CN105807227A - 估计电池状态的方法和设备 - Google Patents

估计电池状态的方法和设备 Download PDF

Info

Publication number
CN105807227A
CN105807227A CN201510745096.9A CN201510745096A CN105807227A CN 105807227 A CN105807227 A CN 105807227A CN 201510745096 A CN201510745096 A CN 201510745096A CN 105807227 A CN105807227 A CN 105807227A
Authority
CN
China
Prior art keywords
battery
battery life
cycle
pressure pattern
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510745096.9A
Other languages
English (en)
Other versions
CN105807227B (zh
Inventor
柳凯员
朴相度
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN105807227A publication Critical patent/CN105807227A/zh
Application granted granted Critical
Publication of CN105807227B publication Critical patent/CN105807227B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

提供一种估计电池状态的方法和设备。电池寿命估计设备可获取电池的感测数据，可从感测数据提取表示电池状态基于施加到电池的压力而改变的压力模式，并可基于压力模式估计电池寿命。

Description

估计电池状态的方法和设备
本申请要求于2015年1月21日提交到韩国知识产权局的第10-2015-0010058号韩国专利申请的权益，所述韩国专利申请的全部公开出于所有目的通过引用包含于此。
技术领域
以下描述涉及一种估计电池状态的方法和设备。
背景技术
随着环境问题和能源问题变得更重要，电动车辆(EV)成为未来车辆的焦点。EV可不排放废气，并且相比于基于汽油的车辆可产生较少的噪声。在这种EV中，电池可以以具有多个可再充电和放电的二次电池的单个包的形式形成并且甚至可被用作EV的主要动力源。
因此，在这种EV中，电池可作为用于以汽油为动力的车辆的发动机的燃料箱工作。因此，为了增强EV的用户的安全性，检查电池状态会是重要的。
近来，正在进行研究以在更精确地监视电池状态的同时提高用户的便利性。
发明内容
提供该发明内容以按照简化形式介绍对以下在具体实施方式中进一步描述的构思的选择。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，该发明内容也不意图用作帮助确定要求保护的主题的范围。
一个或更多个实施例提供一种电池寿命估计设备，包括：压力模式提取器，被配置为使用至少一个处理装置从针对电池获取的感测数据提取压力模式，压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在感测数据中表示的不同压力进行分类；寿命估计器，被配置为使用至少一个处理装置基于被表征的压力模式估计电池寿命。
所述电池寿命估计设备还可包括传感器系统，所述传感器系统包括用于测量电池的感测数据的多个传感器，感测数据是对电池的物理属性的实时测量。
寿命估计器可通过将作为分类的不同压力的特征数据提供给应用了学习参数的学习器，来实时估计电池寿命，其中，学习参数是对之前时间的电池训练感测数据进行预先训练得到的。
感测数据可包括以下项中的至少一个：从被配置为测量电池的相应属性的各个传感器感测的电池的电压数据、电流数据和温度数据。
压力模式提取器可被配置为使用雨流计数方案从感测数据提取压力模式，压力模式可表示多个周期，所述多个周期分别表示感测数据的值随时间的改变。
压力模式提取器可被配置为通过从确定的参数的多个水平提取所述多个周期中的每个周期的水平来执行分类，并被配置为基于每个水平产生表示压力模式的特征的特征数据。
压力模式提取器可被配置为通过基于确定的所述多个周期中的与所述多个水平中的每个对应的周期的数量产生特征数据来执行分类。
确定的参数可包括所述多个周期中的每个周期的偏移、幅度和时间段中的至少一个。
压力模式提取器可被配置为创建多个组合参数，并被配置为通过基于确定的所述多个周期中的其确定的参数与所述多个组合参数中的每个对应的周期的数量产生特征数据来执行分类，其中，每个组合参数表示针对周期确定的多个参数中的每个参数的各个水平。
压力模式提取器可被配置为通过将不同权重施加于所述多个周期中的不同周期模式来确定周期的数量。所述不同周期模式可包括完整周期模式和半周期模式。
所述电池寿命估计设备还可包括：维度变换器，被配置为降低特征数据的维度，其中，寿命估计器被配置为通过将具有降低的维度的特征数据输入到应用了预定学习参数的预定学习器来估计电池寿命。
压力模式提取器可被配置为在预定时间段产生特征数据，从而针对多个预定时间段产生特征数据。
寿命估计器可被配置为通过将特征数据输入到应用了预定学习参数的预定学习器来估计电池寿命。
所述电池寿命估计设备可包括通信接口，其中，寿命估计器被配置为使用通信接口从外部设备接收预定学习参数，并被配置为将接收的学习参数应用于预定学习器。
所述电池寿命估计设备可包括：存储器，被配置为预先存储预定学习参数，其中，寿命估计器被配置为从存储器获得预定学习参数，并将获得的预定学习参数应用于预定学习器。
寿命估计器可通过将作为分类的不同压力的特征数据提供给应用了学习参数的学习器，来实时估计电池寿命，其中，学习参数是对之前时间的电池训练感测数据进行训练得到的，其中，寿命估计设备还可包括：训练数据获取器，被配置为在所述之前时间获取电池的电池训练感测数据；训练压力模式提取器，被配置为使用至少一个处理装置从电池训练感测数据提取训练压力模式，训练压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在训练数据中表示的不同压力进行分类；学习参数确定器，被配置为使用至少一个处理装置基于被表征的训练压力模式确定学习参数。
一个或更多个实施例提供一种电池寿命估计设备，包括：训练压力模式提取器，被配置为使用至少一个处理装置从电池的训练数据提取训练压力模式，训练压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在训练数据中表示的不同压力进行分类；学习参数确定器，被配置为使用至少一个处理装置基于被表征的训练压力模式确定学习参数，学习参数被确定用于估计电池寿命。
训练数据可从对电池的物理属性的之前测量得到。
训练压力模式提取器可被配置为使用雨流计数方案从训练数据提取训练压力模式，训练压力模式可表示多个周期，所述多个周期分别表示训练数据的值随时间的改变。
训练压力模式提取器可被配置为通过从确定的参数的多个水平提取所述多个周期中的每个周期的水平来执行分类，并被配置为基于确定的所述多个周期中的与所述多个水平中的每个对应的周期的数量来产生特征数据，使得特征数据表示训练压力模式的特征。
确定的参数可包括所述多个周期中的每个周期的偏移、幅度和时间段中的至少一个。
训练压力模式提取器可被配置为创建多个组合参数，并被配置为通过基于确定的所述多个周期中的其确定的参数与所述多个组合参数中的每个对应的周期的数量产生特征数据来执行分类，其中，每个组合参数表示针对周期确定的多个参数中的每个参数的各个水平。
学习参数确定器可被配置为通过将特征数据输入到预定学习器来提取学习参数。
所述电池寿命估计设备可包括通信接口，其中，学习参数确定器被配置为使用通信接口将提取的学习参数发送到外部设备。
所述电池寿命估计设备可包括存储器，其中，学习参数确定器被配置为将提取的学习参数存储在存储器中
一个或更多个实施例提供一种电池寿命估计设备，包括：压力模式提取器，被配置为使用至少一个处理装置从获取的电池的感测数据产生对电池的不同压力进行分类的特征数据；寿命估计器，被配置为使用至少一个处理装置基于特征数据估计并输出电池寿命。
一个或更多个实施例提供一种电池寿命估计方法，包括：获取电池的物理属性的感测数据；使用至少一个处理装置从感测数据提取压力模式，压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在感测数据中表示的不同压力进行分类；基于分类的压力模式估计电池寿命。
