CN106371021A - 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 PDF

Info

Publication number
CN106371021A
CN106371021A CN201610288538.6A CN201610288538A CN106371021A CN 106371021 A CN106371021 A CN 106371021A CN 201610288538 A CN201610288538 A CN 201610288538A CN 106371021 A CN106371021 A CN 106371021A
Authority
CN
China
Prior art keywords
data
battery
density
cluster
life
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
CN201610288538.6A
Other languages
English (en)
Other versions
CN106371021B (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 CN106371021A publication Critical patent/CN106371021A/zh
Application granted granted Critical
Publication of CN106371021B publication Critical patent/CN106371021B/zh
Active 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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

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

提供用于估计电池的状态的方法和设备。一种估计电池的寿命的方法，包括：基于电池感测数据获取密度数据；使用通过基于多个电池管理概况分簇密度数据集合生成的簇，基于密度数据来确定密度特征；基于密度特征来估计电池的寿命。

Description

用于估计电池的状态的方法和设备
本申请要求于2015年7月21日提交到韩国知识产权局的第10-2015-0102854号韩国专利申请的权益，该韩国专利申请的全部公开通过出于各种目的引用包含于此。
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
环境问题和能源问题变得更加重要，电动汽车(EV)已经成为未来的车辆的焦点。因为在具有多个可再充电的并且可放电的二次电池的单个包中形成的电池被用作为EV中的主要电源，所以EV不排放废气，并且产生比汽油动力车辆小的噪声。
电池在EV中起汽油动力车辆的燃料箱以及发动机的作用。因此，在使用EV的同时检查电池的状态是重要的。随着电池(即，二次电池)被频繁地使用，电池的寿命被减小。由于电池的寿命的减小，电池的初始容量不被保证，并且电池的容量被逐渐地减小。当电池的容量连续降低时，不能提供驱动所期望的电力、操作时间以及稳定性，因此可能需要更换电池。确定电池的状态对于确定何时更换电池是重要的。
发明内容
提供该发明内容用于以简化的形式介绍在以下的具体实施方式中被进一步描述的构思的选择。该发明内容不意在标识要求保护的主题的关键特征或必要特征，也不意在作为帮助确定要求保护的主题的范围而被使用。
在一个总体方面中，一种估计电池的寿命的方法，包括：基于电池感测数据获取密度数据；使用通过基于多个电池管理概况分簇密度数据集合生成的簇，来基于密度数据确定密度特征；基于密度特征来估计电池的寿命。
确定密度特征的步骤可包括：基于包括在每个簇中的密度数据的条数来确定密度特征。
确定密度特征的步骤还可包括：基于每个簇的质心确定包括在每个簇中的多条密度数据。
所示确定的步骤可包括：基于包括在每个簇中的密度数据的条数来生成直方图；基于直方图来确定密度矢量。
所述确定的步骤可包括：基于所述簇将密度数据转换为密度矢量。
所述获取的步骤可包括：合并在同一时间点感测的不同类型的电池感测数据；通过随时间累积合并的电池感测数据来获取密度数据。
密度数据可以是表示电池感测数据随时间的空间分布的数据。
电池感测数据可包括电池的电压数据、电流数据和温度数据中的任意一个或者任意两个或更多个的任意组合。
密度数据集合可以是基于所述多个电池管理概况的密度数据的组合。
所述估计的步骤可包括：使用电池寿命估计模型从密度特征来估计电池的寿命；电池寿命估计模型可基于神经网络(NN)模型、支持向量机(SVM)模型以及高斯过程回归(GPR)模型中的任意一个。
在另一总体方面中，一种存储用于使得计算硬件执行以上描述的方法的非暂时性计算机可读存储介质。
在另一总体方面中，一种训练电池寿命估计模型的方法，包括：通过合并基于电池感测数据获取的密度数据来获取密度数据集合；将密度数据集合中的密度数据分簇为多个簇；使用所述多个簇基于训练数据来确定密度特征；基于密度特征来训练电池寿命估计模型。
确定密度特征的步骤可包括：基于构成包括在每个簇中的训练数据的密度数据的条数来确定密度特征。
确定密度特征的步骤还可包括：基于每个簇的质心来确定包括在每个簇中的所述条训练数据。
所述确定的步骤可包括：基于构成包括在每个簇中的训练数据的密度数据的条数来生成直方图；基于直方图来确定密度矢量。
所述方法还可包括存储关于所述多个簇的信息以及关于训练的电池寿命估计模型的信息。
所述方法还可包括归一化密度数据集合；其中，分簇的步骤可包括：将构成归一化的密度数据集合中的训练数据的密度数据分簇为所述多个簇。
所述获取的步骤可包括：基于多个电池管理概况来获取密度数据；通过合并获取的密度数据来获取密度数据集合。
所述获取的步骤可包括：合并在同一时间点感测的不同类型的电池感测数据；随时间累积合并的电池感测数据。
在另一总体方面中，一种用于估计电池的寿命的设备，包括：密度数据获取器，被配置为基于电池感测数据来获取密度数据；密度特征确定器，被配置为使用通过基于多个电池管理概况分簇密度数据集合生成的簇，基于密度数据来确定密度特征；以及电池寿命估计器，被配置为基于密度特征估计电池的寿命。
在另一总体方面中，一种用于估计电池的寿命的设备，包括：获取器，被配置为获取电池感测数据并且将电池感测数据转换为空间数据；确定器，被配置为基于空间数据确定空间特征；以及电池寿命估计器，被配置为基于空间特征来估计电池的寿命。
获取器还可被配置为将电池感测数据投影到具有预定维度的空间上，以获得空间数据。
获取器还可被配置为：获取一时间段内的电池感测数据；电池感测数据可包括从电池感测的N种类型的电池数据；预定空间可以是N维空间；N种类型的电池数据中的每种类型的电池数据可被投影到N维空间的相应的维度上。
空间数据可以是指示在具有预定维度的空间中电池感测数据的密度分布的密度数据；确定器还可被配置为：在空间中将密度数据分簇为多个簇，并且基于所述多个簇来确定空间特征。
每个所述簇可包括：与所述多个簇中的任何其他簇的质心相比，更接近该簇的质心的所有条密度数据。
确定器还可被配置为：对每个簇中的密度数据的条数计数，基于每个簇中的密度数据的条数来确定密度矢量作为空间特征；电池寿命估计器还可被配置为基于密度矢量来估计电池的寿命。
