的特征向量。
SOH信息估计器被配置为:基于SOH信息的估计周期生成所述区间。
SOH信息估计器被配置为:将所述之前SOH信息和所述处理数据应用到学习模型,并基于应用的结果估计电池的SOH信息。
在另一总体方面,提供一种电池状态估计方法,包括:获取电池的感测数据;基于预定时间间隔划分感测数据;提取包括预定数量的划分的感测数据的区间;基于所述区间估计电池的健康状态(SOH)信息。
在另一总体方面,提供一种设备,包括:处理器,被配置为基于预定时间间隔划分电池的感测数据;提取包括预定数量的划分的感测数据的区间,以及基于所述区间估计电池的剩余容量。
处理器可被配置为:生成包含包括在所述区间中的预定数量的划分的感测数据的向量;基于所述向量估计剩余容量。
处理器可被配置为:在电池的部分充电或放电期间估计电池的剩余容量。
处理器可被配置为:还基于电池的预估计剩余容量估计电池的剩余容量。
从以下具体实施方式、附图和权利要求,其它特征和方面将是清楚的。
附图说明
图1是示出电池系统的示例的框图。
图2是示出电池状态估计设备的示例的框图。
图3是示出预处理设备的示例的框图。
图4是示出电池状态估计设备的另一示例的框图。
图5是示出部分充电和放电的示例的示图。
图6是示出区间的示例的示图。
图7A至图7C是示出区间向量的示例的示图。
图8是示出估计健康状态(SOH)信息的示例的示图。
图9是示出估计电池的状态的用户界面的示例的示图。
图10是示出提供电池的状态的用户界面的示例的示图。
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,除非另外描述或规定,否则相同的附图参考标号将被理解为表示相同的元件、特征和结构。附图可不必成比例,并且为了清楚、说明和方便起见,可夸大附图中元件的相对尺寸、比例和绘示。
具体实施方式
提供以下详细描述来帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而,在此描述的系统、设备和/或方法的各种改变、修改及等同物对本领域的普通技术人员而言将是清楚的。所描述的处理步骤和/或操作的进展是示例;然而,除了必需按特定顺序发生的步骤和/或操作之外,步骤和/或操作的顺序不限于在此阐述的顺序,并且可如本领域中所知的那样改变。此外,为了更加清楚和简明,可省略对本领域的普通技术人员公知的功能和构造的描述。
在此描述的特征可以以不同的形式被实施,而不解释为受限于在此描述的示例。相反,提供在此描述的示例将使本公开彻底和完整,并将把本公开的完整范围传达给本领域普通技术人员。
图1是示出电池系统110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可将电力提供给驱动装置(例如,包括电池系统110的电动车辆(EV)),并且可包括多个电池模块。多个电池模块中的每个可包括多个电池单元。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。多个电池模块可以是二次电池,例如,锂离子电池。此外,多个电池模块中的每个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监测电池120的状态,并控制电池120。电池控制设备130可执行电池120中的多个电池模块的热控制。此外,电池控制设备130可防止电池120被过充电和过放电,并通过执行电池单元平衡来控制多个电池模块处于相同的荷电状态。因此,可提高电池120的能量效率,并且可延长电池120的寿命。
此外,电池控制设备130可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)信息和/或其它信息。SOH信息可指示与在电池120的生产中提供的性能相比,电池120的性能的劣化程度。SOC信息可指示在电池120中保持的电荷量的信息,SOF信息可指示电池120的性能与预定条件匹配的程度的信息。
电池控制设备130可向电子控制单元(ECU)提供SOH信息、SOC信息和SOF信息。在一示例中,电池控制设备130可基于控制器局域网(CAN)通信与ECU进行通信。
为了估计电池120的SOH信息,电池控制设备130可使用预定SOH信息估计方法。例如,电池控制设备130可基于测量电池120的开路电压以估计SOH信息的开路电压(OCV)方法来估计SOH信息。在另一示例中,电池控制设备130可基于测量电池120的内阻以估计SOH信息的电化学阻抗谱(EIS)方法,来估计SOH信息。在这些示例中,在电池120处于电稳态时可执行OCV方法和EIS方法。作为另一示例,电池控制设备130可基于通过检测电池120的恒流充电时间(CCCT)估计SOH信息的CCCT方法来估计SOH信息。当电池120被完全充电和放电时可执行CCCT方法。以下,完全充电和完全放电可指使得电池120的电压电平分别达到完全充电的电平和完全放电的电平的电池120的充电和放电。此外,部分充电和部分放电可指使得电池120的电压电平分别未达到完全充电的电平和完全放电的电平的电池120的充电和放电。
当电池120被部分充电和放电时,电池控制设备130可感测电池120的状态,并基于感测的电池120的状态识别电池的劣化模式,从而估计电池120的SOH信息。在一示例中,电池控制设备130可获取电池120的感测数据。感测数据可包括电压数据、电流数据、温度数据、压力数据和湿度数据中的至少一个。此外,感测数据可包括指示电池120的状态的所有数据。
电池控制设备130可基于预定时间间隔划分获取的感测数据,并可基于预定区间间隔提取包括划分的感测数据的多个区间。在此示例中,多个区间中的每个可包括预定数量项的划分的感测数据,并可按时间顺序被提取。电池控制设备130可通过基于多个区间识别电池120的劣化模式来估计电池120的SOH信息。在一示例中,电池控制设备130可通过将预定学习模型应用到多个区间来估计SOH信息。在此示例中,应用到多个区间的参数可被预先存储或从用于应用预定学习模型的预处理器(未示出)被接收。
图2是示出电池状态估计设备210的示图。参照图2,电池状态估计设备210包括感测数据获取器220和SOH信息估计器230。在一示例中,电池状态估计设备210可相应于图1的电池控制设备130或包括在电池控制设备130中的元件。
感测数据获取器220获取电池的感测数据。感测数据可包括以下数据中的至少一种数据:从电压传感器获取的电压数据、从电流传感器获取的电流数据、从温度传感器获取的温度数据、从压力传感器获取的压力数据和从湿度传感器获取的湿度数据。电压传感器、电流传感器、温度传感器、压力传感器和湿度传感器中的每个可感测电池。此外,感测数据可包括从除了上面提到的传感器之外的感测电池的传感器获取的数据。
在一示例中,感测数据可指示在预定时间段期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220的控制下在10秒期间感测电池的电压,并且感测数据获取器220可从电压传感器获取感测数据。感测数据获取器220可向SOH信息估计器230提供获取的感测数据。
在另一示例中,感测数据获取器220可基于更新周期更新感测数据。例如,当更新周期为24小时时,感测数据获取器220可以以24小时为间隔从感测电池的传感器获取感测数据。更新周期可被预先设置,或可由外部源可变地设置。外部源可指除电池状态估计设备210之外的另一设备。
在另一示例中,感测数据获取器220可基于从外部源接收的控制信号获取感测数据。例如,当从外部源接收到指示电池状态估计的控制信号时,响应于控制信号,感测数据获取器220可从感测电池的传感器接收感测数据。
SOH信息估计器230从由感测数据获取器220获取的感测数据提取多个区间,并基于所述多个区间估计电池的SOH信息。SOH信息估计器230可基于预定时间间隔划分感测数据。例如,当预定时间间隔为10秒时,并且当感测数据的感测时间为100秒时,SOH信息估计器230可将感测数据划分为11项(0秒、10秒、…、90秒和100秒)。可根据示例调整预定时间间隔。在此示例中,区间可指为了估计电池的SOH信息,SOH信息估计器230使用的处理感测数据的处理单位。SOH信息估计器230可基于预定区间段从感测数据提取多个区间。多个区间中的每个可包括预定数量项的划分的感测数据,并可按时间顺序被提取。在此示例中,预定数量可指包括在区间中的划分的感测数据的项数,并可被表示为区间大小。预定区间段可指两个连续区间的起点之间的间隔,并可被表示为区间间隔。
SOH信息估计器230可基于区间提取的时间点顺序提取多项区间数据。在此示例中,区间提取的时间点可指示开始感测感测数据的时间点或从外部源接收到指示电池状态估计的控制信号的时间点。当与区间间隔相应的划分的感测数据的项数小于区间大小时,两个连续区间可重复包括与这样的差相应的项数的划分的感测数据,所述差是区间大小与被划分为相应于区间间隔的感测数据的项数之间的差。例如,当感测数据以10秒的间隔被划分为10项,区间提取的时间点为10秒的时间点,区间大小为4,并且区间间隔为10秒时,SOH信息估计器230可从10秒的时间点开始连续地提取7个区间。例如,第一区间可包括被划分为与10秒、20秒、30秒和40秒的时间点相应的感测数据项。第二区间可包括被划分为与20秒、30秒、40秒和50秒的时间点相应的感测数据项。在此示例中,第一区间和第二区间可重复包括被划分为与20秒、30秒和40秒的时间点相应的三项感测数据。作为另一示例,当感测数据被划分为10项,区间提取的时间点为10秒的时间点,区间大小为3,并且区间间隔为40秒时,SOH信息估计器230可从10秒的时间点连续提取2个区间。在此示例中,第一区间可包括被划分为与10秒、20秒和30秒的时间点相应的感测数据项,第二区间可包括被划分为与50秒、60秒和70秒的时间点相应的感测数据项。因此,第一区间和第二区间可不包括重复的感测数据项。