一个或更多个实施例提供一种电池寿命估计方法，包括：获取电池的物理属性的训练数据；使用至少一个处理装置从训练数据提取训练压力模式，训练压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在训练数据中表示的不同压力进行分类；使用至少一个处理装置基于被表征的训练压力模式确定学习参数，学习参数被确定用于估计电池寿命。
一个或更多个实施例提供一种非暂时性计算机可读存储介质，其包括使至少一个处理装置执行这里阐明的一个或更多个方法实施例的计算机可读代码。
从以下具体实施方式、附图和权利要求书，其它特征和方面将是清楚的。
附图说明
图1示出电池的充电和放电(充电/放电)周期的示例。
图2示出因电池的使用周期的数量增加引起的电池寿命缩减的示例。
图3示出基于电池可被使用的不同温度的电池寿命缩减的示例。
图4示出基于不同充电率(C-速率)的电池寿命缩减的示例。
图5示出基于电池的充电和放电的电压模式的示例。
图6至图8示出电池寿命缩减的示例。
图9示出根据一个或更多个实施例的随着时间的电压充电和放电周期的示例。
图10示出根据一个或更多个实施例的电池寿命估计设备的示例。
图11示出根据一个或更多个实施例的电池寿命估计设备的示例。
图12示出根据一个或更多个实施例的电池系统的示例。
图13示出根据一个或更多个实施例的压力模式的示例。
图14A和图14B示出根据一个或更多个实施例的特征数据产生的示例。
图15示出根据一个或更多个实施例的特征数据产生的示例。
图16示出根据一个或更多个实施例的用户界面的示例。
图17示出根据一个或更多个实施例的用于提供电池寿命信息的用户界面的示例。
图18示出根据一个或更多个实施例的电池寿命估计方法的示例。
图19示出根据一个或更多个实施例的电池寿命估计方法的示例。
贯穿附图和具体实施方式，除非另外描述或提供，否则相同的附图标号将被理解为表示相同的元件、特征和结构。附图可不按比例绘制，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
提供以下具体实施方式以帮助读者获得对描述在此的方法、设备和/或系统的全面理解。然而，在理解了本公开之后，对于本领域普通技术人员而言，在此描述的方法、设备和/或系统的的各种改变、修改以及等同物将是清楚的。这里所描述的操作的顺序仅是示例，除了必需按照特定顺序发生的操作以外，操作的顺序不限于在此阐述的顺序，并且可如本领域普通技术人员清楚的那样改变。此外，为了更清楚和简明，可对本领域普通技术人员公知的功能和结构的描述可被省略。
可以以不同形式来实施描述在此的特征，并且描述在此的特征不应被解释为受限于在此描述的示例。
可对示例性实施例进行各种替代和修改，示例性实施例中的一些将在附图和具体实施方式中被详细示出。然而，应理解，这些实施例不被解释为限于示出的形式，且包括本公开的构思和技术范围内的所有改变、等同物或替代物。
这里使用的术语仅用于描述特定实施例的目的，而不意图限制本发明。如这里所使用的，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。还将理解，当在本说明书中使用术语“包括”和/或“具有”时，其说明存在所述特征、整体、步骤、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、整体、步骤、操作、元件、组件和/或它们的组。
考虑到本公开，除非另外定义，否则这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域的普通技术人员通常理解的含义相同的含义。还将理解，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应被解释为具有与在现有技术和本公开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形式化的意义。
在下文中，将参照附图详细描述示例性实施例，其中，相同标号始终表示相同元件。当确定在描述实施例时对现有已知功能或配置的详细描述会使本公开的实施例的目的不必要地模糊时，可在此省略详细描述。
图1示出电池的充电和放电(充电/放电)周期的示例。
图1的上面的曲线图示出当电池被完全充电和放电时电池的电压随时间改变的示例。在上面的曲线图中，横轴表示时间(或随时间的周期)，纵轴表示电池的电压。在图1中，在时间点111、112、113、114和115，电池被完全充电。在时间点121、122、123、124和125，电池被完全放电。
仅作为示例，与电池的充电和放电关联的单个周期可指示完全充电的电池被完全放电并且电池被重新充电的周期。例如，时间点111与112之间的区间可以是这样的单个周期。这里，“完整周期”可被视为这样的周期：电池从完全放电或部分放电的状态被充电(完全充电或部分充电)并且电池随后从该充电状态被放电(完全放电或部分放电)。类似地，“完整周期”可被视为这样的周期：电池从完全充电或部分充电的状态被放电(完全放电或部分放电)并且电池随后从该放电状态被充电(完全充电或部分充电)。不同地，在此，“半周期”可被视为这样的周期(或周期的一部分)：电池从完全放电或部分放电的状态被充电(完全充电或部分充电)。类似地，“半周期”可被视为这样的周期(或周期的一部分)：电池从完全充电或部分充电的状态被放电(完全放电或部分放电)。
图1的下面的曲线图示出基于电池的重复的完全充电和放电的电池容量的改变的示例。在下面的曲线图中，横轴表示时间(或随时间的周期)，纵轴表示电池容量。线131、132、133、134和135表示与时间点111至115对应的电池容量。如下面的曲线图所示，随着电池随时间重复地被完全充电和放电，电池容量变小。
图2示出因电池的使用周期的数量增加引起的电池寿命缩减的示例。
参照图2，随着电池被充电和放电的周期数增加，电池寿命缩减。电池寿命可表示针对应用(即，针对物理应用)电池诸如向EV的一个或更多个电机或系统正常供电的时间段和类似物。例如，随着周期数增加，电池寿命可对应于电池的容量210。初始周期期间的容量210可表示将被存储在电池中的最大荷电量。当容量210减小到阈值220以下时，例如，电池可被确定为因电池可能不满足针对特定物理应用的电力需求而需要被替换。因此，电池寿命可与电池被使用的时间段或电池的使用周期具有高的相关性。
图3示出基于电池可被使用的不同温度的电池寿命缩减的示例。
如图3中所示，例如，考虑其它条件相同，当电池被充电和放电时，电池寿命可因温度改变而缩减。参照图3，通常，在较高的温度(诸如45℃或55℃)下工作的电池的寿命更迅速地减小。例如，随着电池的使用周期的数量增加，相比于在25℃，在55℃电池寿命会更迅速地减小。仅作为示例，电池的当前寿命可例如由术语“健康状态(SOH)”表示。
因此，在本公开中，根据一个或更多个实施例，电池寿命可对应于例如电池的当前容量值、电池的内阻值或电池的这种SOH。例如，SOH可由以下等式1定义。
等式1：
图4示出基于不同充电率(C-速率)的电池寿命缩减的示例。
C-速率可表示在电池的充电和放电期间在各种使用条件下用于设置电流值的测量单位，并可被用于预测或标记电池可用的时间段。C-速率可被表示为C，并可例如由以下等式2来定义。
等式2
图4的曲线图示出通过针对各种C-速率执行电池的寿命测试所获得的结果的示例。参照图4，通常，随着C-速率增加，电池寿命迅速减小。C-速率可与电压改变一起被感测或确定。
图5示出基于电池的充电和放电的电压模式的示例。
电压模式或电流模式可根据电池正在充电还是放电而改变。例如，相同电压值或相同电流值对电池寿命的影响可被解译为基于电池正被充电还是放电而被确定。
在图5中，电压模式510基于充电发生，电压模式520基于放电发生。参照图5，可在相同荷电状态(SOC)下根据电池正被充电还是放电而感测或确定不同电压值。
图6至图8示出电池寿命缩减的示例。
图6示出与50％至75％的电池电压范围对应的电池寿命610、与25％至50％的电池电压范围对应的电池寿命620、与0％至25％的电池电压范围对应的电池寿命630和与75％至100％的电池电压范围对应的电池寿命640的示例。如图6中所示，电池寿命缩减的效果基于电池的电压范围而改变。
图7示出基于完全充电状态下的电池的使用的能量存储水平710和基于80％充电状态下的电池的使用的能量存储水平720的示例，从而示出随着周期数随时间增加的剩余能量存储水平。因此，可通过在部分充电状态下使用电池而非在完全充电状态下使用电池来使电池寿命减小得更少。换言之，相比于电池在完全充电状态下被使用时，当电池在部分充电状态下被使用时，电池可具有更长的寿命。