密度矢量可包括：分别与所述多个簇相应的元素；所述元素中的每个元素可以是所述多个簇中的各自的一个簇中的密度数据的条数。
其它特征和方面从以下的详细的描述、附图和权利要求中将是清楚的。
附图说明
图1示出用于训练电池寿命估计模型的训练设备的配置的示例；
图2示出用于估计电池的寿命的电池寿命估计设备的配置的示例；
图3示出用于估计电池的寿命的电池系统的配置的示例；
图4示出基于电池感测数据获取密度数据的处理的示例；
图5示出密度数据的示例；
图6示出获取密度数据集合以及分簇密度数据集合的处理的示例；
图7A和图7B示出确定密度特征的处理的示例；
图8示出用户接口的示例；
图9示出用于提供电池寿命信息的用户接口的示例；
图10是示出训练电池寿命估计模型的方法的示例的流程图；
图11是示出估计电池的寿命的方法的示例的流程图。
贯穿附图和详细的描述，相同的参考标号表示相同的元件。为了清楚、说明和方便，附图可以不按比例绘制，并且附图中元件的相对尺寸、比例和描绘可被夸大。
具体实施方式
提供以下详细的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，在此描述的方法、设备和/或系统的各种变化、修改和等同物对于本领域的普通技术人员将是清楚的。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仅为示例并且不是限于在此阐述的那些操作的顺序，而是可如对本领域的普通技术人员将是清楚的那样改变。此外，为了更加清楚和简洁，可省略对本领域的普通技术人员公知的功能和结构的描述。
在此描述的特征可以以不同的形式被实现并且不应被解释为限于在此描述的示例。相反，在此描述的示例已被提供，使得本公开将是充分和完整的，并且将本公开的整个范围传达给本领域的普通技术人员。
贯穿本说明对“一个示例”或“示例”的引用指示与示例相关地描述的具体特征、结构或特性被包括在至少一个示例中。因此，贯穿本说明在各个地方出现的短语“一个示例”或“示例”不必须全部参照同一示例。
在此使用的术语仅是描述具体示例的目的，而不意在限制本公开。除非上下文另有清楚地指示，否则如在此使用的单数形式也意图包括复数形式。如在此使用的术语“包括”、“包含”以及“具有”，说明存在叙述的特征、数量、操作、元件、组件或它们的组合，但不排除存在或添加一个或多个其它特征、数量、操作、元件、组件或它们的组合。
在以下描述中，包括在电动汽车(EV)中的电池仅是为了描述的方便的示例，但是示例的范围不限于EV。相反，这些示例可应用于采用可再充电的并且可放电的二次电池的全部应用。
随着对电池充电和放电的周期的数量增加，电池老化，因此电池的寿命被减小。电池的寿命是电池正常地为外部设备供应电力期间的时间段。电池的寿命对应于，例如，电池的当前容量值，电池的内阻抗值，或者电池的健康状态(SOH)。例如，当电池的容量(即，能够被存储在电池中的电荷的最大量)被减小到阈值之下时，因为电池不满足应用的要求，所以电池可能需要被更换。因此，准确地估计电池的状态对于确定何时更换电池是重要的。
图1示出用于训练电池寿命估计模型的训练设备100的配置的示例。训练设备100训练电池寿命估计模型。训练设备100采集电池的感测数据，并且基于采集的感测数据的密度来训练电池寿命估计模型。电池寿命估计模型在训练被完成时被用于估计电池的寿命。下文，将进一步描述训练设备100的操作。
参照图1，训练设备100包括：密度数据集合获取器110、分簇器120、密度特征确定器130以及电池寿命估计模型训练器140。可通过至少一个处理器来实现密度数据集合获取器110、分簇器120、密度特征确定器130以及电池寿命估计模型训练器140。
密度数据集合获取器110基于电池感测数据来获取密度数据，并且从在各种电池管理情况下获取的密度数据来获取密度数据集合。密度数据表示采集的电池感测数据在二维(2D)空间或三维(3D)空间分布的程度，密度数据集合是密度多条数据的集合。
密度数据集合获取器110采集不同类型的电池感测数据，并且基于采集的电池感测数据来获取密度数据。例如，密度数据集合获取器110采集电池的电压数据、电流数据以及温度数据，将在同一时间点(例如，具有相同的时间戳)感测的电压数据、电流数据以及温度数据投影到3D空间上，并且从投影的数据获取密度数据。
密度数据集合获取器110基于各种电池管理概况(battery management profile)来获取密度数据，并且通过合并获取的密度数据来获取密度数据集合。由密度数据集合表示的区域中的彼此相邻的数据对电池的老化具有相似的影响。
密度数据的模式根据电池管理概况而改变。例如，EV在城市中行驶的示例中的电池管理概况不同于EV在高速公路上行驶的示例中的电池管理概况，因此，电池感测数据的模式在这两个示例中彼此不相同。因此，可基于电池管理概况来确定基于电池感测数据的密度数据的模式。密度数据集合获取器110通过合并各种模式下的密度数据，来生成密度数据集合。
分簇器120将密度数据集合中的密度数据分簇为多个簇(cluster)。通过分簇，密度数据集合所表示的整个区域被划分为多个子区域，子区域中的每个子区域对应于单个簇。
分簇器120使用各种分簇方案(例如，k均值分簇方案)将密度数据集合所表示的区域划分为多个簇。每个簇具有一个质心(centroid)，包括在簇中的数据(例如，密度数据集合的数据)比起其他簇中的每个簇的质心更接近于所述簇的质心。包括关于每个簇的质心的信息的簇信息被存储在存储器(未示出)中。存储的簇信息被使用在训练电池寿命估计模型的处理以及估计电池的寿命的处理二者中。
此外，分簇器120在分簇之前将密度数据集合的分布归一化。例如，分簇器120调整密度数据集合中的不同类型的电池感测数据之间的比例的差异。通过归一化，密度数据集合的密度可被防止由于电池感测数据之间的比例的差异引起的沿预定方向偏斜。
密度特征确定器130基于训练数据确定密度特征。训练数据包括，例如，基于预定时间间隔中的电池感测数据生成的密度数据。例如，密度特征确定器130使用通过将在同一时间点感测的电池的电压数据、电流数据以及温度数据投影到预定维度的空间上获取的密度数据作为训练数据。可基于在从初始时间点至预定时间点的时间段期间采集的电池感测数据来生成密度数据。
密度特征确定器130基于通过分簇器120确定的簇来量化训练数据的密度模式。密度特征确定器130对包括在每个簇中的多条训练数据计数，并且量化训练数据的密度模式。例如，密度特征确定器130通过对包括在每个簇中的多条数据计数来生成直方图，并且基于关于生成的直方图的信息来确定密度特征。密度特征确定器130将通过对包括在每个簇中的数据条数矢量化而获得的密度矢量确定为密度特征。
电池寿命估计模型训练器140基于密度特征来训练电池寿命估计模型。当与训练数据相应的目标输出值被提供时，电池寿命估计模型训练器140训练电池寿命估计模型的参数，使得目标输出值从电池寿命估计模型被输出。通过训练，电池寿命估计模型的参数被更新，以输出基于输入到电池寿命估计模型的密度特征提供的电池寿命值。
电池寿命估计模型包括黑箱函数，电池寿命估计模型训练器140基于提供的黑箱函数的输入和输出来训练黑箱函数的参数。电池寿命估计模型包括，例如，神经网络(NN)模型、支持向量机(SVM)模型或高斯过程回归(GPR)模型，但是用作为电池寿命估计模型的学习模型不限制于此。因此，本领域的普通技术人员所知的各种其他学习模型可被用作为电池寿命估计模型。