在一示例中,SOH信息估计器230可调整区间参数,例如,区间提取的时间点、区间间隔和区间大小。经此,可调整包括在区间中的数据量和生成区间的速度。作为一示例,SOH信息估计器230可设置区间参数,或从外部源(例如,预处理设备)接收区间参数的信息。
此外,SOH信息估计器230可生成区间向量,所述区间向量包括作为元素的包括在多个区间的每个中的划分的感测数据。在一示例中,SOH信息估计器230可生成与多个区间相应的多个区间向量。例如,当第一区间包括与10秒的时间点相应的第一感测值和与20秒的时间点相应的第二感测值时,并且当第二区间包括与30秒的时间点相应的第三感测值和与40秒的时间点相应的第四感测值时,SOH信息估计器230可生成包括作为元素的第一感测值和第二感测值的第一区间向量以及包括作为元素的第三感测值和第四感测值的第二区间向量。
在另一示例中,SOH信息估计器230可生成与多个区间相应的单个区间向量。与上述示例相似,当第一区间包括第一感测值和第二感测值时,并且当第二区间包括第三感测值和第四感测值时,SOH信息估计器230可生成包括第一感测值、第二感测值、第三感测值和第四感测值的单个区间向量。
当多项感测数据被提供时,SOH信息估计器230可生成针对多项感测数据中的每项的区间向量。例如,感测数据获取器220可获取电池的电压数据、电流数据和温度数据。在此示例中,SOH信息估计器230可针对电压数据、电流数据和温度数据中的每个提取多个区间,并基于包括在所述多个区间中的每个中的划分的感测数据生成与电压数据、电流数据和温度数据中的每个相应的区间向量。
在一示例中,SOH信息估计器230可生成与多项感测数据相应的单个区间向量。与上述示例相似,当感测数据获取器220获取关于电池的电压数据、电流数据和温度数据时,SOH信息估计器230可从电压数据、电流数据和温度数据中的每个提取多个区间。SOH信息估计器230可生成包括与电压数据相应的多个区间的电压数据块、包括与电流数据相应的多个区间的电流数据块和包括与温度数据相应的多个区间的温度数据块。之后,SOH信息估计器230可组合电压数据块、电流数据块和温度数据块,从而生成单个区间向量。
此外,SOH信息估计器230可基于预定映射参数将区间向量映射到特征空间,并将映射的区间向量转换为维度相应于特征空间的维度的特征向量。特征空间可指基于低维度表示感测数据的空间。因此,特征空间可具有比区间向量的维度低的维度。作为一示例,SOH信息估计器230可设置预定映射参数或使用通信接口(未示出)从外部源(例如,预处理设备)接收预定映射参数的信息。特征空间的维度可基于预定映射参数被确定。通过将区间向量映射到预定特征空间,可在最小化数据丢失的同时,将高维数据在低维正交空间中压缩表示。因此,在估计电池的状态的处理中可减少SOH信息估计器230的运算量,并可从区间向量消除噪声。
在一示例中,预定映射参数可包括预定参考矩阵。SOH信息估计器230可将区间向量投射到预定参考矩阵,并将投射的区间向量映射到预定特征空间,从而提取具有与预定特征空间的维度相应的维度的特征向量。例如,SOH信息估计器230可从预处理设备获取主成分分析(PCA)基础矩阵。SOH信息估计器230可通过将区间向量投射到PCA基础矩阵,来将区间向量映射到PCA特征空间。经此,区间向量可被转换为PCA特征空间中的特征向量。
此外,SOH信息估计器230可通过将特征向量输入到预定学习模型来估计电池的剩余容量。预定学习模型可包括以下项中的至少一个:神经网络(NN)模型、支持向量回归(SVM)模型和高斯过程回归模型。此外,预定学习模型可包括用于通过使用特征向量估计电池的剩余容量的其他学习模型,代替NN模型、SVM模型和高斯过程回归模型。在一示例中,SOH信息估计器230可通过从输入了特征向量的预定学习模型提取电池的劣化模型,来估计电池的剩余容量。
此外,SOH信息估计器230可通过将电池的剩余容量的预估计信息和特征向量输入到预定学习模型,来估计剩余容量。经此,可在估计电池的剩余容量的结果值中减小误差。在一示例中,SOH信息估计器230可将电池的剩余容量的预估计信息转换为特征向量的形式,并将转换的特征向量和与多个区间相应的特征向量输入到预定学习模型。
为了改善剩余容量的估计的精确性,SOH信息估计器230可将预定学习参数应用到预定学习模型。例如,当预定学习模型为NN模型时,预定学习参数可包括激活函数、权重值和神经元间的连接模式。当预定学习模型为SVM模型时,预定学习参数可包括核函数和惩罚参数。当预定学习模型为高斯过程回归模型时,预定学习参数可包括核函数和超参数(hyper-parameter)。
在一示例中,SOH信息估计器230可设置预定学习参数,或使用通信接口(未示出)从外部源(例如,预处理设备)接收预定学习参数的信息。
SOH信息估计器230可基于估计的电池的剩余容量提取电池的SOH信息。在一示例中,可通过使用等式1计算SOH信息。
[等式1]
在等式1中,SoH表示电池的SOH信息,C1表示在电池的生产中提供的容量,Ce表示估计的电池的剩余容量。例如,当在电池的生产中提供的容量为50千瓦(kWh)并且估计的电池的剩余容量为40kWh时,SOH信息估计器230可计算SOH信息为0.8。在一示例中,SOH信息估计器230可周期性地估计电池的SOH,并可基于通过处理感测数据生成的处理数据和在之前周期中估计的之前SOH来执行估计。例如,可将在T-1周期中估计的SOHi-1存储在缓存器中。当周期T到来时,SOH信息估计器230可基于处理数据和存储在缓存器中的SOHi-1估计电池的SOHi。
例如,处理数据可包括以下项中的至少一项:通过基于预定时间间隔划分感测数据而获得的划分的感测数据、包括预定数量的划分的感测数据的区间、基于包括在区间中的划分的感测数据生成的区间向量和区间向量被转换成的特征向量。SOH信息估计器230可通过基于预定时间间隔划分感测数据来生成划分的感测数据,并生成包括预定数量的划分的感测数据的区间。此外,SOH信息估计器230可基于包括在区间中的划分的感测数据生成区间向量,并通过将区间向量投射到特征空间来生成特征向量。由于上述描述也适用于划分的感测数据、区间、区间向量和特征向量,因此,为了更加清楚和简洁,将省略重复的描述。
关于电池的SOH信息的估计周期可相应于上述区间间隔。作为一示例,当区间间隔为500秒时,SOH信息估计器230可生成区间并以500秒为间隔估计关于电池的SOH信息。当估计周期或区间间隔被设置为相对短时,可实时估计电池的SOH信息。
SOH信息估计器230可使用在之前的估计周期中估计的多项之前SOH信息来估计电池的SOH信息。例如,SOH信息估计器230可使用存储在缓存器中的SOHi-1、SOHi-2和SOHi-3估计SOHi。可提供关于之前估计的SOH信息的反馈来估计电池的当前SOH信息。
SOH信息估计器230可将之前SOH信息和处理数据应用到学习模型,并基于应用的结果估计电池的SOH信息。例如,特征向量以及之前SOH信息可被应用到学习模型。如上所述,学习模型可包括,例如,NN模型。
在电池状态估计设备210中,可周期性地更新电池的SOH。响应于来自用户的请求,电池状态估计设备210可向用户提供最近的SOH。在上述示例中,当估计了电池的SOHi时,电池状态估计设备210可将SOHi存储在缓存器中。此外,响应于来自用户的SOH请求,电池状态估计设备210可向用户提供在与接收到SOH请求的时间最近的时间估计的SOHi。
图3是示出预处理设备310的示例的框图。参照图3,预处理设备310包括训练数据获取器320和参数提取器330。训练数据获取器320获取电池的多项训练数据。训练数据可包括电压数据、电流数据、温度数据、压力数据和湿度数据中的至少一个。此外,训练数据可包括指示电池的状态的所有数据。训练数据获取器320可获取单个电池的多项训练数据,或获取多个电池中的每个电池的多项训练数据。在一示例中,训练数据获取器320可从预定数据库和/或外部装置获取多项训练数据。例如,训练数据获取器320可基于更新周期从预定数据库和/或外部装置更新多项训练数据,和/或可基于从外部源接收的控制信号从预定数据库和/或外部装置获取多项训练数据。
参数提取器330从由训练数据获取器320获取的多项训练数据提取多个训练区间,并基于所述多个训练区间提取用于估计电池的SOH信息的参数。在一示例中,用于估计电池的SOH信息的参数可包括用于在电池状态估计设备中估计电池的SOH信息的映射参数和/或学习参数。
参数提取器330可基于预定时间间隔划分每项训练数据。例如,当提供了3项训练数据,预定时间间隔为5秒,并且多项训练数据的感测时间为30秒时,参数提取器330可将这3项训练数据中的每项划分为与0秒、5秒、10秒、15秒、20秒、25秒和30秒的时间点相应的7项。可根据示例调整预定时间间隔。参数提取器330可从每项训练数据提取多个训练区间。在此示例中,训练区间可指为了提取用于估计电池的SOH信息的参数,由参数提取器330使用的处理多项训练数据的处理单位。参数提取器330可基于预定训练区间段从每项训练数据提取多个训练区间。多个训练区间中的每个可包括预定数量项的划分的训练数据,并可按时间顺序被提取。在此示例中,预定数量可指包括在训练区间中的划分的训练数据的项数,并可被表示为训练区间大小。预定训练区间段可指两个连续训练区间的起点之间的间隔,并可被表示为训练区间间隔。