图8示出因截止电压(cut-offvoltage)改变而导致电池寿命改变的示例。截止电压表示充电或放电被终止的电压。如图8中所示，放电曲线810和820示出相比于截止电压没有被调整时(如由放电曲线810所示)，当截止电压被调整时(如由放电曲线820所示)，放电容量以更低的速率减小。
图9示出根据一个或更多个实施例的随着时间的电压充电和放电周期的示例。
图9的左边的曲线图示出多个电压充电和放电周期，图9的右边的曲线图示出左边的曲线图的区段912的放大示图。在右边的曲线图和左边的曲线图中，横轴表示时间，纵轴表示电压电平。
压力可基于电池的充电和放电被施加到电池。压力可表示基于电池的充电和放电的对电池的损坏。因此，随着施加到电池的压力的量增加，电池寿命可减小。
在左边的曲线图中，电池的电压在电池充电期间增大，并在电池放电期间减小。当电池被充电和放电一次时，如左边的曲线图所示，发生单个电压完整周期。因此，电压周期对应于反映电池损坏状态的压力模式。
各种电压周期可基于充电和/或放电的类型而发生。在图9中，典型的电压周期911响应于电池在长的时间段内被充电和放电而发生，典型的电压周期921响应于电池在短的时间段内被充电和放电而发生。施加到电池的压力的水平可基于电压周期的类型被确定。例如，基于电压周期911的施加到电池的压力的水平可大于基于电压周期921的施加到电池的压力的水平。作为另一示例，根据示出的大周期(例如，作为电压周期的一种类型)的施加到电池的压力的水平可大于根据示出的小周期(例如，作为电压周期的另一种类型)的施加到电池的压力的水平。如图9中所示，并且仅作为示例，这样的大周期或小周期可基于充电和/或放电的程度或范围来区分，例如，小周期的电压周期921在0.2V的范围内，大周期的电压周期911在0.5V的范围内，和/或小周期的电压周期921在100秒的范围内，大周期的电压周期911在20000秒的范围内。
图10示出根据一个或更多个实施例的电池寿命估计设备1000的示例。
参照图10，例如，电池寿命估计设备1000可包括感测数据获取器1010、压力模式提取器1020和寿命估计器1030。
电池寿命估计设备1000可估计例如作为本公开的EV实施例中的能源的电池的状态(例如，SOH)。例如，电池寿命估计设备1000可通过更准确地估计SOH向EV的驾驶员提供更准确的EV的状态信息，由此驾驶员可如同他们针对汽油驱动的车辆那样具有关于EV的更正面的看法。另外，根据实施例，相比于之前的估计系统，电池寿命估计设备1000可在重量上更轻，并且甚至可被安装在电池管理系统(BMS)(诸如本公开的EV实施例中的BMS)中。此外，根据实施例，除了可应用于EV之外，电池寿命估计设备1000可应用于采用电池的所有物理应用。
感测数据获取器1010可获取电池的感测数据。感测数据可包括例如电压数据、电流数据和温度数据中的至少一个。在实施例中，感测数据获取器1010可以是还包括这样的传感器的系统。例如，可从可被配置为感测电池的这种物理特性或属性的一个或更多个电压传感器、电流传感器和温度传感器分别获取电压数据、电流数据和温度数据。此外，除了电压传感器、电流传感器和温度传感器中的任何一个或任何组合之外，感测数据可包括从其它或可选择的传感器(例如，压力传感器和湿度传感器)获取的数据。感测数据获取器1010可以是还包括这样的其它或可选择的传感器的系统。仅作为示例，感测数据可表示在预定时间间隔期间感测的时间序列数据。例如，电压传感器可例如基于控制信号或感测数据获取器1010的标志在“10”秒(sec)内感测电池的电压，并且感测数据获取器1010可在所述预定时间间隔内从电压传感器获取所述感测数据。
在这样的示例中，感测数据获取器1010可例行或周期性地更新这样的感测数据。例如，当“24”小时的更新周期被设置时，感测数据获取器1010可每“24”小时从被配置为感测电池的特性的传感器获取感测数据。仅作为示例，更新周期可被预先设置，或由外部设备可变地设置。外部设备是指除了电池寿命估计设备1000之外的设备。
在另一示例中，感测数据获取器1010可基于从外部设备接收的控制信号获取这样的感测数据。例如，响应于来自外部设备的指示电池寿命估计设备1000估计电池寿命的控制信号，感测数据获取器1010可从被配置为感测电池的一个或更多个特性的传感器接收或获得感测数据。
压力模式提取器1020可从获得的感测数据提取压力模式。如上所述，压力是指通过电池的充电和放电或者损坏电池的其它行为所引起的对电池的损坏。压力模式是指电池状态基于施加到电池的压力而改变的模式。
压力可通过电池的充电和放电而被施加到电池，因此，电池的寿命可减小。当压力被施加到电池时，电池的状态(例如，电池的电压、电流或温度)可改变。压力模式提取器1020可因此从感测数据提取电池的压力模式。例如，电池的电压可在电池被充电时增大并可在电池被放电时减小。在该示例中，电池的电压可基于施加的压力的水平而改变，因此，压力模式提取器1020可基于电池的充电和放电提取或解译电压周期，作为压力模式。
仅作为示例，压力模式提取器1020可使用雨流计数方案(rainflowcountingscheme)从感测数据提取压力模式。压力模式可包括表示不同感测数据的值的改变的多个周期。提取或解译的多个周期可以是上述“完整周期”或“半周期”。因此，完整周期是感测数据的值随时间增大和减小的周期，半周期是感测数据的值随时间增大或减小的周期。
在一个示例中，压力模式提取器1020可将雨流计数方案应用于在预定时间段期间感测或测量的电池的电压数据、电流数据或压力数据中的任何一个，以提取示例压力模式。在另一示例中，压力模式提取器1020可将雨流计数方案应用于除了电压数据、电流数据和压力数据之外的表示电池状态的另一感测数据，以提取示例压力模式。在另一示例中，为了从感测数据提取压力模式，除了雨流计数方案之外或作为雨流计数方案的替代，压力模式提取器1020可使用提取压力模式的其它方案。
因此，压力模式提取器1020产生表示压力模式的特征的特征数据。这里，特征数据可指通过对压力模式进行量化所获得的分类数据。特征数据可以是例如直方图的形式。
例如，压力模式提取器1020可从各个预定参数的多个水平提取与多个周期中的每个周期对应的水平，并基于提取的水平产生特征数据。预定参数可包括例如多个周期中的每个周期的偏移、幅度和时间段中的至少一个，诸如图13的右边的曲线图中示出的周期的偏移1353、幅度1352和时间段1351。偏移指示周期的位置或大小，并且可以是例如周期的平均值或中值。另外，压力模式提取器1020可计算多个周期中的与多个水平中的每个对应的周期的数量，并基于周期的数量产生特征数据。
例如，压力模式提取器1020可将周期的幅度划分或分类为四个水平范围或类别。当压力模式包括十个周期，并且十个周期分别具有幅度“1.5”、“1.7”、“2.1”、“2.5”、“3.2”、“3.6”、“3.8”、“4.3”、“4.5”和“4.6”时，压力模式提取器1020可计算出两个周期与具有幅度“1”至“2”的第一范围对应，两个周期与具有幅度“2”至“3”的第二范围对应，三个周期与具有幅度“3”至“4”的第三范围对应，三个周期与具有幅度“4”至“5”的第四范围对应。因此，压力模式提取器1020可产生分别与第一范围至第四范围对应的组(bin)，并可产生直方图，诸如与第一范围和第二范围对应的组中的每个组的大小为“2”以及与第三范围和第四范围对应的组中的每个组的大小为“3”的直方图。
在示例中，当多个参数用于每个提取的周期时，压力模式提取器1020可通过组合多个参数的多个水平来创建多个组合参数，可计算多个周期中的与多个组合参数中的每个对应的周期的数量，并可产生特征数据。组合参数可包括或表示由组合参数表示的参数中的每个参数的各自的水平或范围。还可存在这样的用于每个提取的周期的组合参数。在该示例中，压力模式提取器1020可基于提取或解译的多个周期的周期模式使用权重计算周期的数量。例如，当偏移、幅度和时间段被预先确定为参数时，并且当压力模式提取器1020将偏移、幅度和时间段中的每个划分为三个水平范围或类别时，压力模式提取器1020可将偏移的三个水平范围中的一个、幅度的三个水平范围中的一个和时间段的三个水平范围中的一个进行组合，以创建27个组(即，33个组)，该27个组均表示偏移的三个水平范围中的一个、幅度的三个水平范围中的一个和时间段的三个水平范围中的一个。压力模式提取器1020可计算与27个组中的每个对应或匹配的周期的数量。仅作为示例，压力模式提取器1020还可针对解译的半周期设置与针对解译的完整周期设置的权重不同的权重，并可基于设置的权重计算周期的数量。例如，当压力模式提取器1020将半周期的权重设置为“0.5”并将完整周期的权重设置为“1”时，当单个半周期和两个完整周期与第一组对应时，并且当五个半周期和单个完整周期与第二组对应时，压力模式提取器1020可将与第一组对应或匹配的周期的数量和与第二组对应或匹配的周期的数量分别设置或确定为“2.5”和“3.5”。因此，压力模式提取器1020可基于这样确定的与每个组对应的周期的数量产生直方图。