在一个示例中，当NN模型被用作电池寿命估计模型时，学习参数包括激励函数、权重以及人工神经元之间的连接模式。在另一示例中，当SVM模型被用作电池寿命估计模型时，学习参数包括核函数以及惩罚参数。在另一示例中，当GPR模型被用作电池寿命估计模型时，学习参数包括核函数以及超参数(hyperparameter)。
电池寿命估计模型训练器140基于各种训练数据来训练电池寿命估计模型，并且将完全训练的电池寿命估计模型的参数信息存在存储器中。存储的参数信息被用于估计电池的寿命。
图2示出电池寿命估计设备230的配置的示例。电池寿命估计设备230估计电池210的寿命或者电池210的当前老化状态。电池寿命估计设备230采集电池210的感测数据，分析采集的感测数据的密度，并且实时地估计电池210的寿命。为了估计电池210的寿命，关于由图1的训练设备100确定的每个簇的信息以及由训练设备100训练的电池寿命估计模型被使用。下文，将进一步描述电池寿命估计设备230的操作。
参照图2，电池寿命估计设备230包括：密度数据获取器240、密度特征确定器250以及电池寿命估计器260。可通过至少一个处理器来实现密度数据获取器240、密度特征确定器250以及电池寿命估计器260。
传感器220获取电池感测数据。电池感测数据包括，例如，电池210的电压数据、电流数据和温度数据中的任意一个或者任意两个或更多个的任意组合。此外，电池感测数据可包括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中的一个或两个。电池感测数据是，例如，在预定时间间隔期间感测的时间序列数据。在图2中，传感器220与电池寿命估计设备230是分开的。然而，根据实施，传感器220可被包括在电池寿命估计设备230中。
密度数据获取器240基于不同类型的电池感测数据来获取密度数据。例如，密度数据获取器240将在预定时间间隔内的同一时间点感测的电池210的电压数据、电流数据以及温度数据投影到预定维度的空间上，并且从投影的数据生成密度数据。投影到空间上的每条数据的被表示为一个点。
密度特征确定器250基于密度数据来确定密度特征。密度特征确定器250基于在训练电池寿命估计模型期间确定的簇信息，来量化密度数据的密度模式。密度特征确定器250基于关于簇的信息针对每个簇来确定密度，并且基于确定的密度来确定表示密度数据的密度特征的密度矢量。关于簇的信息被预先存储。
例如，密度特征确定器250对包括在每个簇中的多条密度数据计数，并且基于通过针对每个簇计数获得的计数值，将密度矢量确定为密度特征。每条密度数据被表示为位于预定空间位置处的点。密度特征确定器250计算点与每个簇的质心之间的距离，并且确定该点被包括在具有距离该点最短距离的质心的簇中。密度特征确定器250对所有条密度数据重复地执行以上的处理，并且对包括在每个簇中的多条密度数据计数。密度特征确定器250基于通过针对每个簇计数获得的计数值，将密度矢量确定为密度特征。
电池寿命估计器260基于密度特征估计电池210的寿命。电池寿命估计器260将密度特征输入到电池寿命估计模型，并且估计电池210的当前寿命。电池寿命估计模型在图1的训练处理期间被训练。
例如，电池寿命估计器260基于训练的电池寿命估计模型的参数信息，形成电池寿命估计模型。电池寿命估计模型被用于基于被表示为例如密度矢量的密度特征来预测电池210的寿命，并且被用于输出预测的寿命。关于电池210的寿命的信息可通过接口被提供给用户，或者可被存储在存储器(未示出)中。
通过以上的处理，电池寿命估计设备230基于电池感测数据实时地估计电池210的寿命，或者即使电池210被部分充电也可估计电池210的寿命。此外，电池寿命估计设备230基于彼此相关的不同类型的电池感测数据，来估计电池210的寿命，而不管预定的电池感测数据。基于在预定时间间隔期间采集的电池感测数据来估计电池210的寿命，并且可记录电池210的估计的寿命，因此可容易地管理电池管理的历史。
图3示出用于估计电池的寿命的电池系统300的配置的示例。参照图3，电池系统300包括：电池330、电压传感器342、电流传感器344、温度传感器346以及电池控制设备310。在图3中，电压传感器342、电流传感器344以及温度传感器346与电池控制设备310是分开的，但是这仅是示例。根据实施，电压传感器342、电流传感器344以及温度传感器346中的任意一个或者任意两个或更多个的任意组合可被包括在电池控制设备310中。
电池330将电力提供到包括电池330的设备、装置或机器，并且包括多个电池模块。多个电池模块的容量可彼此相同或者彼此不同。
电压传感器342感测电池330的电压并且获取电压数据，电流传感器344感测电池330的电流并且获取电流数据，温度传感器346感测电池330的温度并且获取温度数据。电压传感器342、电流传感器344以及温度传感器346实时地测量电池330的状态。
电池控制设备310包括：缓冲器350、实时时钟(RTC)360、电池寿命估计设备320以及接口370。缓冲器350存储从电压传感器342、电流传感器344以及温度传感器346接收的电池感测数据。RTC 360保持当前时间并且将时间信息提供到缓冲器350。缓冲器350基于从RTC 360接收的时间信息，来记录从电压传感器342、电流传感器344以及温度传感器346接收电池感测数据的时间。
电池寿命估计设备320包括：存储器322、密度特征确定器324以及电池寿命估计器326。存储器322存储关于在训练电池寿命估计模型期间确定的簇的信息，以及训练的电池寿命估计模型的参数信息。关于簇的信息包括关于每个簇的质心的信息。存储器322可以是，例如，动态随机存取存储器(DRAM)、静态RAM(SRAM)、铁电RAM(FRAM)、闪存、硬盘驱动器(HDD)或者固态驱动器(SSD)，但是这些仅是示例，并且本领域普通技术人员所知的任何类型的存储器可被用作为存储器322。
密度特征确定器324从不同类型的电池感测数据生成密度数据。密度特征确定器324基于关于存储在存储器322中的簇的信息，针对每个簇来量化电池感测数据的密度。例如，密度特征确定器324对包括在每个簇中的密度多条数据计数，并且基于计数的结果，来确定与密度数据相应的密度矢量。
电池寿命估计器326基于被表示为例如密度矢量的密度特征，来估计电池330的寿命。电池寿命估计器326将密度特征输入到训练的电池寿命估计模型，并且估计电池330的寿命。例如，当NN模型被用作为电池寿命估计模型时，电池寿命估计器326将存储在存储器322中的NN模型的参数信息应用到电池寿命估计模型。电池寿命估计模型基于输入的密度特征来输出电池330的寿命的估计。
接口370将关于估计的电池330的寿命的信息发送到另一设备，或者将关于估计的寿命的信息显示在显示设备上。
图4示出基于电池感测数据获取密度数据的处理的示例。图1的训练设备100和图2的电池寿命估计设备230二者基于电池感测数据来获取密度数据。
在图4中，当重复电池的充电和放电时，电池感测数据随时间被感测。曲线图410示出电池的电压随时间的改变，曲线图420示出电池的电流随时间的改变，曲线图430示出电池的温度随时间的改变。在曲线图410至曲线图430中，X轴表示时间。
从电池感测的不同类型的电池感测数据彼此相关。当电池感测数据基于曲线图410至曲线图430被分析时，在电池的放电期间，电流具有负值，电压的值减小，温度的值增大。在电池的充电期间，电流具有正值，电压的值增大，温度的值减小。