参数提取器330可基于训练区间提取的时间点,从每项训练数据顺序地提取多项区间数据。在此示例中,训练区间提取的时间点可指预定时间点或由外部源设置的时间点。当与训练区间间隔相应的划分的训练数据的项数小于训练区间大小时,两个连续训练区间可重复包括与这样的差相应的项数的划分的训练数据,所述差是训练区间大小与被划分为相应于训练区间间隔的训练数据的项数之间的差。在一示例中,参数提取器330可调整训练区间参数,例如,训练区间提取的时间点、训练区间间隔和/或训练区间大小。经此,可调整包括在训练区间中的数据量和生成训练区间的速度。
此外,参数提取器330可基于包括在多个训练区间的每个中的划分的训练数据来生成针对每个训练区间的训练区间向量。在此示例中,训练区间向量可包括划分的训练数据作为元素。参数提取器330可生成与多个训练区间相应的多个训练区间向量。
此外,参数提取器330可从预先存储的多个映射参数提取最优映射参数。在一示例中,参数提取器330可将训练区间向量映射到具有比训练区间向量的维度低的维度的特征空间,并将训练区间向量转换为具有与特征空间相应的维度的训练特征向量。经此,参数提取器330可从多个映射参数提取用于最小化训练特征向量的恢复误差的映射参数。例如,参数提取器330可将训练区间向量投射到第一PCA基础矩阵、第二PCA基础矩阵和第三PCA基础矩阵中的每个,并分别生成第一训练特征向量、第二训练特征向量和第三训练特征向量。参数提取器330可对第一训练特征向量、第二训练特征向量和第三训练特征向量中的每个求逆来计算其恢复误差。当第二训练特征向量具有最小的恢复误差时,参数提取器330可选择第二PCA基础矩阵作为最优映射参数。
此外,参数提取器330可从预先存储的多个学习参数提取最优学习参数。在一示例中,参数提取器330可将训练特征向量输入到预定学习模型,并应用多个学习参数,从而估计电池的剩余容量。在此示例中,参数提取器330可从多个学习参数提取用于最小化实际剩余容量与估计的剩余容量之间的差的学习参数。例如,参数提取器330可将训练特征向量输入到NN模型,并将第一激活函数、第二激活函数和第三激活函数应用到NN模型。经此,参数提取器330可通过分别将第一激活函数、第二激活函数和第三激活函数应用到NN模型来提取第一估计的剩余容量、第二估计的剩余容量和第三估计的剩余容量。参数提取器330可将实际剩余容量与第一估计的剩余容量、第二估计的剩余容量和第三估计的剩余容量中的每一个进行比较。当第三估计的剩余容量与电池的实际剩余容量最相似时,参数提取器330可选择第三激活函数作为最优学习参数。
参数提取器330可通过使用通信接口(未示出)将最优映射参数和最优学习参数中的至少一个发送到电池状态估计设备。因此,电池状态估计设备可以以更高的速度和精确性来估计电池的SOH信息。
图4是示出电池状态估计设备430的另一示例的框图。参照图4,电池系统包括电池410、传感器420和电池状态估计设备430。电池410可包括多个电池模块。传感器420感测电池410的状态或多个电池模块的状态。虽然图4示出单个传感器,但是根据示例,传感器420可以是多个传感器。例如,传感器420可以是以下项中的至少一个:电压传感器、电流传感器、温度传感器、压力传感器、湿度传感器和感测电池410的状态的其它传感器。
电池状态估计设备430包括第一缓存器440、控制器450和通信接口460。控制器450包括时间划分器451、存储器452、SOH信息运算器453和第二缓存器454。
第一缓存器440存储在控制器450的控制下从传感器420获取的电池410的感测数据。当设置了多个传感器时,第一缓存器440可存储从多个传感器获取的多项感测数据。
通信接口460可包括有线接口和/或无线接口。通信接口460从外部处理设备接收用于估计电池410的状态的参数。在一示例中,通信接口460可从外部预处理设备接收映射参数和/或学习参数。通信接口460可将接收的参数存储在存储器452中。
时间划分器451基于预定时间间隔划分存储在第一缓存器440中的感测数据。可根据示例调整预定时间间隔。此外,当多项感测数据被存储在第一缓存器440中时,时间划分器451可基于预定时间间隔划分每项感测数据。
SOH信息运算器453从感测数据提取多个区间,并基于所述多个区间提取电池410的SOH信息。所述多个区间可包括在时间划分器451中被划分为与区间大小相应的项数的感测数据。此外,SOH信息运算器453可基于区间提取的时间点针对每个区间间隔提取多个区间。在此示例中,当与区间间隔相应的划分的感测数据的项数小于区间大小时,两个连续区间可重复包括与区间大小和被划分为相应于区间间隔的感测数据的项数之间的差相应的项数的划分的感测数据。在一示例中,SOH信息运算器453可调整区间参数,例如,区间提取的时间点、区间间隔和区间大小。此外,SOH信息运算器453可将区间参数存储在存储器452中。
SOH信息运算器453可生成包括作为元素的包括在多个区间中的每个中的划分的感测数据的区间向量。SOH信息运算器453可生成与多个区间中的每个相应的多个区间向量,或生成与多个区间相应的单个区间向量。此外,当提供了多项感测数据时,SOH信息运算器453可生成针对每项感测数据的区间向量,或生成与多项感测数据相应的单个区间向量。
SOH信息运算器453可基于预定映射参数将区间向量映射到具有比区间向量的维度低的维度的特征空间,然后将映射的区间向量转换为具有与特征空间相应的维度的特征向量。在此示例中,预定映射参数可被存储在存储器452中。预定映射参数可以是PCA基础矩阵。SOH信息运算器453可通过将区间向量投射到PCA基础矩阵来将区间向量映射到PCA特征空间。经此,区间向量可被转换为PCA特征空间中的特征向量。
SOH信息运算器453可通过将特征向量输入到预定学习模型来估计电池410的剩余容量。预定学习模型可包括以下项中的至少一个:NN模型、SVM模型和高斯过程回归模型。SOH信息运算器453可将预定学习参数应用到预定学习模型。因此,SOH信息运算器453可通过从输入了特征向量的预定学习模型提取电池410的劣化模式来更精确地估计电池410的剩余容量。此外,SOH信息运算器453可通过将电池410的剩余容量的预估计信息和特征向量输入到预定学习模型来估计电池410的剩余容量。因此,可在估计电池410的剩余容量的结果值中减小误差。电池410的剩余容量的预估计信息可被存储在第二缓存器454中。SOH信息运算器453可将电池410的剩余容量的估计信息存储在第二缓存器454中。因此,电池410的剩余容量的当前估计信息可被用于之后的电池状态估计。
SOH信息运算器453可通过使用通信接口460将电池410的剩余容量的估计信息发送到外部源(例如,ECU)。
图5是示出部分充电和放电的示例的示图。参照图5,曲线图500示出在部分充电和放电的过程中的电池状态变化。在曲线图500中,横轴表示时间,纵轴表示电池的电压电平、电流电平和温度水平。例如,在曲线图500中,当感测数据为电压数据(如虚线曲线510所示)时,纵轴可表示从2.7伏(V)至4.2V的电压;当感测数据为电流数据(如实线曲线520所示)时,纵轴可表示从-10安培(A)至3A的电流;当感测数据为温度数据(如点划线曲线530所示)时,纵轴可表示从10℃至30℃的温度。
如曲线图500所示,当电池被部分充电和放电时,电压数据、电流数据和温度数据中的每个的水平可在预定阈值水平内变化。例如,当感测数据为电压数据时,电压电平可在从2.7V(与完全放电的电平相应)至4.2V(与完全充电的电平相应)的范围内变化。
在一示例中,感测数据的水平变化模式可基于电池的SOH而改变。电池状态估计设备可基于预定时间间隔划分感测数据,并基于预定区间间隔从感测数据提取多个区间,从而识别感测数据的模式,其中,每个区间包括预定数量项的划分的感测数据。每个区间可按时间顺序被提取。
图6是示出区间的示例的示图。参照图6,曲线图600示出在部分充电和放电的过程中的电池状态变化。在曲线图600中,横轴表示时间,纵轴表示电池的电压电平、电流电平和温度水平。
基于预定时间间隔,电池状态估计设备划分由虚线曲线611所示的电压数据、由点划线曲线612所示的电流数据和由实线曲线613所示的温度数据。在此示例中,电池状态估计设备以100秒为间隔划分感测数据,例如,电压数据、电流数据和温度数据。电池状态估计设备可从作为起点的区间提取的时间点开始基于预定区间段按时间顺序提取多个区间,其中,每个区间包括预定数量项的划分的感测数据。
例如,当区间大小622为7,并且与预定区间段相应的区间间隔621为300秒时,电池状态估计设备从与区间提取的时间点相应的400秒的时间点623顺序提取区间。最先被电池状态估计设备提取的第一区间630包括被划分为与400秒的时间点至1000秒的时间点相应的7项感测数据。在此示例中,划分的感测数据包括与400秒的时间点、500秒的时间点、600秒的时间点、700秒的时间点、800秒的时间点、900秒的时间点和1000秒的时间点中的每个相应的感测值。此外,第二个被电池状态估计设备提取的第二区间640包括被划分为与700秒的时间点至1300秒的时间点相应的7项感测数据。在此示例中,划分的感测数据包括与700秒的时间点、800秒的时间点、900秒的时间点、1000秒的时间点、1100秒的时间点、1200秒的时间点和1300秒的时间点中的每个相应的感测值。由于与区间间隔621相应的感测数据的项数小于区间大小622,因此,第一区间630和第二区间640中的每个重复包括4项感测数据,例如,与700秒的时间点、800秒的时间点、900秒的时间点和1000秒的时间点相应的感测值。区间大小可基于电池状态估计设备的可计算性或包括电池状态估计设备的BMS的可计算性而被确定。虽然图6中的示例描述了区间大小为7,但这仅是一个示例,可使用其它区间大小。例如,区间大小可在1000秒与9000秒之间,或更具体地说,在3000秒与9000秒之间。