在另一示例中，压力模式提取器1020可基于预定时间段产生特征数据，并可通过在多个预定时间段内累积提取的特征数据来产生单条特征数据。例如，当压力模式提取器1020从针对“60000”秒获取的感测数据提取压力模式时，利用“30000”秒的提取时间段，压力模式提取器1020可从在“0”秒至“30000”秒的时间段期间获取的感测数据提取第一特征数据，并可从在“30000”秒至“60000”秒的时间段期间获取的感测数据提取第二特征数据，并且随后累积第一特征数据和第二特征数据，并产生单条特征数据。
在实施例中，压力模式提取器1020可将特征数据表示为向量。
寿命估计器1030可基于提取的压力模式估计电池寿命。在实施例中，寿命估计器1030可将表示压力模式的特征的特征数据输入到预定学习器，并可估计电池寿命。仅作为示例，寿命估计器1030可将从电压数据提取的特征数据或者从电压数据、电流数据和温度数据中的每个提取的三条特征数据输入到预定学习器。利用学习器，当输入和输出给定时，学习器可被促使学习参数以产生与输入对应的输出，诸如以下关于图11所述。针对实时寿命估计，当前或实时特征数据可被输入到已被提供学习的参数(还被称为学习参数)的学习器。仅作为示例，学习器可以是使用神经网络(NN)模型、支持向量递归模型和高斯过程递归模型之一的学习器，学习器可使用能够基于压力模式估计电池寿命的替代学习模型。
因此，为了更准确地估计电池寿命，寿命估计器1030可将预定学习参数应用于预定学习器。在一个示例中，当预定学习器为NN模型预定学习器时，预定学习参数可包括激活函数、权重以及神经元之间的连接模式。在另一示例中，当预定学习器是支持向量递归模型预定学习器时，预定学习参数可包括核函数和惩罚参数。在另一示例中，当预定学习器是高斯过程递归模型预定学习器时，预定学习参数可包括核函数和超参数(hyperparameter)。
在实施例中，寿命估计器1030可使用通信接口从外部设备(例如，预处理设备)接收这样的学习参数，并将接收的学习参数输入到预定学习器。外部设备可包括例如除了电池寿命估计设备1000之外的设备。在以下描述中，仅作为示例，通信接口可包括无线互联网接口和局域通信接口。仅作为示例，无线互联网接口可包括无线局域网(WLAN)接口、无线保真(Wi-Fi)直连接口、数字生活网络联盟(DLNA)接口、无线宽带(WiBro)接口、全球微波互联接入(WiMAX)接口、高速下行链路分组接入(HSDPA))接口和本领域普通技术人员已知的其它接口。仅作为示例，局域通信接口可包括蓝牙接口、射频识别(RFID)接口、红外数据协会(IrDA)接口、超宽带(UWB)接口、ZigBee接口、近场通信(NFC)接口和本领域普通技术人员已知的其它接口。此外，通信接口可包括例如可与外部设备通信的所有接口(例如，有线接口)。根据实施例，通信接口还可或可选择地用于可选择的通信和信息操作的共享。
在示例中，电池寿命估计设备1000包括被配置为预先存储预定学习参数的存储器。在该示例中，寿命估计器1030可从存储器提取学习参数并将提取的学习参数应用于预定学习器。此外，寿命估计器1030可基于各种压力模式对参数进行学习或已对参数进行学习，并可提取学习参数，如以下关于图11所述。
在另一示例中，电池寿命估计设备1000可包括被配置为降低特征数据的维度的维度变换器。例如，维度变换器可使用主成分分析(PCA)或线性判别分析(LDA)来降低特征数据的维度，PCA和LDA两者可使维度降低期间的信息损失最小化。寿命估计器1030可将具有降低的维度的特征数据输入到预定学习器，可基于维度降低的特征数据估计电池寿命。通过将具有降低的维度的特征数据输入到预定学习器，可减少寿命估计器1030估计电池寿命所需的时间。
在示例中，当特征数据被输入到学习器时，学习器可输出电池的剩余容量。寿命估计器1030可从输出的剩余容量提取电池寿命信息。例如，可使用以下等式3计算电池寿命信息。
等式3：
S o H = C e C 1
在等式3中，SoH表示电池寿命信息，C1表示例如在制造电池时电池的容量，Ce表示输出的电池的剩余容量。例如，当容量C1和Ce被分别设置为50千瓦时(kWh)和40kWh时，寿命估计器1030可将电池寿命计算为80％。
图11示出根据一个或更多个实施例的电池寿命估计设备1100的示例。
参照图11，例如，电池寿命估计设备1100可包括训练数据获取器1110、训练压力模式提取器1120和学习参数确定器1130。
电池寿命估计设备1100可确定学习参数以估计电池寿命。例如，电池寿命估计设备1100可执行图10的电池寿命估计设备1000的预处理过程以估计电池寿命。例如，在实施例中，除了感测数据获取器、压力模式提取器和寿命估计器之外，图10的电池寿命估计设备1000还可包括这样的训练数据获取器、训练压力模式提取器和学习参数确定器，作为预处理器，其中，感测数据获取器和训练数据获取器为相同的传感器获取装置或系统。
训练数据获取器1110可获取电池的训练数据。训练数据可包括例如电池的电压数据、电流数据和温度数据中的任何一个或任何组合。此外，训练数据可包括表示这样的电池的状态的其它数据(例如，压力数据和湿度数据)。训练数据获取器1110可获取单个电池的训练数据或者多个电池或电池单元的训练数据。此外，训练数据获取器1110可从预定数据库或外部设备获取训练数据。例如，训练数据获取器1110可基于更新时间段从预定数据库或外部设备更新训练数据，或可基于从外部设备接收的控制信号从预定数据库或外部设备获取训练数据。
训练压力模式提取器1120可从训练数据提取训练压力模式。训练压力模式是指感测到训练数据的电池的状态基于施加到电池的压力而改变的模式。在示例中，训练压力模式提取器1120可使用雨流计数方案从训练数据提取训练压力模式。在该示例中，训练压力模式可包括表示训练数据的值随时间改变的多个周期。所述多个周期可以是完整周期或半周期。除了雨流计数方案之外或作为雨流计数方案的替代，训练压力模式提取器1120可使用其它提取方案从训练数据提取训练压力模式。
训练压力模式提取器1120可在各个预定参数的多个水平之中提取与多个周期中的每个对应的水平，并基于多个周期中的与多个水平中的每个对应的周期的数量来产生特征数据。如上所述，特征数据可指通过对压力模式进行量化所获得的分类数据。仅作为示例，预定参数可包括多个周期中的每个周期的偏移、幅度和时间段中的任何一个或任何组合。与图10的压力模式提取器1020相似，训练压力模式提取器1120可基于多个周期的周期模式使用权重计算周期的数量。例如，训练压力模式提取器1120可将解译的半周期的权重和解译的完整周期的权重分别设置为“0.5”和“1”，并可将单个半周期和单个完整周期分别计算为“0.5”和“1”。
例如，训练压力模式提取器1120可将参数划分为多个水平范围或类别，并可产生与每个水平范围对应的组。训练压力模式提取器1120可计算与多个水平中的每个对应的周期的数量，并可将用于预定水平范围的组的大小设置或确定为与该预定水平范围对应的周期的数量。训练压力模式提取器1120可产生包括组的直方图，作为特征数据。
当多个参数用于提取或解译的周期时，训练压力模式提取器1120可通过将多个参数的多个水平或范围进行组合来创建多个组合参数，可计算多个周期中的与多个组合参数中的每个对应的周期的数量，并可产生特征数据。每个组合参数可包括或表示用于多个参数中的每个参数的水平或范围。训练压力模式提取器1120可产生与多个组合参数中的每个对应的多个组，可将用于预定组合参数的组的大小设置或确定为与该预定组合参数对应或匹配的周期的数量，并可基于所述周期的数量产生直方图。训练压力模式提取器1120可将特征数据表示为向量。在示例中，训练压力模式提取器1120还可使用PCA或LDA降低特征数据的维度。
学习参数确定器1130可基于训练压力模式确定学习参数。学习参数随后可用于估计电池寿命。学习参数确定器1130可通过将表示训练压力模式的特征的特征数据输入到预定学习器来提取学习参数。如所指出的那样，在实施例中，特征数据可以以向量形式表示。预定学习器可基于特征数据对这样的针对预定学习器的学习模型所优化的学习参数进行学习。例如，预定学习器可使用NN模型、支持向量递归模型和高斯过程递归模型中的任何一个或任何组合。在一个示例中，当预定学习器为NN模型预定学习器时，确定的学习参数可包括激活函数、权重以及神经元之间的连接模式。在另一示例中，当预定学习器是支持向量递归模型预定学习器时，确定的学习参数可包括核函数和惩罚参数。在另一示例中，当预定学习器是高斯过程递归模型预定学习器时，确定的学习参数可包括核函数和超参数。除了使用NN模型、支持向量递归模型和/或高斯过程递归模型之外或代替使用NN模型、支持向量递归模型和/或高斯过程递归模型，预定学习器可使用能够基于特征数据估计电池寿命的其它学习模型。由学习参数确定器1130确定的学习参数可在电池寿命估计设备1100估计电池寿命时被使用。例如，图10的寿命估计器1030可在基于例如由感测数据获取器1010感测的当前或实时数据估计电池寿命时使用学习参数。