电池感测数据以投影到3D空间上的密度数据440的形式被表示，而不是被独立地处理。通过将在预定时间戳感测的电池的电压数据、电流数据以及温度数据表示为3D数据Vt、It和Tt并且将电压数据、电流数据以及温度数据投影到3D空间上来获取密度数据440。3D数据Vt、It和Tt分别表示在时间点t感测的电池的电压值、电流值以及温度值。包括在密度数据440中的点450中的每个点指示在预定时间戳感测的并且投影到3D空间上的电池感测数据。点450包括在同一时间点感测的电池的电压信息、电流信息以及温度信息。因为电池感测数据连续地被累积，所以包括在密度数据440中的点的数量随时间增大。
已经参照图4描述了基于三种类型的电池感测数据(即，电压、电流以及温度)的密度数据的生成，但是这仅是一个示例。根据实施，密度数据可基于两种类型的感测数据或者四种或更多类型的感测数据而被生成。在一个示例中，密度数据可基于电池的电压数据和电流数据被生成。在另一个示例中，密度数据可基于电压数据、电流数据和温度数据以及通过加速度传感器测量的加速度数据而被生成。
图5示出密度数据的示例。在图5中，密度数据510基于各种电池管理概况而被生成。电池管理概况被用于在提供的电池管理环境中在电池的充电和放电被连续地执行时，感测电池的特性(例如，电池的寿命)的改变。
电池感测数据的密度根据可与电池的老化相关的电池管理概况而改变。例如，EV在城市中行驶的示例中的电池管理概况不同于EV在高速公路上行驶的示例中的电池管理概况，这可导致基于电池感测数据的密度数据的差异以及电池容量减小模式的差异。图1的训练设备100基于各种电池管理概况来采集电池感测数据，并且基于采集的电池感测数据来获取各种电池管理环境中的密度数据。
图6示出根据实施例的获取密度数据集合以及将密度数据集合中的密度数据分簇的处理的示例。
参照图6，图1的训练设备100基于各种电池管理概况采集密度数据510，并且通过合并采集的密度数据510来生成密度数据集合610。训练设备100将密度数据集合610分簇为多个簇。通过分簇，由密度数据集合610表示的整个区域被划分为多个子区域。单个子区域对应于单个簇。
训练设备100在分簇之前基于每个轴来归一化密度数据集合610的分布。通过归一化，包括在密度数据集合610中的数据被防止由于不同类型的电池感测数据之间的比例的差异而引起的向预定轴偏斜。训练设备100将已经执行了归一化的密度数据集合610划分为多个簇。
训练设备100使用各种分簇方案(例如，k均值分簇方案)，将密度数据集合610划分为多个簇。图6示出通过分簇被划分为多个簇的密度数据集合620。在图6中，密度数据集合610被假设为使用k均值分簇方案被划分为50个簇。例如，在所有簇的质心中，包括在簇区域中的点位于最接近于该簇区域的质心的位置。
当分簇被执行时，训练设备100将包括每个簇的质心的位置信息的簇信息存储在存储器中。例如，当密度数据集合610被划分为50个簇时，训练设备100存储包括50个簇中的每个簇的质心的位置信息的簇信息。存储的簇信息被用于在估计电池的寿命期间确定密度特征。
图7A和图7B示出确定密度特征的处理的示例。
参照图7A，图1的训练设备100基于在预定的时间间隔期间测量的电池感测数据来获取密度数据，并且使用获取的密度数据作为训练数据710。训练设备100基于训练数据710以及通过图6中的分簇被划分为多个簇的密度数据集合620，来确定与训练数据710相应的密度特征。
训练设备100通过对包括在每个簇中的多条训练数据710计数，来量化训练数据710。例如，一条训练数据710被表示为点p(Vt,It,Tt)，训练设备100计算点p与簇的质心中的每个质心之间的距离，并且确定位于距离点p最短距离处的簇包括点p。
训练设备100将计数的结果的分布表示为直方图720。直方图720包括关于包括在每个簇中的训练数据710的条数。直方图720的每个直条(bin)的大小指示包括在每个簇中的训练数据710的条数。训练设备100基于包括在每个簇中的训练数据710的条数来确定密度特征。
例如，训练设备100确定包括作为元素的包括在簇中的训练数据710的条数的密度矢量。当50个簇通过分簇处理被生成时，训练设备100量化包括在50个簇中的每个簇中的训练数据710的条数，并且确定50维密度矢量，其中，在50维密度矢量中，元素中的每个元素是包括在簇中的一个相应的簇中的训练数据710的条数。例如，如下面等式1所示来表示密度矢量。
[等式1]
V t = ( v 1 t , v 2 t , ... , v i t , ... , v 50 t )
在等式1中，Vt表示密度矢量，表示在从0至时间t的预定时间间隔期间，包括在第i个簇中的数据的条数。
训练设备100基于确定的密度矢量，来训练电池寿命估计模型。电池寿命估计模型被用于估计电池的寿命。训练设备100基于在各种电池管理状态下采集的训练数据以及与训练数据相应的电池的寿命的实际测量值，来训练电池寿命估计模型。例如通过测量根据周期性地对电池完全充电和放电而减小的电池的容量或者通过测量电池的增大的内阻抗，来获取实际测量值。
训练设备100将基于训练数据710确定的密度矢量输入到电池寿命估计模型，并且训练电池寿命估计模型，以减小从电池寿命估计模型输出的结果值与实际测量值(或期望的结果值)之间的差。通过训练，电池寿命估计模型的参数被优化。
例如，当NN模型被用作为电池寿命估计模型时，训练设备100可使用误差反向传播学习方案来训练电池寿命估计模型。误差反向传播学习方案是通过训练数据的正向计算来估计误差、将估计的误差从NN模型的输出层向后传播到NN模型的隐含层和输出层并更新人工神经元之间的连接权重以减小误差的方案。
如以上所描述的训练的电池寿命估计模型和电池寿命估计模型的参数信息被包括在图2的电池寿命估计设备230中。例如，在EV工作的同时，电池寿命估计设备230基于从电池感测的电池感测数据，来实时地估计EV中的电池的寿命。
电池寿命估计设备230基于从电池感测的感测数据来生成密度数据，量化包括在每个确定的簇中的密度数据条数(或元素的值)，并且从密度数据的簇来确定密度特征。基于训练数据710确定密度特征的以上的描述还可应用于基于由电池寿命估计设备230生成的密度数据确定密度特征的处理，因此在此不被描述。
图7B示出通过量化基于与图7A的电池管理概况不同的电池管理概况获取的训练数据730来确定密度特征的示例。与图7A相似，训练设备100基于训练数据730以及密度数据集合620来获取直方图740。密度特征基于电池管理概况被确定。
图8示出用户接口的示例。
参照图8，电池控制设备从外部设备接收触发信号，并且响应于触发信号获取电池感测数据。因此，即使电池仅被部分地充电和放电，电池控制设备也可实时地估计电池的寿命的终点(EOL)。例如，当包括电池和电池控制设备的EV的点火装置被打开时，EV的电子控制单元(ECU)在仪表盘上显示用户接口810。用户接口810包括被配置为生成触发信号的接口820。当用户选择接口820时，ECU将触发信号发送到电池控制设备。电池控制设备基于电池感测数据来估计电池的EOL。电池控制设备将估计的EOL发送到ECU。ECU控制用户接口显示从电池控制设备接收的EOL。
图9示出用于提供电池寿命信息的用户接口的示例。
参照图9，EV 910包括电池系统920。电池系统920包括电池930和电池控制设备940。电池控制设备940估计电池930的寿命并且使用无线接口将电池930的寿命发送到终端950。
在一个示例中，电池控制设备940通过无线接口从终端950接收触发信号，并且响应于触发信号来估计电池930的寿命。电池控制设备940使用无线接口将估计的寿命发送到终端950。终端950使用用户接口960来显示电池930的估计的寿命970。