在一示例中,电池状态估计设备可在每个区间的结束点估计电池的状态。例如,电池状态估计设备在与第一区间630的结束点相应的1000秒的时间点基于第一区间630估计第一SOH信息631(SOHi-1)。此外,电池状态估计设备在与第二区间640的结束点相应的1300秒的时间点基于第二区间640估计第二SOH信息632(SOHi)。在一示例中,电池状态估计设备基于第一SOH信息631和第二区间640估计第二SOH信息632。经此,可在第二SOH信息632中减小误差。
图7A至图7C是示出区间向量的示例的示图。参照图7A至图7C,第一区间710被从电压数据提取,第二区间720被从电流数据提取,第三区间730被从温度数据提取。在一示例中,电池状态估计设备生成分别针对第一区间710、第二区间720和第三区间730的区间向量711、区间向量721和区间向量731。电池状态估计设备使用作为元素的与区间710、区间720和区间730的时间点相应的感测值生成区间向量711、区间向量721和区间向量731。例如,第一区间710包括7项电压数据,并具有分别与时间点t1、t2、t3、t4、t5、t6和t7相应的3.2V、2.8V、3.5V、3.9V、4.1V、3.8V和3.6V的感测值。在此示例中,电池状态估计设备生成包括分别作为元素V1、V2、V3、V4、V5、V6和V7的值3.2、2.8、3.5、3.9、4.1、3.8和3.6的第一区间向量711(V)。
在一示例中,电池状态估计设备可生成关于第一区间710、第二区间720和第三区间730的单个区间向量。例如,电池状态估计设备可分别将第一区间向量711、第二区间向量721和第三区间向量731转换为第一数据块、第二数据块和第三数据块。之后,电池状态估计设备可组合第一数据块、第二数据块和第三数据块,从而生成单个区间向量。
图8是示出估计SOH信息的示例的示图。参照图8,电池状态估计设备将区间向量810映射到PCA特征空间820。虽然图8示出单个区间向量(区间向量810),但是可根据示例提供多个区间向量。区间向量810可包括:例如,针对电压数据的区间向量、针对电流数据的区间向量和针对温度数据的区间向量。
电池状态估计设备将区间向量810投射到PCA基础矩阵,并将区间向量810映射到具有比区间向量810的维度低的维度的PCA特征空间820,从而将区间向量810转换为特征向量831。当区间向量810被转换为特征向量831时,可降低用于估计电池的状态的运算量,并可从区间向量810消除噪声。在一示例中,电池状态估计设备可从预处理设备获取PCA基础矩阵。
电池状态估计设备将特征向量831输入到学习模型840,并从学习模型840估计劣化模式,从而估计电池的剩余容量850(Ci)。学习模型可包括以下模型中的至少一种模型:NN模型、SVM模型和高斯过程回归模型。在一示例中,电池状态估计设备可将学习参数应用到学习模型840。例如,当学习模型840为NN模型时,从预处理设备获取的激活函数可被应用到NN模型。此外,电池状态估计设备可将电池的预估计剩余容量832(Ci-1)和特征向量831输入到学习模型840。经此,可在电池剩余容量估计的结果值中减小误差。电池状态估计设备可从电池的剩余容量850提取电池的SOH信息。
图9是示出估计电池的状态的用户界面910的示例的示图。参照图9,电池控制设备从外部源接收触发信号,并响应于触发信号而获取电池的感测数据。因此,虽然电池被部分充电,但是电池控制设备可实时估计电池的SOH信息。例如,当包括电池控制设备和电池的电动车辆(EV)的点火起动器被开启时,ECU在仪表盘上显示BMS的用户界面910。用户界面910包括被配置为生成触发信号的界面920。当用户选择界面920时,ECU将触发信号发送到电池控制设备。电池控制设备可基于预定时间间隔划分感测数据,从感测数据按时间顺序提取多个区间,并基于所述多个区间估计电池的SOH信息,其中,每个区间包括预定数量项的划分的感测数据。在一示例中,电池控制设备可将提取的SOH信息发送到ECU。ECU可显示从电池控制设备接收的SOH信息。
图10是示出提供电池1030的状态的用户界面1060的示例的示图。参照图10,EV1010包括电池系统1020。电池系统1020包括电池1030和电池控制设备1040。电池控制设备1040估计电池1030的SOH信息1061,并使用无线接口将电池1030的SOH信息1061发送到终端1050。
在一示例中,电池控制设备1040可获取电池1030的感测数据。电池控制设备1040可基于预定时间间隔划分感测数据,基于预定区间间隔从感测数据提取多个区间,并基于所述多个区间估计电池1030的SOH信息1061,其中,每个区间包括预定数量项的划分的感测数据。每个区间可按时间顺序被提取。在一示例中,电池控制设备1040可经由无线接口从终端1050接收触发信号。响应于触发信号,电池控制设备1040可估计电池1030的SOH信息1061。电池控制设备1040经由无线接口将估计的SOH信息1061发送到终端1050。终端1050使用用户界面1060显示接收的SOH信息1061。
图11是示出电池状态估计设备1110的另一示例的框图。参照图11,电池状态估计设备1110包括训练数据获取器1120、参数提取器1130、感测数据获取器1140和SOH信息估计器1150。
训练数据获取器1120获取电池的多项训练数据。在一示例中,训练数据获取器1120可获取单个电池的多项训练数据,或获取多个电池中的每个电池的多项训练数据。
参数提取器1130基于预定时间间隔划分每项训练数据。参数提取器1130基于预定训练区间间隔从每项训练数据提取多个训练区间,并基于所述多个训练区间提取用于估计电池的SOH信息的参数。所述多个训练区间中的每个可包括预定数量项的划分的训练数据,并可按时间顺序被提取。
感测数据获取器1140获取电池的感测数据。
SOH信息估计器1150基于预定时间间隔划分感测数据。SOH信息估计器1150基于预定区间间隔从感测数据提取多个区间。所述多个区间中的每个可包括预定数量项的划分的感测数据,并可按时间顺序被提取。在一示例中,划分的感测数据的项数可与包括在训练区间中的划分的训练数据的项数相同。此外,预定区间间隔可与预定训练区间间隔相同。
由于参照图1至图10提供的描述也适用于图11的电池状态估计设备1110,因此为了更加清楚和简洁,将省略关于图11的电池状态估计设备1110的详细描述。
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,电池状态估计设备获取电池的感测数据。
在操作1220,电池状态估计设备基于预定时间间隔划分感测数据。
在操作1230,电池状态估计设备基于预定区间间隔从感测数据按时间顺序提取多个区间,其中,每个区间包括预定数量项的划分的感测数据。
在操作1240,电池状态估计设备基于所述多个区间估计电池的SOH信息。
由于参照图1至图11提供的描述也适用于图12的电池状态估计方法,因此为了更加清楚和简洁,将省略关于图12的电池状态估计方法的详细描述。
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,预处理设备获取电池的多项训练数据。
在操作1320,预处理设备基于预定时间间隔划分每项训练数据。
在操作1330,预处理设备基于预定训练区间间隔从训练数据按时间顺序提取多个训练区间,每个训练区间包括预定数量项的划分的训练数据。
在操作1340,预处理设备基于所述多个训练区间提取用于估计电池的SOH信息的参数。
由于参照图1至图11提供的描述也适用于图13中的估计电池的状态的预处理方法,因此为了更加清楚和简洁,将省略关于图13中的估计电池的状态的预处理方法的详细描述。
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,电池状态估计设备获取电池的多项训练数据。
在操作1420,电池状态估计设备基于预定时间间隔划分每项训练数据,基于预定训练区间间隔从训练数据提取多个训练区间,并基于所述多个训练区间提取用于估计电池的SOH信息的参数,其中,每个训练区间包括预定数量项的划分的训练数据。在操作1420,电池状态估计设备可按时间顺序提取每个训练区间。
在操作1430,电池状态估计设备获取电池的感测数据。
在操作1440,电池状态估计设备基于预定时间间隔划分感测数据,基于预定区间间隔从感测数据提取多个区间,并基于所述多个区间使用提取的参数估计电池的SOH信息,其中,每个区间包括预定数量项的划分的感测数据。在操作1440,电池状态估计设备可按时间顺序提取每个区间。
由于参照图1至图11提供的描述也适用于图14的电池状态估计方法,因此为了更加清楚和简洁,将省略关于图14的电池状态估计方法的详细描述。
以上描述的各种单元、模块、元件和方法可使用一个或更多个硬件组件或者一个或更多个硬件组件和一个或更多个软件组件的组合被实施。
硬件组件可以是例如,物理上执行一个或更多个操作的物理装置,但不限于此。硬件组件的示例包括:麦克风、放大器、低通滤波器、高通滤波器、带通滤波器、模数转换器、数模转换器和处理装置。