在示例中，电池寿命估计设备1100可包括存储器，学习参数确定器1130可将确定的学习参数存储在存储器中。此外，学习参数确定器1130可使用通信接口将确定的学习参数发送到外部设备。作为另一示例，图10的电池寿命估计设备1000可包括存储(例如，由学习参数确定器1130存储的或当从电池寿命估计设备1100的通信接口接收时存储的)确定的学习参数的存储器。
图12示出根据一个或更多个实施例的电池系统的示例。
参照图12，电池系统可包括电池1210、传感器1220和电池控制设备1230。在图12中，根据实施例，传感器1220可位于电池控制设备1230的外部，或可位于电池控制设备1230中。
在实施例中，电池1210向本公开的包括电池1210的驾驶车辆实施例供电。电池1210可包括多个电池模块。多个电池模块的容量可彼此相同或不同。
传感器1220可获取电池1210的感测数据。在图12的示出的电池系统中，传感器1220被表述为单个传感器，然而，传感器1220可包括多个传感器，并还可表示传感器的系统。传感器1220可包括例如电压传感器、电流传感器和温度传感器中的任何一个或任何组合。例如，传感器1220可实时测量电池1210中的多个电池模块的电压数据、电流数据和温度数据中的至少一个。
例如，电池控制设备1230可包括实时时钟(RTC)1240、缓冲器1250、电池寿命估计设备1260和通信接口1270。
缓冲器1250可存储从传感器1220获得或接收的电池1210的感测数据。
例如，RTC1240可保持当前时间。电池寿命估计设备1260可使用RTC1240记录从传感器1220接收到感测数据的时间点。
例如，电池寿命估计设备1260可包括周期提取器1261、模式累积器1262、寿命估计器1263和存储器1264。
周期提取器1261可例如使用雨流计数方案从存储在缓冲器1250中的感测数据提取表示压力模式的多个周期。多个周期表示感测数据的值随时间的改变。
模式累积器1262可通过对多个周期进行量化来产生特征数据。例如，产生的特征数据可以以直方图形式表示。模式累积器1262可从预定参数的多个水平之中提取与多个周期中的每个对应的水平，并基于提取的水平产生特征数据。仅作为示例，预定参数可以是多个周期中的每个周期的偏移、幅度和时间段中的任何一个或任何组合。模式累积器1262可计算多个周期中的与多个水平中的每个对应的周期的数量，并基于周期的数量产生特征数据。模式累积器1262可基于提取或解译的多个周期的不同周期模式使用不同权重计算周期的数量。另外，模式累积器1262可将预定参数划分为多个水平范围或类别，并可产生与每个水平范围对应的组。模式累积器1262可将用于预定水平范围的组的大小设置或确定为与该预定水平范围对应或匹配的周期的数量，并可产生包括组的直方图，作为特征数据。
当多个参数用于提取或解译的每个周期时，模式累积器1262可通过将多个参数的多个水平或范围进行组合来创建多个组合参数，可计算多个周期中的其参数与多个组合参数中的每个对应或匹配的周期的数量，并可产生特征数据。组合参数可表示用于组合参数的每个参数的多个水平或范围。
模式累积器1262可产生分别与多个组合参数中的每个对应的多个组，可将用于预定组合参数的组的大小设置或确定为其参数与该预定组合参数对应或匹配的周期的数量，并可产生直方图。例如，模式累积器1262可将特征数据表示为向量。在一个示例中，模式累积器1262可使用PCA或LDA降低特征数据的维度。在另一示例中，模式累积器1262可基于多个预定时间段产生特征数据，可在多个预定时间段内累积提取的特征数据，并可从累积的提取的特征数据产生单条特征数据。
寿命估计器1263基于由特征数据表示的相应压力模式估计电池寿命。因此，寿命估计器1263可将表示压力模式的特征的特征数据输入到预定学习器，并可估计电池寿命。例如，利用预定学习器，当输入和输出给定时，学习器可被促使对学习参数进行学习或已被促使对学习参数进行学习以产生与输入对应的输出。学习器可使用例如NN模型、支持向量递归模型和高斯过程递归模型中的一个。
此外，寿命估计器1263可将存储在存储器1264中的预定学习参数应用于预定学习器。例如，当预定学习器被实现为NN模型时，寿命估计器1263可提取存储在存储器1264中的激活函数，并可将激活函数应用于预定学习器。
寿命估计器1263可经由通信接口1270将关于估计的电池寿命的信息发送到外部设备(例如，车辆实施例的电子控制单元(ECU))。
图13示出根据一个或更多个实施例的压力模式的示例。
参照图13，左边的曲线图示出表示电池的压力模式的多个周期。在左边的曲线图中，横轴表示时间或从感测数据提取完整周期或半周期的顺序，纵轴表示周期的值。
电池寿命估计设备例如使用雨流计数方案从感测数据提取或解译多个周期。在左边的曲线图中，电池寿命估计设备从电压数据1301提取或解译周期，电压数据1301可包括半周期1311至1317以及完整周期1321至1326。如上所述，完整周期是指电池的充电和放电或放电和充电序列，而不同地，半周期可以是充电或放电序列。例如，完整周期1321包括电池的充电和放电，完整周期1323包括电池的放电和充电，而半周期1311可仅包括电池的充电，半周期1312可仅包括电池的放电。
图13的右边的曲线图示出完整周期1326的放大示图。在右边的曲线图中，横轴表示时间，纵轴表示周期的值，例如当周期是电压周期时的电压的值。
在右边的曲线图中，电池寿命估计设备可将时间段1351、幅度1352和偏移1353(例如，中值)确定或设置为完整周期1326的参数。因此，电池寿命估计设备可提取时间段1351、幅度1352和偏移1353，将时间段1351、幅度1352和偏移1353中的每个的水平进行组合，并产生完整周期1326的特征数据。
图14A和图14B示出根据一个或更多个实施例的特征数据产生的示例。
图14A示出多个周期的偏移、幅度和时间段的组合的示例。电池寿命估计设备可从电池的感测数据提取特征数据。电池寿命估计设备可从感测数据提取多个周期，并可将偏移、幅度和时间段确定或设置为每个周期的参数。电池寿命估计设备可将偏移、幅度和时间段中的每个划分为四个水平范围或类别。电池寿命估计设备可通过将偏移的水平范围、幅度的水平范围和时间段的水平范围进行组合来创建组合参数。每个组合参数可包括偏移的水平范围之一、幅度的水平范围之一和时间段的水平范围之一，使得任何提取的周期可被表征为组合参数之一。例如，在图14A中，电池寿命估计设备分别针对提取的具有相同范围的偏移和幅度但具有p1、p2和p3的不同时间段范围的周期创建64个组合参数，即，43个组合参数，例如，组合参数(o1,a1,p1)、(o1,a1,p2)和(o1,a1,p3)。
图14B示出基于图14A的组合参数的特征数据的示例。在图14B中，特征数据由直方图来表示。在图14B的曲线图中，横轴表示组合参数，纵轴表示其参数与各个组合参数对应或匹配的周期的数量。在直方图中，每个组合参数被表示为组。
电池寿命估计设备计算其参数与64个组(即，43个组)中的每个对应或匹配的周期的数量。电池寿命估计设备通过将完整周期1411的权重设置为与针对半周期1412设置的权重不同来计算周期的数量。例如，当完整周期1411的权重和半周期1412的权重分别被设置为“1”和“0.5”时，电池寿命估计设备可将完整周期1411的数量计算为“1”，并将半周期1412的数量计算为“0.5”。
图15示出根据一个或更多个实施例的特征数据产生的示例。
图15的曲线图1501示出电池的电压数据。在曲线图1501中，横轴表示时间，纵轴表示电压电平。
电池寿命估计设备可基于(例如，每一预定时间段的)电压数据产生特征数据。例如，在图15中，特征数据由直方图表示，电池寿命估计设备将特征数据的产生时间段(或预定时间段)设置为“40000”秒。电池寿命估计设备可基于在“0”秒至“40000”秒的时间段期间感测的电压数据1511来产生特征数据1521。另外，电池寿命估计设备可基于在“40000”秒至“80000”秒的时间段期间感测的电压数据1512来产生特征数据1522。这里，电池寿命估计设备还可通过将特征数据1522与特征数据1521累积来产生特征数据1531。电池寿命估计设备通过将特征数据1531输入到预定学习器来估计电池寿命。
图16示出根据一个或更多个实施例的用户界面的示例。