图10是示出训练电池寿命估计模型的方法的示例的流程图。通过例如图1的训练设备100来执行图10的方法。
参照图10，在操作1010中，训练设备100获取电池感测数据。训练设备100采集不同类型的电池感测数据并且基于采集的电池感测数据来生成密度数据。
在操作1020中，训练设备100通过合并密度数据来获取密度数据集合。训练设备100基于各种电池管理概况来获取密度数据，并且通过合并密度数据来生成密度数据集合。
在操作1030中，训练设备100将密度数据集合中的密度数据分簇为多个簇。训练设备100将密度数据集合所表示的区域划分为预定数量的簇，并且存储关于簇的信息。训练设备100在分簇之前归一化密度数据集合的分布。
在操作1040中，训练设备100使用簇基于训练数据来确定密度特征。训练设备100对包括在每个簇中的多条训练数据计数，量化训练数据的密度模式并且基于量化结果来确定密度特征。
在操作1050中，训练设备100基于密度特征来训练电池寿命估计模型。训练设备100使用如以上所描述的各种机器学习方案中的任意方案来训练电池寿命估计模型，并且存储关于簇的信息以及关于作为训练结果的训练的电池寿命模型的信息。
以上图1、图4、图5、图6、图7A和图7B的描述也可应用于图10的方法，因此在此不被重复。
图11是示出估计电池的寿命的方法的示例的流程图。通过例如图2的电池寿命估计设备230来执行图11的方法。
参照图11，在操作1110中，电池寿命估计设备230获取电池感测数据。电池寿命估计设备230获取感测数据，例如，电池的电压数据、电流数据以及温度数据。
在操作1120中，电池寿命估计设备230基于电池感测数据来获取密度数据。例如，电池寿命估计设备230合并不同类型的电池感测数据，并且通过随时间累积合并的电池感测数据来获取密度数据。
在操作1130中，电池寿命估计设备230使用簇来基于密度数据确定密度特征。电池寿命估计设备230基于在训练电池寿命估计模型期间确定的簇信息来量化密度数据的密度模式。电池寿命估计设备230将密度数据转换为密度向量作为密度特征。电池寿命估计设备230对包括在每个簇中的多条密度数据计数，并且基于通过针对每个簇计数获得的计数值来确定密度矢量作为密度特征。
在操作1140中，电池寿命估计设备230基于密度特征来估计电池的寿命。电池寿命估计设备230将密度特征输入到训练的估计电池的当前寿命的电池寿命估计模型。
以上图2、图3、图4、图5、图7A、图7B、图8和图9的描述也可应用于图11的方法，因此在此不被重复。
通过硬件组件来实现执行在此关于图1至图11所描述的操作的图1中示出的训练设备100、密度数据集合获取器110、分簇器120、密度特征确定器130和电池寿命估计模型训练器140，图2中示出的电池寿命估计设备230、密度数据获取器240、密度特征确定器250和电池寿命估计器260，图3中示出的电池控制设备310、电池寿命估计设备320、存储器322、密度特征确定器324、电池寿命估计器326、缓冲器350、实时时钟(RTC)360和接口370，图8中示出的用户接口810和接口820，以及图9中示出的电池控制设备940、终端950和用户接口960。硬件组件的示例包括控制器、传感器、生成器、驱动器、存储器、比较器、算术逻辑单元、加法器、减法器、乘法器、除法器、积分器以及本领域普通技术人员所知的任何其他电子组件。在一个示例中，通过计算硬件，例如通过一个或多个处理器或计算机来实现硬件组件。通过一个或多个处理元件(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、微处理器或者本领域普通技术人员所知的能够以限定方式响应并执行指令以达到预期结果的任何其他装置或装置的组合)来实现处理器或计算机。在一个示例中，处理器或计算机包括或者被连接到存储由处理器或计算机执行的指令或软件的一个或多个存储器。由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上运行的一个或多个软件应用，以执行在此描述的关于图1至图11的操作。硬件组件还响应于指令或软件的执行来访问、操控、处理、创建和存储数据。为了简化，单数术语“处理器”或“计算机”可被用于在此描述的示例的描述，但是，在其他示例中，多个处理器或计算机被使用，或者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，或二者。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。硬件组件具有不同的处理配置中的任何一个或多个，不同的处理配置的示例包括：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。
通过如以上描述的执行指令或软件以执行在此描述的操作的处理器或计算机，执行关于图1至图11在此描述的操作的图10至图11中示出的方法。
用于控制处理器或计算机实现硬件组件并且执行以上描述的方法的指令或软件被编写为计算机程序、代码段、指令或者它们的任何组合，以单独地或共同地指示或配置处理器或计算机如机器或专用计算机一样进行工作，以执行由硬件组件执行的操作和以上描述的方法。在一个示例中，指令或软件包括直接地由处理器或计算机执行的机器代码(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器或计算机使用解释器执行的高级代码。本领域的普通技术编程者能基于附图中所示的框图和流程图以及在公开了用于执行由硬件组件执行的操作和以上描述的方法的算法的说明书中的相应描述，来容易地编写指令或软件。
用于控制处理器或计算机实现硬件组件和执行如以上描述的方法的指令或软件，以及任何相关的数据、数据文件和数据结构被记录、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或被记录、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-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，以及本领域普通技术人员所知的任何装置，其中，所述任何装置能够以非暂时性方式存储指令或软件以及任何相关数据、数据文件和数据结构，并且将指令或软件以及任何相关数据、数据文件和数据结构提供给处理器或计算机，从而处理器或计算机能执行指令。在一个示例中，指令或软件以及任何相关数据、数据文件和数据结构被分布在联网的计算机系统上，从而指令或软件以及任何相关数据、数据文件和数据结构以分布的方式被处理器或计算机存储、访问和执行。
虽然本公开包括特定示例，但是，在不脱离权利要求及其等同物的精神和范围的情况下，可在这些示例中进行形式和细节上的各种改变对本领域的普通技术人员而言将是清楚的。在此描述的示例应仅被理解为描述性意义，而不是为了限制的目的。对每个示例中的特征或方面的描述应被理解为可应用于其他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、构架、装置或电路中的组件以不同的方式来组合，和/或由其他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详细描述来限定，而是由权利要求及其等同物来限定，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被包括在本公开中。