软件组件可通过例如由软件或指令控制的以执行一个或更多个操作的处理装置被实施,但不限于此。计算机、控制器或其它控制装置可使处理装置运行软件或执行指令。一个软件组件可通过一个处理装置被实施,或者两个或更多个软件组件可通过一个处理装置被实施,或者一个软件组件可通过两个或更多个处理装置被实施,或者两个或更多个软件组件可通过两个或更多个处理装置被实施。
例如,处理装置可使用一个或更多个通用或专用计算机(例如,处理器、控制器和算术逻辑单元)、数字信号处理器、微型计算机、现场可编程阵列、可编程逻辑单元、微处理器或任何其它能够运行软件或执行指令的装置被实现。处理装置可运行操作系统(OS),并可运行在OS下操作的一个或更多个软件应用。处理装置在运行软件或执行指令时,可访问、存储、操作、处理并生成数据。为简单起见,可在描述中使用单数术语“处理装置”,但本领域普通技术人员将理解处理装置可包括多个处理元件及多种类型的处理元件。例如,处理装置可包括一个或更多个处理器,或者一个或更多个处理器和一个或更多个控制器。此外,诸如并行处理器或多核处理器的不同处理配置是可行的。
被配置为实施软件组件以执行操作A的处理装置可包括:被编程为运行软件或执行指令以控制处理器执行操作A的处理器。此外,被配置为实施软件组件以执行操作A、操作B和操作C的处理装置可具有各种配置,例如,被配置为实施软件组件以执行操作A、操作B和操作C的处理器;被配置为实施软件组件以执行操作A的第一处理器,被配置为实施软件组件以执行操作B和操作C的第二处理器;被配置为实施软件组件以执行操作A和操作B的第一处理器,被配置为实施软件组件以执行操作C的第二处理器;被配置为实施软件组件以执行操作A的第一处理器,被配置为实施软件组件以执行操作B的第二处理器,被配置为实施软件组件以执行操作C的第三处理器;被配置为实施软件组件以执行操作A、操作B和操作C的第一处理器,被配置为实施软件组件以执行操作A、操作B和操作C的第二处理器,或者一个或更多个均实施操作A、操作B和操作C中的一个或更多个操作的处理器的任何其它配置。虽然这些示例提到三个操作A、B、C,但可实施的操作的数量不限于此,而可以是任意数量的实现期望结果或执行期望任务所需的操作。
用于控制处理装置实施软件组件的软件或指令可包括用于独立或共同地指示或配置处理装置执行一个或更多个期望的操作的计算机程序、代码段、指令或它们的一些组合。软件或指令可包括可由处理装置直接运行的机器代码(例如,由编译器生成的机器代码)和/或可由处理装置使用解释器运行的更高级代码。软件或指令和任何关联数据、数据文件和数据结构可以以机器、组件、物理或虚拟设备、计算机存储介质或装置、或能够向处理装置提供指令或数据或者能够被处理装置解释的传播信号波中的任何类型被永久或暂时地实施。软件或指令和任何关联数据、数据文件和数据结构还可分布在网络连接的计算机系统中,从而软件或指令和任何关联数据、数据文件和数据结构以分散方式被存储和执行。
例如,软件或指令和任何关联数据、数据文件和数据结构可被记录、存储或固定在一个或更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可以是能够存储软件或指令和任何关联数据、数据文件和数据结构的任何数据存储装置,从而软件或指令和任何关联数据、数据文件和数据结构可被计算机系统或处理装置读取。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-RLTH、BD-RE、磁带、软盘、磁光数据存储装置、光数据存储装置、硬盘、固态盘或本领域普通技术人员已知的任何其它非暂时性计算机可读存储介质。
用于实施在此公开的示例的功能性程序、代码和代码段可由示例所属领域的编程技术人员基于在此提供的附图和它们的相应描述而容易地构造。
例如,仅作为非详尽的说明,在此描述的终端可指这样的移动装置:例如,蜂窝电话、智能电话、可穿戴智能装置(诸如,例如,戒指、手表、眼镜、手链、脚链、腰带、项链、耳饰、头带、头盔、嵌入在衣服中的装置等)、个人计算机(PC)、平板个人计算机(tablet)、平板手机、个人数字助理(PDA)、数码相机、便携式游戏机、MP3播放器、便携式/个人多媒体播放器(PMP)、手持电子书、超便携移动个人计算机(UMPC)、便携式膝上型PC、全球定位系统(GPS)导航和诸如高清电视(HDTV)、光盘播放器、DVD播放器、蓝光播放器、机顶盒的装置,或与在此公开一致的能够进行无线通信或网络通信的任何其它装置。在一非详尽示例中,例如,可穿戴装置可自行安装在用户的身体上,例如,眼镜或手链。在另一非详尽示例中,例如,可穿戴装置可通过附着装置安装在用户的身体上,例如,使用臂带将智能电话或平板附着于用户的手臂,或使用挂带将可穿戴装置悬挂于用户的颈部。
虽然本公开包括特定示例,但是,本领域的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情况下,可在这些示例中在形式和细节上进行各种改变。在此描述的示例应仅被考虑为描述性意义,而不是为了限制的目的。每个示例中的特征或方面的描述应被视为可应用于其它示例中的类似的特征或方面。如果以不同的顺序执行所描述的技术和/或如果所描述的系统、架构、装置或电路中的组件以不同的方式来组合和/或由其它组件或他们的等同物来替换或补充,则可获得合适的结果。因此,本公开的范围不是由具体实施方式限定,而是由权利要求及其等同物限定,并且在权利要求及其等同物的范围内的所有变化应被解释为包括在本公开中。
Claims (23)
1.一种电池状态估计设备,包括:
感测数据获取器,被配置为获取电池的感测数据;
健康状态信息估计器,被配置为:
基于预定时间间隔划分感测数据,
提取包括预定数量的划分的感测数据的区间,
基于所述区间估计电池的健康状态信息。
2.如权利要求1所述的电池状态估计设备,其中,感测数据包括由被配置为感测电池的传感器感测的电池的电压数据、电流数据、温度数据、压力数据和湿度数据中的任意一种数据或任意组合。
3.如权利要求1所述的电池状态估计设备,其中,感测数据获取器被配置为:
基于更新周期来更新感测数据。
4.如权利要求1所述的电池状态估计设备,其中,感测数据获取器被配置为:
基于从外部源接收的控制信号获取感测数据。
5.如权利要求1所述的电池状态估计设备,其中,健康状态信息估计器被配置为:
基于包括在所述区间中的划分的感测数据生成区间向量。
6.如权利要求5所述的电池状态估计设备,其中,健康状态信息估计器被配置为:
当感测数据包括多项感测数据时,生成针对每项感测数据的区间向量。
7.如权利要求5所述的电池状态估计设备,其中,健康状态信息估计器被配置为:
基于预定映射参数将区间向量映射到维度低于区间向量的维度的特征空间;
将映射的区间向量转换为具有与特征空间的维度相等的维度的特征向量。
8.如权利要求7所述的电池状态估计设备,其中,健康状态信息估计器被配置为:
将特征向量和预定学习参数应用到预定学习模型以估计电池的剩余容量;
基于电池的剩余容量估计电池的健康状态信息。
9.如权利要求8所述的电池状态估计设备,其中,健康状态信息估计器还被配置为:
将特征向量、电池的预估计剩余容量和预定学习参数应用到预定学习模型以估计电池的剩余容量。
10.如权利要求8所述的电池状态估计设备,其中,健康状态信息估计器被配置为:
从外部源获取所述预定映射参数和所述预定学习参数中的一种参数或两种参数。
11.如权利要求1所述的电池状态估计设备,其中,所述区间的大小在1000秒与9000秒之间。
12.如权利要求11所述的电池状态估计设备,其中,所述区间的大小在3000秒与9000秒之间。
13.如权利要求1所述的电池状态估计设备,其中,健康状态信息估计器被配置为:从电池的电压数据、电流数据、温度数据、压力数据和湿度数据中的两种数据或更多种数据提取所述区间。
14.一种电池状态估计设备,包括:
感测数据获取器,被配置为获取电池的感测数据;
健康状态信息估计器,被配置为周期性地估计电池的健康状态信息,并基于通过处理感测数据生成的处理数据和在之前周期中估计的电池的之前健康状态信息来执行所述估计。
15.如权利要求14所述的电池状态估计设备,还包括:缓存器,被配置为存储所述之前健康状态信息。
16.如权利要求14所述的电池状态估计设备,其中,所述处理数据包括以下项中的任意一个或任意组合:基于预定时间间隔将感测数据进行划分的划分的感测数据、包括预定数量的划分的感测数据的区间、基于包括在区间中的划分的感测数据生成的区间向量和区间向量被转换成的特征向量。
17.如权利要求16所述的电池状态估计设备,其中,健康状态信息估计器被配置为:基于健康状态信息的估计周期生成所述区间。
18.如权利要求14所述的电池状态估计设备,其中,健康状态信息估计器被配置为:将所述之前健康状态信息和所述处理数据应用到学习模型,并基于应用的结果估计电池的健康状态信息。
19.一种电池状态估计方法,包括:
获取电池的感测数据;
基于预定时间间隔划分感测数据;
提取包括预定数量的划分的感测数据的区间;
基于所述区间估计电池的健康状态(SOH)信息。
20.一种电池状态估计设备,包括:
处理器,被配置为:
基于预定时间间隔划分电池的感测数据;
提取包括预定数量的划分的感测数据的区间;
基于所述区间估计电池的剩余容量。
21.如权利要求20所述的电池状态估计设备,其中,处理器被配置为:
生成包含包括在所述区间中的预定数量的划分的感测数据的向量;
基于所述向量估计剩余容量。