参照图16，电池控制设备(诸如图12的电池控制设备1230)可从外部设备接收触发信号，并响应于触发信号的接收来估计电池寿命。因此，电池控制设备可实时估计电池寿命。例如，当包括电池和电池控制设备的EV实施例的点火装置接通时，EV实施例的ECU可将用户界面1610显示在仪表盘上。用户界面1610可包括被配置为产生触发信号的界面1620。例如，当用户选择界面1620时，ECU可将触发信号发送到电池控制设备(诸如图12的电池控制设备1230)，以估计电池寿命，并且随后用户界面1610可显示由电池控制设备指示的作为结果的估计的电池寿命。电池控制设备可获取电池的感测数据，可从感测数据提取表示电池状态基于施加到电池的压力而改变的压力模式，并可基于压力模式估计电池寿命。
例如，电池控制设备可将估计的电池寿命发送到ECU，ECU可控制用户界面1610显示从电池控制设备接收的电池寿命。
图17示出根据一个或更多个实施例的用于提供电池寿命信息的用户界面的示例。
参照图17，EV1710实施例可包括电池系统1720，电池系统1720可包括电池1730和电池控制设备1740。仅作为示例，电池控制设备可与图12的电池控制设备类似地工作。例如，电池控制设备1740可估计电池1730的寿命并使用无线接口将电池1730的寿命发送到终端1750。EV1710还可或可选择地包括图16的用户界面1610，并相应地向EV1710的用户显示电池1730的寿命。
除了图16的以上示例和用户界面1610的交互之外，在示例中，电池控制设备1740可经由无线接口从终端1750接收触发信号，并可响应于触发信号的接收来估计电池1730的寿命。电池控制设备1740可使用无线接口将估计的寿命发送到终端1750。终端1750随后可使用用户界面1760显示电池1730的寿命1761。因此，实施例还包括终端1750，终端1750被配置为将触发信号发送到这样的EV1710以控制这样的电池控制设备1740，并被配置为显示从EV1710接收的并被终端1750识别的估计的电池寿命。
图18示出根据一个或更多个实施例的电池寿命估计方法的示例。
参照图18，在操作1810中，可获得或获取电池的感测数据。仅作为示例，上述电池估计设备或系统中的任何一个可获取所描述的感测数据，提取相应的压力模式，并基于压力模式估计电池寿命，但是以下方法描述不限于此。
在操作1820中，可从感测数据提取压力模式。压力模式是指电池状态基于施加到电池的压力而改变的模式。
在操作1830中，可基于提取的压力模式估计电池寿命。
如上所述，关于图1至图17的以上公开同样可应用于图18的电池寿命估计方法的实施例，因此这里将不对其进行重复描述。
图19示出根据一个或更多个实施例的电池寿命估计方法的示例。
参照图19，在操作1910中，可获取电池的训练数据。仅作为示例，上述电池估计设备或系统中的任何一个可获取所描述的训练数据，提取相应的训练压力模式，并基于训练压力模式确定学习参数，但是以下方法描述不限于此。
在操作1920中，可从训练数据提取训练压力模式。训练压力模式是指感测到或确定训练数据的电池的状态基于施加到电池的压力而改变的模式。
在操作1930中，可基于训练压力模式确定学习参数。学习参数用于估计电池寿命。
此外，如上所述，操作1910至操作1930可与图18的操作1810至操作1830结合执行，例如作为用于确定可在操作1830中使用的实时估计电池寿命的学习参数的预处理操作。
如上所述，关于图1至图17的以上公开同样可应用于图19的电池寿命估计方法的实施例，因此这里将不对其进行重复描述。
可通过硬件组件来实现图10、图11、图12、图16和图17中示出的例如可执行这里针对图9、图13至图15以及图18和图19描述的操作的设备、单元、模块、装置和其它组件。硬件组件的示例包括控制器、传感器、存储器、驱动器和本领域普通技术人员已知的任何其它电子组件。在一个示例中，可通过一个或更多个处理装置、处理器或计算机来实现硬件组件。通过一个或更多个处理元件(诸如，逻辑门阵列、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已知的能够以限定的方式响应和执行指令以达到期望结果的任何其它装置或装置的组合来实现处理装置、处理器或计算机。在一个示例中，处理装置、处理器或计算机包括或连接到存储由处理装置、处理器或计算机执行的并可控制处理装置、处理器或计算机执行这里描述的一个或更多个方法的指令或软件的一个或更多个存储器。仅作为示例，由处理装置、处理器或计算机实现的硬件组件执行指令或软件，诸如操作系统(OS)和在OS上运行的一个或更多个软件应用，以执行这里针对图9、图13至图15以及图18和图19描述的操作。硬件组件还响应于指令或软件的执行来访问、操作、处理、创建和存储数据。为了简明，可在这里描述的示例的描述中使用单数术语“处理装置”、“处理器”或“计算机”，但是在其它示例中，使用多个处理装置、处理器或计算机，或者处理装置、处理器或计算机包括多个处理元件或多种类型的处理元件或者包括两者。在一个示例中，硬件组件包括多个处理器，在另一示例中，硬件组件包括处理器和控制器。硬件组件具有不同处理配置中的任何一个或更多个，不同处理配置的示例包括单处理器、独立处理器、并行处理器、远程处理环境、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)多处理和多指令多数据(MIMD)多处理。
可由如上所述的执行指令或软件以执行这里描述的操作的处理装置、处理器或计算机来执行图9、图13至图15以及图18和图19中示出的执行这里描述的操作的方法。
用于控制处理装置、处理器或计算机实现硬件组件并执行上述方法的指令或软件可被写为计算机程序、代码段、指令或它们的任何组合，以独立地或共同地指示或配置处理装置、处理器或计算机作为用于执行由硬件组件执行的操作和如上所述的方法的机器或专用计算机进行操作。在一个示例中，指令或软件包括由处理装置、处理器或计算机直接执行的机器代码，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装置、处理器或计算机使用解释器执行的高级代码。基于这里的公开，并且在理解本公开之后，本领域普通编程员可基于附图中示出的框图和流程图以及说明书中的对应描述容易地编写指令或软件，其中，附图中示出的框图和流程图以及说明书中的对应描述公开了用于执行由硬件组件执行的操作和如上所述的方法的算法。
用于控制处理装置、处理器或计算机实现硬件组件(诸如在图10、图11、图12、图16和图17中的任何一个中讨论的硬件组件)并执行以上在图9、图13至图15以及图18和图19中的任何一个中描述的方法的指令或软件以及任何关联的数据、数据文件和数据结构被记录、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或上。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、光学数据存储装置、硬盘、固态盘和本领域普通技术人员已知的能够以非暂时方式存储指令或软件以及任何关联的数据、数据文件和数据结构并将指令或软件以及任何关联的数据、数据文件和数据结构提供给处理装置、处理器或计算机使得处理装置、处理器或计算机可执行指令的任何装置。在一个示例中，指令或软件以及任何关联的数据、数据文件和数据结构分布在网络连接的计算机系统中，从而由处理装置、处理器或计算机以分布方式存储、访问并执行指令和软件以及任何关联的数据、数据文件和数据结构。
仅作为非穷举的示例，这里的(例如，如这里描述的包括估计电池状态的设备的)电子装置实施例可以是：车辆；移动装置(诸如蜂窝电话、智能电话、可穿戴智能装置、便携式个人计算机(PC)(诸如膝上型计算机、笔记本电脑、小型笔记本电脑、上网本、超移动PC(UMPC)、平板PC(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)、掌上型电子书、全球定位系统(GPS)导航装置或传感器)；或固定装置(诸如台式PC、高清电视(HDTV)、DVD播放器、蓝光播放器、机顶盒或家用电器)；或能够进行无线通信或网络通信的任何其它移动装置或固定装置。
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，在不脱离权利要求及其等同物的精神和范围的情况下，可在这些示例中进行形式和细节上的各种改变。这里描述的示例仅被考虑为描述性意义，而不是限制的目的。每个示例中的特征或方面的描述将被认为可应用于其它示例中的类似特征或方面。如果描述的技术以不同的顺序被执行，和/或如果描述的系统、架构、装置或电路中的组件以不同的方式被组合和/或被其它组件或其等同物代替或补充，则可获得合适的结果。因而，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，并且权利要求及其等同物的范围内的所有改变应被解释为包括在本公开内。