Claims (25)

1.一种估计电池的寿命的方法，所述方法包括：
基于电池感测数据获取密度数据；
使用通过基于多个电池管理概况分簇密度数据集合生成的簇，来基于密度数据确定密度特征；
基于密度特征来估计电池的寿命。
2.如权利要求1所述的方法，其中，确定密度特征的步骤包括：基于包括在每个簇中的密度数据的条数来确定密度特征。
3.如权利要求2所述的方法，其中，确定密度特征的步骤还包括：基于每个簇的质心确定包括在每个簇中的多条密度数据。
4.如权利要求1所述的方法，其中，所述确定的步骤包括：
基于包括在每个簇中的密度数据的条数来生成直方图；
基于直方图来确定密度矢量。
5.如权利要求1所述的方法，其中，所述确定的步骤包括：基于所述簇将密度数据转换为密度矢量。
6.如权利要求1所述的方法，其中，所述获取的步骤包括：
合并在同一时间点感测的不同类型的电池感测数据；
通过随时间累积合并的电池感测数据来获取密度数据。
7.如权利要求1所述的方法，其中，密度数据是表示电池感测数据随时间的空间分布的数据。
8.如权利要求1所述的方法，其中，电池感测数据包括电池的电压数据、电流数据和温度数据中的任意一个或者任意两个或更多个的任意组合。
9.如权利要求1所述的方法，其中，密度数据集合是基于所述多个电池管理概况的密度数据的组合。
10.如权利要求1所述的方法，其中，所述估计的步骤包括：使用电池寿命估计模型从密度特征来估计电池的寿命；
电池寿命估计模型基于神经网络(NN)模型、支持向量机(SVM)模型以及高斯过程回归(GPR)模型中的任意一个。
11.一种训练电池寿命估计模型的方法，所述方法包括：
通过合并基于电池感测数据获取的密度数据来获取密度数据集合；
将密度数据集合中的密度数据分簇为多个簇；
使用所述多个簇基于训练数据来确定密度特征；
基于密度特征来训练电池寿命估计模型。
12.如权利要求11所述的方法，其中，确定密度特征的步骤包括：基于构成包括在每个簇中的训练数据的密度数据的条数来确定密度特征。
13.如权利要求12所述的方法，其中，确定密度特征的步骤还包括：基于每个簇的质心来确定包括在每个簇中的所述条密度数据。
14.如权利要求11所述的方法，其中，所述确定的步骤包括：
基于构成包括在每个簇中的训练数据的密度数据的条数来生成直方图；
基于直方图来确定密度矢量。
15.如权利要求11所述的方法，还包括存储关于所述多个簇的信息以及关于训练的电池寿命估计模型的信息。
16.如权利要求11所述的方法，还包括归一化密度数据集合；
其中，分簇的步骤包括：将构成归一化的密度数据集合中的训练数据的密度数据分簇为所述多个簇。
17.如权利要求11所述的方法，其中，所述获取的步骤包括：
基于多个电池管理概况来获取密度数据；
通过合并获取的密度数据来获取密度数据集合。
18.如权利要求11所述的方法，其中，所述获取的步骤包括：
合并在同一时间点感测的不同类型的电池感测数据；
随时间累积合并的电池感测数据。
19.一种用于估计电池的寿命的设备，所述设备包括：
存储器，被配置为存储计算机可读指令；
处理器，被配置为执行所述指令，使得处理器被配置为：
获取电池感测数据并且将电池感测数据转换为空间数据；
基于空间数据确定空间特征；
基于空间特征来估计电池的寿命。
20.如权利要求19所述的设备，其中，处理器被配置为将电池感测数据投影到具有预定维度的空间上，以获得空间数据。
21.如权利要求20所述的设备，其中，处理器还被配置为：获取一时间段内的电池感测数据；
电池感测数据包括从电池感测的N种类型的电池数据；
具有所述预定维度的空间是N维空间；
N种类型的电池数据中的每种类型的电池数据被投影到N维空间的相应的维度上。
22.如权利要求19所述的设备，其中，空间数据是指示在具有预定维度的空间中电池感测数据的密度分布的密度数据；
处理器被配置为：基于多个电池管理概况在空间中将密度数据分簇为多个簇，并且基于所述多个簇来确定空间特征。
23.如权利要求22所述的设备，其中，每个簇包括：与所述多个簇中的任何其他簇的质心相比，更接近该簇的质心的所有条密度数据。
24.如权利要求23所述的设备，其中，处理器被配置为：对每个簇中的密度数据的条数计数，基于每个簇中的密度数据的条数来确定密度矢量作为空间特征，并且基于密度矢量估计电池的寿命。
25.如权利要求24所述的设备，其中，密度矢量包括：分别与所述多个簇相应的元素；
所述元素中的每个元素是所述多个簇中的各自的一个簇中的密度数据的条数。
CN201610288538.6A 2015-07-21 2016-05-04 用于估计电池的状态的方法和设备 Active CN106371021B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2015-0102854 2015-07-21
KR1020150102854A KR102468895B1 (ko) 2015-07-21 2015-07-21 배터리의 상태를 추정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
CN106371021A true CN106371021A (zh) 2017-02-01
CN106371021B CN106371021B (zh) 2021-01-01