22.如权利要求20所述的电池状态估计设备,其中,处理器被配置为:
在电池的部分充电或放电期间估计电池的剩余容量。
23.如权利要求20所述的电池状态估计设备,其中,处理器被配置为:
还基于电池的预估计剩余容量估计电池的剩余容量。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140097153A KR102241683B1 (ko) | 2014-07-30 | 2014-07-30 | 배터리의 상태를 추정하는 방법 및 장치 |
KR10-2014-0097153 | 2014-07-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105319512A true CN105319512A (zh) | 2016-02-10 |
CN105319512B CN105319512B (zh) | 2020-06-23 |
Family
ID=53758077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510430444.3A Active CN105319512B (zh) | 2014-07-30 | 2015-07-21 | 用于估计电池的状态的方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9897664B2 (zh) |
EP (1) | EP2980596B1 (zh) |
KR (1) | KR102241683B1 (zh) |
CN (1) | CN105319512B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132489A (zh) * | 2017-06-30 | 2017-09-05 | 浙江绿源电动车有限公司 | 电池容量检测方法、车辆状态判断方法、电池组及电动车 |
CN107230288A (zh) * | 2017-05-24 | 2017-10-03 | 苏州我要亲点电子科技有限公司 | 一种新型的智能充电桩 |
CN108009585A (zh) * | 2017-12-01 | 2018-05-08 | 国网山东省电力公司信息通信公司 | 基于局部信息融合的铅酸电池健康状态预测方法 |
CN108333519A (zh) * | 2017-01-17 | 2018-07-27 | 三星电子株式会社 | 用于估计电池状态的方法和装置 |
CN109425836A (zh) * | 2017-08-17 | 2019-03-05 | 三星电子株式会社 | 用于估计电池的状态的方法和装置 |
CN109934955A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电模式识别方法、装置、终端设备及存储介质 |
CN110007247A (zh) * | 2017-12-18 | 2019-07-12 | 三星电子株式会社 | 用于估计电池的状态的方法和装置 |
CN110673050A (zh) * | 2018-07-03 | 2020-01-10 | 法国电力公司 | 评估电池健康状态的方法 |
CN111044908A (zh) * | 2019-12-24 | 2020-04-21 | 苏州正力新能源科技有限公司 | 一种基于微片段数据和电压滤波的ocv在线计算方法 |
CN111289899A (zh) * | 2018-12-07 | 2020-06-16 | 通用汽车环球科技运作有限责任公司 | 使用具有分辨时间常数的高频经验模型进行电池状态估计 |
CN111562506A (zh) * | 2019-02-13 | 2020-08-21 | 丰田自动车株式会社 | 车辆、信息终端及车辆的控制方法 |
CN112269137A (zh) * | 2020-10-19 | 2021-01-26 | 中山大学 | 一种基于动态参数识别的电池健康状态估算方法 |
CN114002604A (zh) * | 2016-02-04 | 2022-02-01 | Cps科技控股有限公司 | 用于可再充电电池的荷电状态和容量估计的系统和方法 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125290A1 (en) * | 2014-10-30 | 2016-05-05 | Microsoft Technology Licensing, Llc | Combined discrete and incremental optimization in generating actionable outputs |
KR102574257B1 (ko) | 2015-10-30 | 2023-09-01 | 삼성전자주식회사 | Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법 |
KR102527334B1 (ko) * | 2015-11-24 | 2023-05-02 | 삼성전자주식회사 | 배터리 관리 장치 및 방법 |
KR102553031B1 (ko) * | 2016-01-14 | 2023-07-06 | 삼성전자주식회사 | 배터리의 상태 추정 장치 및 방법 |
KR102470882B1 (ko) * | 2016-03-31 | 2022-11-25 | 에스케이온 주식회사 | 단위배터리 모듈 및 배터리 셀의 열화도 산출방법 |
US10317939B2 (en) * | 2016-04-26 | 2019-06-11 | Westunitis Co., Ltd. | Neckband type computer |
US10324135B2 (en) * | 2016-06-06 | 2019-06-18 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for data-driven battery state of charge (SoC) estimation |
GB2556076B (en) * | 2016-11-17 | 2022-02-23 | Bboxx Ltd | Method |
KR101952017B1 (ko) * | 2017-05-31 | 2019-04-29 | 박태성 | 배터리의 성능 회복 장치 |
RU2682596C1 (ru) * | 2017-12-26 | 2019-03-19 | Павел Владимирович Хрулёв | Устройство контроля и управления техническим состоянием аккумуляторных батарей |
KR102291133B1 (ko) * | 2018-03-07 | 2021-08-20 | 주식회사 엘지화학 | 배터리 수명 예측 장치 및 방법 |
JP7217277B2 (ja) * | 2018-07-31 | 2023-02-02 | 本田技研工業株式会社 | 推定システム、推定装置、推定方法、プログラム、及び記憶媒体 |
KR20200033554A (ko) | 2018-09-20 | 2020-03-30 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
CN109633448B (zh) * | 2018-11-19 | 2022-01-25 | 深圳智链物联科技有限公司 | 识别电池健康状态的方法、装置和终端设备 |
JP7200762B2 (ja) * | 2019-03-12 | 2023-01-10 | トヨタ自動車株式会社 | 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム |
US20220179007A1 (en) * | 2019-04-02 | 2022-06-09 | Semiconductor Energy Laboratory Co., Ltd. | Method of estimating state of charge of secondary battery, system for estimating state of charge of secondary battery, and method of detecting anomaly of secondary battery |
CN110095732B (zh) * | 2019-05-23 | 2021-07-20 | 合肥工业大学智能制造技术研究院 | 一种考虑环境湿度对内阻影响的锂电池soh估计方法 |
KR102335180B1 (ko) * | 2019-07-02 | 2021-12-03 | 성균관대학교산학협력단 | 배터리의 노화 상태 추정 장치 및 방법 |
KR20210028476A (ko) * | 2019-09-04 | 2021-03-12 | 삼성전자주식회사 | 배터리 충전 장치 및 방법 |
US11995998B2 (en) * | 2020-05-15 | 2024-05-28 | Hrl Laboratories, Llc | Neural network-based system for flight condition analysis and communication |