Claims (32)

1.一种电池寿命估计设备，包括：
压力模式提取器，被配置为使用至少一个处理装置从针对电池获取的感测数据提取压力模式，压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在感测数据中表示的不同压力进行分类；
寿命估计器，被配置为使用至少一个处理装置基于被表征的压力模式估计电池寿命。
2.如权利要求1所述的电池寿命估计设备，还包括传感器系统，所述传感器系统包括用于测量电池的感测数据的多个传感器，其中，感测数据是对电池的物理属性的实时测量。
3.如权利要求1所述的电池寿命估计设备，其中，寿命估计器通过将作为分类的不同压力的特征数据提供给应用了学习参数的学习器，来实时估计电池寿命，其中，学习参数是对之前时间的电池训练感测数据进行预先训练得到的。
4.如权利要求1所述的电池寿命估计设备，其中，感测数据包括以下项中的至少一个：从被配置为测量电池的相应属性的各个传感器感测的电池的电压数据、电流数据和温度数据。
5.如权利要求1所述的电池寿命估计设备，其中，压力模式提取器被配置为使用雨流计数方案从感测数据提取压力模式，
其中，压力模式表示多个周期，所述多个周期分别表示感测数据的值随时间的改变。
6.如权利要求5所述的电池寿命估计设备，其中，压力模式提取器被配置为通过从确定的参数的多个水平提取所述多个周期中的每个周期的水平来执行分类，并被配置为基于每个水平产生表示压力模式的特征的特征数据。
7.如权利要求6所述的电池寿命估计设备，其中，压力模式提取器被配置为通过基于确定的所述多个周期中的与所述多个水平中的每个对应的周期的数量产生特征数据来执行分类。
8.如权利要求6所述的电池寿命估计设备，其中，确定的参数包括所述多个周期中的每个周期的偏移、幅度和时间段中的至少一个。
9.如权利要求6所述的电池寿命估计设备，其中，压力模式提取器被配置为创建多个组合参数，并被配置为通过基于确定的所述多个周期中的其确定的参数与所述多个组合参数中的每个对应的周期的数量产生特征数据来执行分类，其中，每个组合参数表示针对周期确定的多个参数中的每个参数的各个水平。
10.如权利要求9所述的电池寿命估计设备，其中，压力模式提取器被配置为通过将不同权重施加于所述多个周期中的不同周期模式来确定周期的数量。
11.如权利要求10所述的电池寿命估计设备，其中，所述不同周期模式包括完整周期模式和半周期模式。
12.如权利要求9所述的电池寿命估计设备，还包括：维度变换器，被配置为降低特征数据的维度，
其中，寿命估计器被配置为通过将具有降低的维度的特征数据输入到应用了预定学习参数的预定学习器来估计电池寿命。
13.如权利要求6所述的电池寿命估计设备，其中，压力模式提取器被配置为在预定时间段产生特征数据，从而针对多个预定时间段产生特征数据。
14.如权利要求6所述的电池寿命估计设备，其中，寿命估计器被配置为通过将特征数据输入到应用了预定学习参数的预定学习器来估计电池寿命。
15.如权利要求14所述的电池寿命估计设备，还包括：维度变换器，被配置为降低特征数据的维度，
其中，寿命估计器被配置为通过将具有降低的维度的特征数据输入到预定学习器来估计电池寿命。
16.如权利要求14所述的电池寿命估计设备，还包括通信接口，其中，寿命估计器被配置为使用通信接口从外部设备接收预定学习参数，并被配置为将接收的学习参数应用于预定学习器。
17.如权利要求14所述的电池寿命估计设备，还包括：存储器，被配置为预先存储预定学习参数，
其中，寿命估计器被配置为从存储器获得预定学习参数，并将获得的预定学习参数应用于预定学习器。
18.如权利要求1所述的电池寿命估计设备，其中，寿命估计器通过将作为分类的不同压力的特征数据提供给应用了学习参数的学习器，来实时估计电池寿命，其中，学习参数是对之前时间的电池训练感测数据进行训练得到的，
所述电池寿命估计设备还包括：
训练数据获取器，被配置为在所述之前时间获取电池的电池训练感测数据；
训练压力模式提取器，被配置为使用至少一个处理装置从电池训练感测数据提取训练压力模式，训练压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在训练数据中表示的不同压力进行分类；
学习参数确定器，被配置为使用至少一个处理装置基于被表征的训练压力模式确定学习参数。
19.一种电池寿命估计设备，包括：
训练压力模式提取器，被配置为使用至少一个处理装置从电池的训练数据提取训练压力模式，训练压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在训练数据中表示的不同压力进行分类；
学习参数确定器，被配置为使用至少一个处理装置基于被表征的训练压力模式确定学习参数，学习参数被确定用于估计电池寿命。
20.如权利要求19所述的电池寿命估计设备，其中，训练数据是从对电池的物理属性的之前测量得到的。
21.如权利要求19所述的电池寿命估计设备，其中，训练压力模式提取器被配置为使用雨流计数方案从训练数据提取训练压力模式，
其中，训练压力模式表示多个周期，所述多个周期分别表示训练数据的值随时间的改变。
22.如权利要求19所述的电池寿命估计设备，其中，训练压力模式提取器被配置为通过从确定的参数的多个水平提取所述多个周期中的每个周期的水平来执行分类，并被配置为基于确定的所述多个周期中的与所述多个水平中的每个对应的周期的数量来产生特征数据，使得特征数据表示训练压力模式的特征。
23.如权利要求22所述的电池寿命估计设备，其中，确定的参数包括所述多个周期中的每个周期的偏移、幅度和时间段中的至少一个。
24.如权利要求22所述的电池寿命估计设备，其中，训练压力模式提取器被配置为创建多个组合参数，并被配置为通过基于确定的所述多个周期中的其确定的参数与所述多个组合参数中的每个对应的周期的数量产生特征数据来执行分类，其中，每个组合参数表示针对周期确定的多个参数中的每个参数的各个水平。
25.如权利要求22所述的电池寿命估计设备，其中，学习参数确定器被配置为通过将特征数据输入到预定学习器来提取学习参数。
26.如权利要求25所述的电池寿命估计设备，还包括通信接口，其中，学习参数确定器被配置为使用通信接口将提取的学习参数发送到外部设备。
27.如权利要求25所述的电池寿命估计设备，还包括存储器，其中，学习参数确定器被配置为将提取的学习参数存储在存储器中。
28.一种电池寿命估计设备，包括：
压力模式提取器，被配置为使用至少一个处理装置从获取的电池的感测数据产生对电池的不同压力进行分类的特征数据；
寿命估计器，被配置为使用至少一个处理装置基于特征数据估计并输出电池寿命。
29.如权利要求28所述的电池寿命估计设备，还包括传感器系统，所述传感器系统包括用于测量电池的感测数据的多个传感器，其中，感测数据是对电池的物理属性的实时测量。
30.如权利要求28所述的电池寿命估计设备，其中，寿命估计器通过将特征数据提供给应用了学习参数的学习器，来实时估计电池寿命，其中，学习参数是对之前时间的电池训练感测数据进行预先训练得到的。
31.一种电池寿命估计方法，包括：
获取电池的物理属性的感测数据；
使用至少一个处理装置从感测数据提取压力模式，压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在感测数据中表示的不同压力进行分类；
基于分类的压力模式估计电池寿命。
32.一种电池寿命估计方法，包括：
获取电池的物理属性的训练数据；
使用至少一个处理装置从训练数据提取训练压力模式，训练压力模式表示电池状态基于施加到电池的压力的改变，并被表征为对在训练数据中表示的不同压力进行分类；
使用至少一个处理装置基于被表征的训练压力模式确定学习参数，学习参数被确定用于估计电池寿命。
CN201510745096.9A 2015-01-21 2015-11-05 估计电池状态的方法和设备 Expired - Fee Related CN105807227B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2015-0010058 2015-01-21
KR1020150010058A KR20160090140A (ko) 2015-01-21 2015-01-21 배터리의 상태를 추정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
CN105807227A true CN105807227A (zh) 2016-07-27
CN105807227B CN105807227B (zh) 2020-02-18