Family

ID=55361390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610288538.6A Active CN106371021B (zh) 2015-07-21 2016-05-04 用于估计电池的状态的方法和设备

Country Status (5)

Country Link
US (1) US10444289B2 (zh)
EP (1) EP3121614A1 (zh)
JP (1) JP6803163B2 (zh)
KR (1) KR102468895B1 (zh)
CN (1) CN106371021B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109298351A (zh) * 2018-09-30 2019-02-01 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
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
CN109633450A (zh) * 2018-11-23 2019-04-16 成都云材智慧数据科技有限公司 一种基于神经网络的锂电池充电检测系统
CN110687452A (zh) * 2019-09-05 2020-01-14 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法
CN111688542A (zh) * 2019-03-12 2020-09-22 丰田自动车株式会社 电池寿命学习装置、电池寿命预测装置、方法及存储有程序的存储介质
US11340306B2 (en) 2017-11-16 2022-05-24 Semiconductor Energy Laboratory Co., Ltd. Lifetime estimation device, lifetime estimation method, and abnormality detection method of secondary battery
WO2022151819A1 (zh) * 2021-01-18 2022-07-21 北京理工大学 一种基于聚类分析的电池系统在线故障诊断方法和系统

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
DE102016112173A1 (de) * 2016-07-04 2018-01-04 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Einstellung
GB2556076B (en) * 2016-11-17 2022-02-23 Bboxx Ltd Method
KR102252179B1 (ko) * 2017-03-07 2021-05-14 주식회사 엘지화학 외부 전원 없이 동작하는 배터리 모듈 데이터 저장장치
JP6403351B1 (ja) * 2017-04-07 2018-10-10 株式会社ミニ・ソリューション 電源監視システム
KR20230170991A (ko) * 2017-05-03 2023-12-19 가부시키가이샤 한도오따이 에네루기 켄큐쇼 신경망, 전력 저장 시스템, 차량, 및 전자 기기
JP7235409B2 (ja) * 2017-06-16 2023-03-08 株式会社半導体エネルギー研究所 充電制御システム及び充電制御方法
CN107290679B (zh) * 2017-07-03 2019-11-12 南京能瑞电力科技有限公司 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
US11637331B2 (en) 2017-11-20 2023-04-25 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge and state of health estimation
US11171498B2 (en) 2017-11-20 2021-11-09 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge estimation
US11293989B2 (en) 2018-03-15 2022-04-05 Nec Corporation Anomaly detection device, anomaly detection method, and recording medium
KR102079875B1 (ko) * 2018-10-10 2020-02-19 한국전력공사 배터리의 열화 모듈 또는 열화 셀 검출장치 및 방법
CN109324294A (zh) * 2018-11-22 2019-02-12 联想(北京)有限公司 数据处理方法及其装置
JP7229062B2 (ja) * 2019-03-27 2023-02-27 本田技研工業株式会社 寿命予測装置、寿命予測方法、及びプログラム
CN112084459A (zh) * 2019-06-12 2020-12-15 电计贸易(上海)有限公司 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
KR102335180B1 (ko) * 2019-07-02 2021-12-03 성균관대학교산학협력단 배터리의 노화 상태 추정 장치 및 방법
KR102089524B1 (ko) * 2019-07-15 2020-03-16 주식회사 에버정보기술 무정전 전원 공급 시스템
KR102246895B1 (ko) * 2019-09-23 2021-04-29 한전케이디엔주식회사 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법
WO2021059950A1 (ja) 2019-09-25 2021-04-01 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、及び演算装置
JP7381742B2 (ja) * 2020-06-02 2023-11-15 エルジー エナジー ソリューション リミテッド バッテリーサービス提供システム及び方法
KR102440442B1 (ko) * 2020-07-23 2022-09-06 주식회사 휴네이트 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법
US11333712B2 (en) 2020-08-28 2022-05-17 Sparkcognttion, Inc. Battery failure prediction
CN112347692B (zh) * 2020-09-21 2024-02-06 深圳有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
CN112305441B (zh) * 2020-10-14 2023-06-16 北方工业大学 一种集成式聚类下的动力电池健康状态评估方法
TWI757161B (zh) * 2021-04-23 2022-03-01 國立中山大學 電池健康狀態估測方法
US11385694B1 (en) * 2021-08-17 2022-07-12 Beta Air, Llc Systems and methods for determining remaining useful energy in an electric aircraft
CN113900033B (zh) * 2021-09-23 2022-07-08 浙江大学 基于充电数据空间分布特征的锂电池在线寿命预测方法
CN113655385B (zh) * 2021-10-19 2022-02-08 深圳市德兰明海科技有限公司 锂电池soc估计方法、装置及计算机可读存储介质
CN114264957B (zh) * 2021-12-02 2024-05-07 东软集团股份有限公司 一种异常单体检测方法及其相关设备
KR20230145799A (ko) * 2022-04-11 2023-10-18 주식회사 엘지에너지솔루션 배터리에 대한 불량률 예측 장치 및 방법
WO2024102372A1 (en) * 2022-11-07 2024-05-16 Electra Vehicles, Inc. Method and system for mission-defined fitness of an energy storage system