US11555859B2 (en) | 2020-09-10 | 2023-01-17 | Toyota Research Institute, Inc. | Vehicle battery analysis system |
DE102020215201A1 (de) * | 2020-12-02 | 2022-06-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät |
CN112684363A (zh) * | 2020-12-18 | 2021-04-20 | 北京工业大学 | 一种基于放电过程的锂离子电池健康状态估计方法 |
KR20220126469A (ko) | 2021-03-09 | 2022-09-16 | (주)맥솔루션 | 배터리 모듈, 배터리 시스템 및 이를 이용한 배터리 상태 모니터링 방법 |
KR102634373B1 (ko) * | 2021-03-17 | 2024-02-06 | 성균관대학교산학협력단 | 배터리의 이상징후 검출 방법 |
KR102319706B1 (ko) * | 2021-04-07 | 2021-11-16 | 비케이엠주식회사 | 연료전지 스택을 센서로 이용하는 연료전지 시스템용 이상 진단 장치 및 그것의 이상 진단 방법 |
CN113049976B (zh) * | 2021-04-27 | 2022-07-29 | 武汉理工大学 | 一种车辆电池健康状态评估方法及系统 |
CN113406521B (zh) * | 2021-06-11 | 2023-04-28 | 上海电力大学 | 一种基于特征分析的锂电池健康状态在线估计方法 |
KR20240019650A (ko) * | 2022-08-04 | 2024-02-14 | 주식회사 엘지에너지솔루션 | 배터리 관리 장치 및 그것의 동작 방법 |
KR20240043846A (ko) * | 2022-09-27 | 2024-04-04 | 주식회사 엘지에너지솔루션 | 배터리 진단 장치, 배터리 진단 방법, 배터리 팩 및 자동차 |
WO2024105837A1 (ja) * | 2022-11-17 | 2024-05-23 | 恒林日本株式会社 | 機械学習モデル生成装置、及び蓄電池の特性値算出装置 |
KR102555755B1 (ko) * | 2023-03-02 | 2023-07-14 | 주식회사 로진이엔지 | 배터리 상태 모니터링을 위한 방법 및 시스템 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070252600A1 (en) * | 2006-04-27 | 2007-11-01 | Ablerex Electronics Co., Ltd. | Diagnosis method for state-of-health of batteries |
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
CN103267950A (zh) * | 2012-12-14 | 2013-08-28 | 惠州市亿能电子有限公司 | 一种电动汽车电池组soh值评估方法 |
CN103311585A (zh) * | 2012-03-15 | 2013-09-18 | 凹凸电子(武汉)有限公司 | 电池健康管理系统和方法 |
CN103492893A (zh) * | 2011-04-25 | 2014-01-01 | 株式会社Lg化学 | 用于估计电池容量的劣化的设备和方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005059579A1 (en) * | 2003-12-18 | 2005-06-30 | Lg Chem, Ltd. | Apparatus and method for estimating state of charge of battery using neural network |
JP4623448B2 (ja) * | 2005-04-20 | 2011-02-02 | 株式会社デンソー | 二次電池の残存容量演算方法 |
JP4864383B2 (ja) | 2005-08-24 | 2012-02-01 | 富士重工業株式会社 | 蓄電デバイスの劣化状態推定装置 |
KR100911316B1 (ko) | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
US8258751B2 (en) | 2007-11-15 | 2012-09-04 | Broadcom Corporation | Method and system for tracking battery state-of-health based on charging information |
US8972213B2 (en) * | 2008-06-27 | 2015-03-03 | GM Global Technology Operations LLC | Pattern recognition approach to battery diagnosis and prognosis |
JP5297751B2 (ja) | 2008-10-03 | 2013-09-25 | 株式会社日立製作所 | 電源制御装置、車両走行制御システム及び蓄電池劣化状態検知方法 |
US8417472B2 (en) | 2008-12-19 | 2013-04-09 | 02Micro Inc. | Synchronized data sampling systems and methods |
KR101232786B1 (ko) | 2009-12-30 | 2013-02-13 | 주식회사 엘지화학 | 배터리 팩 관리 장치 및 방법 |
KR101399388B1 (ko) | 2010-01-18 | 2014-05-27 | 에스케이이노베이션 주식회사 | 배터리의 수명 예측 장치 및 방법 |
US20130069660A1 (en) | 2010-02-17 | 2013-03-21 | Julien Bernard | Method for in situ battery diagnostic by electrochemical impedance spectroscopy |
KR101498761B1 (ko) | 2012-02-02 | 2015-03-04 | 주식회사 엘지화학 | 배터리의 수명 예측 방법 및 장치, 이를 이용한 배터리 관리 시스템 |
JP2014059270A (ja) * | 2012-09-19 | 2014-04-03 | Toshiba Corp | 蓄電池診断装置およびその方法 |
JP2014063693A (ja) | 2012-09-24 | 2014-04-10 | Toshiba Corp | 二次電池装置および電池容量推定システム |
-
2014
- 2014-07-30 KR KR1020140097153A patent/KR102241683B1/ko active IP Right Grant
-
2015
- 2015-05-22 US US14/719,551 patent/US9897664B2/en active Active
- 2015-07-21 CN CN201510430444.3A patent/CN105319512B/zh active Active
- 2015-07-24 EP EP15178250.5A patent/EP2980596B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070252600A1 (en) * | 2006-04-27 | 2007-11-01 | Ablerex Electronics Co., Ltd. | Diagnosis method for state-of-health of batteries |
CN102749585A (zh) * | 2011-04-21 | 2012-10-24 | 李昌 | 一种基于多层支持向量机的蓄电池在线监测方法 |
CN103492893A (zh) * | 2011-04-25 | 2014-01-01 | 株式会社Lg化学 | 用于估计电池容量的劣化的设备和方法 |
CN103311585A (zh) * | 2012-03-15 | 2013-09-18 | 凹凸电子(武汉)有限公司 | 电池健康管理系统和方法 |
CN103267950A (zh) * | 2012-12-14 | 2013-08-28 | 惠州市亿能电子有限公司 | 一种电动汽车电池组soh值评估方法 |
Non-Patent Citations (1)
Title |
---|
豆金昌: "锂离子电池健康评估及剩余使用寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002604A (zh) * | 2016-02-04 | 2022-02-01 | Cps科技控股有限公司 | 用于可再充电电池的荷电状态和容量估计的系统和方法 |