Family

ID=54542004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510745096.9A Expired - Fee Related CN105807227B (zh) 2015-01-21 2015-11-05 估计电池状态的方法和设备

Country Status (5)

Country Link
US (1) US20160209473A1 (zh)
EP (1) EP3048451A1 (zh)
JP (1) JP2016133514A (zh)
KR (1) KR20160090140A (zh)
CN (1) CN105807227B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106785129A (zh) * 2016-11-11 2017-05-31 常州普莱德新能源电池科技有限公司 动力电池充放电次数的实时统计方法、系统及电动车辆
CN106959422A (zh) * 2017-03-28 2017-07-18 江苏大学 一种电池寿命预警装置的检测方法
CN109047040A (zh) * 2018-06-12 2018-12-21 东莞市德尔能新能源股份有限公司 一种基于大数据的锂电池筛选系统
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
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
CN111527665A (zh) * 2017-08-04 2020-08-11 全球电池解决方案有限责任公司 电池监视系统和方法
CN114930141A (zh) * 2020-10-14 2022-08-19 株式会社Lg新能源 模块应变估计装置和方法

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102338460B1 (ko) * 2015-01-22 2021-12-13 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR102468895B1 (ko) 2015-07-21 2022-11-21 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
US9869722B1 (en) * 2016-09-22 2018-01-16 Rockwell Automation Technologies, Inc. Method and apparatus for electrical component life estimation
FR3061307B1 (fr) * 2016-12-22 2021-05-07 Electricite De France Caracterisation perfectionnee d'un dispositif electrochimique en operation pour un pronostic de fonctionnement futur du dispositif
KR102468896B1 (ko) * 2017-01-11 2022-11-21 삼성전자주식회사 배터리 상태 추정 방법 및 장치
KR101897038B1 (ko) * 2017-02-28 2018-09-13 한국생산기술연구원 가우시안 혼합 모델을 이용한 배터리 상태 모니터링 방법 및 장치
DE102017216222A1 (de) * 2017-09-13 2019-03-14 Robert Bosch Gmbh Verfahren zum Betrieb einer elektrischen Energiespeichereinheit
US10992156B2 (en) * 2017-10-17 2021-04-27 The Board Of Trustees Of The Leland Stanford Junior University Autonomous screening and optimization of battery formation and cycling procedures
US11226374B2 (en) * 2017-10-17 2022-01-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven model for lithium-ion battery capacity fade and lifetime prediction
WO2019142711A1 (ja) 2018-01-16 2019-07-25 株式会社Ｇｓユアサ 監視装置、監視方法、コンピュータプログラム、劣化判定方法、劣化判定装置、及び劣化判定システム
WO2019181729A1 (ja) * 2018-03-20 2019-09-26 株式会社Ｇｓユアサ 劣化推定装置、コンピュータプログラム及び劣化推定方法
WO2019235645A1 (ja) * 2018-06-08 2019-12-12 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
JP2020012786A (ja) * 2018-07-20 2020-01-23 マツダ株式会社 電池状態推定装置、電池状態推定装置の製造方法、電池状態推定方法、および組電池システム
CN109298351B (zh) * 2018-09-30 2021-07-27 清华大学深圳研究生院 一种基于模型学习的新能源车载电池剩余寿命估计方法
KR102471871B1 (ko) * 2018-10-25 2022-11-28 삼성에스디에스 주식회사 시계열 데이터 세그먼테이션 방법 및 그 장치
JP7092978B2 (ja) * 2019-03-28 2022-06-29 豊田合成株式会社 画像投影用加飾シート
CN110045288B (zh) * 2019-05-23 2021-08-17 中山大学 一种基于支持向量回归的锂离子电池容量在线估计方法
US11112462B2 (en) 2019-09-05 2021-09-07 Fca Us Llc On-board time-independent battery usage data storage
JP7503763B2 (ja) 2019-09-25 2024-06-21 パナソニックＩｐマネジメント株式会社 車載報知装置、報知プログラム
CN111143973B (zh) * 2019-12-05 2021-01-26 云南电网有限责任公司玉溪供电局 基于高斯过程回归的阀控式铅酸蓄电池退化趋势预测方法
US11476792B2 (en) 2020-06-16 2022-10-18 Rockwell Automation Technologies, Inc. Method and apparatus for electrical component life estimation with corrosion compensation
US11860585B2 (en) 2020-06-17 2024-01-02 Apple Inc. Wearable electronic device with a compressible air-permeable seal
US20230266399A1 (en) * 2020-07-29 2023-08-24 Panasonic Intellectual Property Management Co., Ltd. Battery management system, calculation system, battery degradation prediction method, and battery degradation prediction program
US20230286415A1 (en) * 2020-07-29 2023-09-14 Panasonic Intellectual Property Management Co., Ltd. Computing system, battery deterioration predicting method, and battery deterioration predicting program
DE102020212278A1 (de) * 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur maschinenindividuellen Verbesserung der Lebensdauer einer Batterie in einer batteriebetriebenen Maschine
KR20220073523A (ko) * 2020-11-26 2022-06-03 주식회사 엘지화학 배터리 관리 장치 및 방법
KR102289488B1 (ko) 2021-02-05 2021-08-13 김중빈 회전형 봉걸레용 세척장치
KR20220114915A (ko) 2021-02-09 2022-08-17 주식회사 엘지에너지솔루션 배터리 진단 장치 및 방법
TWI782661B (zh) 2021-08-12 2022-11-01 仁寶電腦工業股份有限公司 電池偵測裝置
CN118401851A (zh) * 2021-12-28 2024-07-26 株式会社电装 电池诊断系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256218A (zh) * 2008-04-08 2008-09-03 吉林大学 汽车动力电池荷电状态的测量系统
CN102749589A (zh) * 2012-07-13 2012-10-24 哈尔滨工业大学深圳研究生院 电动汽车动力电池衰退模式预测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002505747A (ja) * 1997-06-19 2002-02-19 スナップ−オン イクイップメント リミテッド バッテリー検査および分類
US6534954B1 (en) * 2002-01-10 2003-03-18 Compact Power Inc. Method and apparatus for a battery state of charge estimator
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
KR100880717B1 (ko) * 2005-02-14 2009-02-02 가부시키가이샤 덴소 뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기위한 방법 및 장치
US7887960B2 (en) * 2006-08-24 2011-02-15 GM Global Technology Operations LLC Fuel cell life counter and method of managing remaining life
CN101067644B (zh) * 2007-04-20 2010-05-26 杭州高特电子设备有限公司 蓄电池性能分析专家诊断方法
KR100911316B1 (ko) * 2007-08-23 2009-08-11 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR100936892B1 (ko) * 2007-09-13 2010-01-14 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
US20120310561A1 (en) * 2011-05-31 2012-12-06 Caterpillar Inc. Methods and systems for estimating battery health
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
WO2015087375A1 (ja) * 2013-12-09 2015-06-18 株式会社日立製作所 蓄電池制御システム、装置及び方法
US20150276881A1 (en) * 2014-03-25 2015-10-01 The Boeing Company Model-independent battery life and performance forecaster

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256218A (zh) * 2008-04-08 2008-09-03 吉林大学 汽车动力电池荷电状态的测量系统
CN102749589A (zh) * 2012-07-13 2012-10-24 哈尔滨工业大学深圳研究生院 电动汽车动力电池衰退模式预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ADNAN NUHIC等: "Health diagnosis and remaining useful life prognostics of lithium-ion batteries using data-driven methods", 《JOURNAL OF POWER SOURCES》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106785129A (zh) * 2016-11-11 2017-05-31 常州普莱德新能源电池科技有限公司 动力电池充放电次数的实时统计方法、系统及电动车辆
CN106785129B (zh) * 2016-11-11 2019-03-29 常州普莱德新能源电池科技有限公司 动力电池充放电次数的实时统计方法、系统及电动车辆
CN106959422A (zh) * 2017-03-28 2017-07-18 江苏大学 一种电池寿命预警装置的检测方法
CN111527665A (zh) * 2017-08-04 2020-08-11 全球电池解决方案有限责任公司 电池监视系统和方法
CN111527665B (zh) * 2017-08-04 2024-03-08 全球电池解决方案有限责任公司 电池监视系统和方法
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
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
CN109047040A (zh) * 2018-06-12 2018-12-21 东莞市德尔能新能源股份有限公司 一种基于大数据的锂电池筛选系统
CN114930141A (zh) * 2020-10-14 2022-08-19 株式会社Lg新能源 模块应变估计装置和方法
CN114930141B (zh) * 2020-10-14 2023-11-17 株式会社Lg新能源 模块应变估计装置和方法以及包括该装置的电池组

Also Published As

Publication number Publication date
CN105807227B (zh) 2020-02-18
US20160209473A1 (en) 2016-07-21
EP3048451A1 (en) 2016-07-27
KR20160090140A (ko) 2016-07-29
JP2016133514A (ja) 2016-07-25

Similar Documents

Publication Publication Date Title
CN105807227A (zh) 估计电池状态的方法和设备
US10101406B2 (en) Method and apparatus for estimating state of battery
CN105319512A (zh) 用于估计电池的状态的方法和设备
Sui et al. A review of non-probabilistic machine learning-based state of health estimation techniques for Lithium-ion battery
Khan et al. Batteries state of health estimation via efficient neural networks with multiple channel charging profiles
CN107290679B (zh) 用于电动汽车共享充电桩的智能化电池健康状态检测方法
CN105823988B (zh) 估计电池状态的方法和设备
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
US20160195587A1 (en) Apparatus and method estimating state of battery pack including plural battery cells
US9134381B2 (en) Predicting state of a battery
CN101809456B (zh) 用于估计电池的长期特性的系统和方法
CN108075200A (zh) 电池充电方法、电池充电信息产生方法、非暂时性计算机可读介质和电池充电设备
CN104182630A (zh) 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法
WO2017213061A1 (en) Method and system for estimating state of charge of a battery using gaussian process regression
JP2018530982A (ja) バッテリテスト結果を予測するためのバッテリテストシステム
JP7403491B2 (ja) 電池の残存耐用寿命（ｒｕｌ）を推定するための電池診断システム
US20170182906A1 (en) Apparatus and method for managing battery in consideration of rest period of battery
Mazzi et al. State of charge estimation of an electric vehicle's battery using tiny neural network embedded on small microcontroller units
CN108736083A (zh) 用于评估含有表现出电压滞后的材料的电池的方法和设备
CN105807231A (zh) 一种用于蓄电池剩余容量检测的方法及系统
CN102879743A (zh) 锂离子电池剩余电量值实时分析计算法
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
Beltran et al. Machine learning techniques suitability to estimate the retained capacity in lithium-ion batteries from partial charge/discharge curves
Yin et al. Remaining useful life prognostics for lithium-ion battery based on Gaussian processing regression combined with the empirical model
CN110555226A (zh) 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200218

Termination date: 20211105