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis
CN102088750A (zh) * 2009-12-08 2011-06-08 中国移动通信集团公司 一种多入多出技术中的传播径分簇方法和装置
CN103325071A (zh) * 2013-06-09 2013-09-25 浙江大学 一种基于密度聚类的用户典型负荷曲线的构建方法
CN103561419A (zh) * 2013-11-07 2014-02-05 东南大学 基于相关性的分布式事件检测方法
CN104133866A (zh) * 2014-07-18 2014-11-05 国家电网公司 一种面向智能电网的缺失数据填充方法
WO2015101570A1 (fr) * 2014-01-03 2015-07-09 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3076118B2 (ja) * 1991-11-27 2000-08-14 シスメックス株式会社 粒子計数方法
JP4818808B2 (ja) * 2006-05-19 2011-11-16 富士電機株式会社 組電池状態測定装置、組電池劣化判定方法および組電池劣化判定プログラム
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
US8258751B2 (en) 2007-11-15 2012-09-04 Broadcom Corporation Method and system for tracking battery state-of-health based on charging information
KR20100063343A (ko) 2008-12-03 2010-06-11 기아자동차주식회사 하이브리드 자동차의 배터리 건강상태 추정 시스템 및 방법
US8519674B2 (en) 2009-11-12 2013-08-27 GM Global Technology Operations LLC Method for estimating battery degradation in a vehicle battery pack
KR101065551B1 (ko) 2010-01-08 2011-09-19 주식회사 엘지화학 배터리의 용량 추정 장치 및 방법
US20130069660A1 (en) 2010-02-17 2013-03-21 Julien Bernard Method for in situ battery diagnostic by electrochemical impedance spectroscopy
JP4689756B1 (ja) 2010-03-31 2011-05-25 古河電気工業株式会社 電池内部状態推定装置および電池内部状態推定方法
KR101671998B1 (ko) 2010-04-02 2016-11-04 에스케이이노베이션 주식회사 배터리의 용량 열화 상태 측정 장치 및 방법
US8346495B2 (en) * 2010-04-22 2013-01-01 Battelle Energy Alliance, Llc Systems, methods and computer-readable media to model kinetic performance of rechargeable electrochemical devices
DE102010031337A1 (de) * 2010-07-14 2012-01-19 Sb Limotive Company Ltd. Verfahren zur Ermittlung der voraussichtlichen Lebensdauer wenigstens einer Batteriezelle, Batterie mit einer Mehrzahl von Batteriezellen und Kraftfahrzeug
JP4845066B1 (ja) 2010-08-18 2011-12-28 古河電気工業株式会社 蓄電デバイスの状態検知方法及びその装置
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
KR20130021991A (ko) 2011-08-24 2013-03-06 현대모비스 주식회사 군집화 기법을 이용한 차량용 배터리의 방전시간을 예측하는 장치 및 그 방법
JP5852399B2 (ja) * 2011-10-17 2016-02-03 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ バッテリの状態予測システム、方法及びプログラム
KR101711028B1 (ko) 2012-05-04 2017-03-13 한국전자통신연구원 클러스터링 기법을 이용한 차량 이상상태 모니터링 장치 및 그 방법
JP2014190763A (ja) * 2013-03-26 2014-10-06 Toshiba Corp 電池寿命推定方法及び電池寿命推定装置
CN104237791A (zh) * 2013-06-20 2014-12-24 电子科技大学 一种锂电池荷电状态估算方法及电池管理系统和电池系统
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
US9535480B2 (en) * 2013-11-26 2017-01-03 Nec Corporation Power coordination system for hybrid energy storage system
KR102221756B1 (ko) * 2014-07-18 2021-03-02 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
US9693308B2 (en) * 2014-09-18 2017-06-27 Samsung Electronics Co., Ltd. Method and mobile communication terminal for estimating battery consumption state
KR101720841B1 (ko) * 2014-10-24 2017-03-28 주식회사 엘지화학 배터리 관리 시스템의 태스크 스케쥴러 오작동 검출 장치 및 방법
KR20160090140A (ko) 2015-01-21 2016-07-29 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
WO2016135853A1 (ja) * 2015-02-24 2016-09-01 株式会社東芝 蓄電池管理装置、方法及びプログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US20090326841A1 (en) * 2008-06-27 2009-12-31 Gm Global Technology Operations, Inc. Pattern recognition approach to battery diagnosis and prognosis
CN102088750A (zh) * 2009-12-08 2011-06-08 中国移动通信集团公司 一种多入多出技术中的传播径分簇方法和装置
CN103325071A (zh) * 2013-06-09 2013-09-25 浙江大学 一种基于密度聚类的用户典型负荷曲线的构建方法
CN103561419A (zh) * 2013-11-07 2014-02-05 东南大学 基于相关性的分布式事件检测方法
WO2015101570A1 (fr) * 2014-01-03 2015-07-09 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation
CN104133866A (zh) * 2014-07-18 2014-11-05 国家电网公司 一种面向智能电网的缺失数据填充方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ADNAN NUHIC ET AL.: "Health diagnosis and remaining useful life prognostics of lithium-ion batteries using data-driven methodsq", 《JOURNAL OF POWER SOURCES》 *
XIAOSONG HU ET AL.: "Fuzzy Clustering based Multi-model Support Vector Regression State of Charge Estimator for Lithium-ion Battery of Electric Vehicle", 《2009 INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US11340306B2 (en) 2017-11-16 2022-05-24 Semiconductor Energy Laboratory Co., Ltd. Lifetime estimation device, lifetime estimation method, and abnormality detection method of secondary battery
CN109298351A (zh) * 2018-09-30 2019-02-01 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
CN109633450A (zh) * 2018-11-23 2019-04-16 成都云材智慧数据科技有限公司 一种基于神经网络的锂电池充电检测系统
CN111688542A (zh) * 2019-03-12 2020-09-22 丰田自动车株式会社 电池寿命学习装置、电池寿命预测装置、方法及存储有程序的存储介质
US11774503B2 (en) 2019-03-12 2023-10-03 Toyota Jidosha Kabushiki Kaisha Battery life learning device, battery life prediction device, method and non-transitory computer readable medium
CN111688542B (zh) * 2019-03-12 2023-10-24 丰田自动车株式会社 电池寿命学习装置、电池寿命预测装置、方法及存储有程序的存储介质
CN110687452A (zh) * 2019-09-05 2020-01-14 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法
CN110687452B (zh) * 2019-09-05 2022-05-20 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法
WO2022151819A1 (zh) * 2021-01-18 2022-07-21 北京理工大学 一种基于聚类分析的电池系统在线故障诊断方法和系统

Also Published As

Publication number Publication date
KR102468895B1 (ko) 2022-11-21
JP2017026616A (ja) 2017-02-02
JP6803163B2 (ja) 2020-12-23
US20170023649A1 (en) 2017-01-26
CN106371021B (zh) 2021-01-01
EP3121614A1 (en) 2017-01-25
KR20170011010A (ko) 2017-02-02
US10444289B2 (en) 2019-10-15

Similar Documents

Publication Publication Date Title
CN106371021A (zh) 用于估计电池的状态的方法和设备
CN106249152B (zh) 用于估计电池状态的方法和设备
EP3351953B1 (en) Battery management method and apparatus
CN109196366B (zh) 使用高斯过程回归估计电池充电状态的方法和系统
US20180316204A1 (en) Method and apparatus to predict capacity fade rate of battery
WO2019202752A1 (ja) 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム
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
Shah et al. State of charge, remaining useful life and knee point estimation based on artificial intelligence and Machine learning in lithium-ion EV batteries: A comprehensive review
US20220011370A1 (en) Apparatus for mining battery characteristic data having sensitivity to solid phase diffusion coefficient of battery electrode and method thereof
JP2021150290A (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
WO2021100673A1 (ja) 評価装置、コンピュータプログラム及び評価方法
CN104076284B (zh) 电池荷电状态soc的跟踪方法和装置
CN116400241A (zh) 基于全生命周期运行数据的电池健康评估方法及装置
Eleftheriadis et al. Comparative study of machine learning techniques for the state of health estimation of li-ion batteries
US11774504B2 (en) System and method for battery management
Heitzmann et al. Sochap: A new data driven explainable prediction of battery state of charge
CN115825746A (zh) 一种锂电池的电池状态的估计方法及装置
CN113156314A (zh) 一种整车级动力电池寿命衰减的测算方法
Liu et al. Big field data-driven battery pack health estimation for electric vehicles: A deep-fusion transfer learning approach
KR20210128181A (ko) 전지의 용량 측정 장치 및 방법
Bose et al. Analysis of SoC Estimation for Master-Slave BMS Configuration
CN117237034B (zh) 度电成本确定方法、装置、计算机设备及存储介质
CN117341477B (zh) 磷酸铁锂动力电池内短路预警方法、装置和计算机设备
WO2023042790A1 (ja) 予測データ表示装置、予測データ表示方法及び予測データ表示プログラム
Feng et al. A heterogeneous learner fusion method with supplementary feature for lithium-ion batteries state of health estimation

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