CN108333519A (zh) * | 2017-01-17 | 2018-07-27 | 三星电子株式会社 | 用于估计电池状态的方法和装置 |
CN108333519B (zh) * | 2017-01-17 | 2022-09-13 | 三星电子株式会社 | 用于估计电池状态的方法和装置 |
CN107230288A (zh) * | 2017-05-24 | 2017-10-03 | 苏州我要亲点电子科技有限公司 | 一种新型的智能充电桩 |
CN107132489A (zh) * | 2017-06-30 | 2017-09-05 | 浙江绿源电动车有限公司 | 电池容量检测方法、车辆状态判断方法、电池组及电动车 |
CN107132489B (zh) * | 2017-06-30 | 2021-01-05 | 浙江绿源电动车有限公司 | 电池容量检测方法、车辆状态判断方法、电池组及电动车 |
CN109425836A (zh) * | 2017-08-17 | 2019-03-05 | 三星电子株式会社 | 用于估计电池的状态的方法和装置 |
CN108009585A (zh) * | 2017-12-01 | 2018-05-08 | 国网山东省电力公司信息通信公司 | 基于局部信息融合的铅酸电池健康状态预测方法 |
CN108009585B (zh) * | 2017-12-01 | 2020-09-04 | 国网山东省电力公司信息通信公司 | 基于局部信息融合的铅酸电池健康状态预测方法 |
CN110007247A (zh) * | 2017-12-18 | 2019-07-12 | 三星电子株式会社 | 用于估计电池的状态的方法和装置 |
CN110007247B (zh) * | 2017-12-18 | 2023-05-02 | 三星电子株式会社 | 用于估计电池的状态的方法和装置 |
CN110673050A (zh) * | 2018-07-03 | 2020-01-10 | 法国电力公司 | 评估电池健康状态的方法 |
CN110673050B (zh) * | 2018-07-03 | 2021-11-30 | 法国电力公司 | 评估电池健康状态的方法 |
CN111289899A (zh) * | 2018-12-07 | 2020-06-16 | 通用汽车环球科技运作有限责任公司 | 使用具有分辨时间常数的高频经验模型进行电池状态估计 |
CN111289899B (zh) * | 2018-12-07 | 2022-05-27 | 通用汽车环球科技运作有限责任公司 | 使用具有分辨时间常数的高频经验模型进行电池状态估计 |
CN111562506A (zh) * | 2019-02-13 | 2020-08-21 | 丰田自动车株式会社 | 车辆、信息终端及车辆的控制方法 |
CN109934955A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电模式识别方法、装置、终端设备及存储介质 |
CN111044908B (zh) * | 2019-12-24 | 2022-06-14 | 苏州正力新能源科技有限公司 | 一种基于微片段数据和电压滤波的ocv在线计算方法 |
CN111044908A (zh) * | 2019-12-24 | 2020-04-21 | 苏州正力新能源科技有限公司 | 一种基于微片段数据和电压滤波的ocv在线计算方法 |
CN112269137A (zh) * | 2020-10-19 | 2021-01-26 | 中山大学 | 一种基于动态参数识别的电池健康状态估算方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20160014940A (ko) | 2016-02-12 |
EP2980596A1 (en) | 2016-02-03 |
US20160033582A1 (en) | 2016-02-04 |
KR102241683B1 (ko) | 2021-04-19 |
US9897664B2 (en) | 2018-02-20 |
EP2980596B1 (en) | 2024-05-15 |
CN105319512B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105319512A (zh) | 用于估计电池的状态的方法和设备 | |
CN105277891B (zh) | 用于估计电池的状态的方法和设备 | |
KR102343967B1 (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
Tian et al. | Deep neural network battery charging curve prediction using 30 points collected in 10 min | |
CN105807227A (zh) | 估计电池状态的方法和设备 | |
US11988721B2 (en) | Systems and methods for determining vehicle battery health | |
US10663522B2 (en) | Apparatus and method for estimating state of health (SOH) of battery, and apparatus and method for generating SOH estimation model | |
US10527678B2 (en) | Apparatus and method for estimating state of battery using battery degradation models | |
KR102225667B1 (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
WO2017213061A1 (en) | Method and system for estimating state of charge of a battery using gaussian process regression | |
Sesidhar et al. | A review on data-driven SOC estimation with Li-Ion batteries: Implementation methods & future aspirations | |
US11084387B2 (en) | Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack | |
EP4270033A1 (en) | Method and apparatus for estimating state of health of battery | |
Mazzi et al. | State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units | |
Shichun et al. | All-climate state-of-charge estimation and equilibrium management for lithium-ion batteries based on diffusion equivalent model | |
Yin et al. | Remaining useful life prognostics for lithium-ion battery based on Gaussian processing regression combined with the empirical model | |
CN114881316B (zh) | 锂电池剩余寿命预测方法、系统、终端设备及存储介质 | |
CN116298920A (zh) | 电源管理系统的量产文件生成方法、装置及电子设备 | |
CN115291113A (zh) | 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统 | |
Beechu | Development of Lithium Ion Battery Dynamic Model | |
Beechu | Development of Lithium Ion Battery Dynamic Model: Development of Lithium Ion BatteryDynamic Model | |
Kumari et al. | Hybrid optimized deep learning approach for prediction of battery state of charge, state of health and state of temperature | |
von Unwerth | Development of Lithium Ion Battery Dynamic Model |
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 |