CN110214280B

CN110214280B - 用于确定电池的健康状态的计算机实现的方法、设备及系统

Info

Publication number: CN110214280B
Application number: CN201780083779.XA
Authority: CN
Inventors: 谢尔盖·马尔科夫
Original assignee: Bboxx Ltd
Current assignee: Bboxx Ltd
Priority date: 2016-11-17
Filing date: 2017-11-17
Publication date: 2021-10-12
Anticipated expiration: 2037-11-17
Also published as: GB2556076B; EP3542173B1; EP3542173A1; US11215674B2; US20190346513A1; JP7155138B2; JP2019537923A; CN110214280A; GB2556076A; WO2018091904A1; GB201619484D0

Abstract

描述了一种计算机实现的方法，包括：从电池接收数据集(S12)，所述数据集包括在一段时间内获得的电池电压和电流数据；准备所述数据集的多个子集(S14)，其中每个子集对应于所述时间段的子时段；通过将电池模型拟合到所述子集来确定所述电池的健康状态与时间的关系(S16)，其中所述电池模型的所述参数包括(i)在每个子时段中的特定时间点的所述电池的荷电状态和(ii)所述健康状态，其中所述健康状态的时间依赖性被控制，从而限制所述健康状态的所述时间变化率的大小；以及响应于健康状态满足特定标准而提供警报(S18)。

Description

用于确定电池的健康状态的计算机实现的方法、设备及系统

技术领域

本申请尤其涉及一种计算机实现的方法，其包括确定电池的健康状态。

背景技术

可充电电池具有很多种用途，包括例如用在离网太阳能系统中。理解这种电池的性能如何随时间改变是有用的。此外，这还可以使得电池能够被更有效地管理和维护。

电池的健康状态(SoH)可被定义为电池的当前容量与额定容量的比率。通常，SoH最初约为100％，并且随时间减少，例如每月减少几个％(百分比)。电池的荷电状态(SoC)可以被定义为电池中的电荷量与当前容量的比率。存在用于在使用电池时(即“在线”)测量SoC的各种已知技术。这些技术中的一些技术还涉及将电流流入或流出电池，即，“库仑计数”。

Plett，G.在2004年出版的《Journal of Power Sources》134 第262-276页发表的《Extended Kalman filtering for battery management systems of LiPB-based HEVbattery packs》第二部分 Modeling and identification中(Plett,G.,Extended Kalmanfiltering for battery management systems of LiPB-based HEV battery packs.Part2.Modeling and identification,Journal of Power Sources 134(2004)262–276)描述了用于基于扩展卡尔曼滤波和基于数学模型来估计包括SoC和容量衰减的值的方法，其中，该数学模型包括描述由于开路电压、欧姆损耗、极化时间常数、电化学滞后和温度的影响导致的动态贡献的项。

Gould，C.R.等人在2009年出版的电器电子工程学会(IEEE) Transactions onVehicular Technology,58的第3905-3916页发表的《New Battery Model and State-of-Health Determination Through Subspace Parameter Estimation and State-ObserverTechniques》中(Gould,C.R.et al,New Battery Model and State-of-HealthDetermination Through Subspace Parameter Estimation and State-ObserverTechniques,IEEE Transactions on Vehicular Technology,58(2009)3905–3916)描述了基于Randles的铅酸模型的重映射变体的自适应电池模型，其与子空间参数估计技术一起使用以识别和收敛于与SoC相关联的电压。这些电压的观察以及对估计的动态模型参数的退化的在线监测还允许评估电池老化(SoH)。

发明内容

根据本发明的第一方面，提供了一种计算机实现的方法，包括：

-从电池接收数据集，所述数据集包括在一时间段内获得的电池电压和电流数据；

-准备所述数据集的多个子集，其中每个子集对应于所述时间段的子时段；

-通过将电池模型拟合到所述子集来确定所述电池的健康状态 (SoH)与时间的关系，其中，所述电池模型的所述参数包括：

-在每个子时段中的特定时间点(例如，在每个子时段的开始处)的电池的荷电状态(SoC)；以及

-SoH，其中SoH的时间依赖性被控制，从而限制SoH的时间变化率的大小；以及

-响应于SoH满足特定标准而提供警报。

因此，所述方法可以提供从电池电压和电流数据确定SoH并且适当地警告例如系统或人员的有效和高效的方式。如果例如SoH低于特定值或被预测为低于特定值，则可提供警报。如将理解的，例如，可以通过电池管理系统使用警报来管理电池的使用，例如以限制放电深度。可替代地或另外地，可以使用警报来例如提示电池更换以避免电池故障。

所述方法可以由诸如计算机服务器系统的设备来执行。电池可以位于远离例如计算机服务器系统。电池可以包括向例如计算机服务器系统发送所述数据集(或以其他方式进行提供所述数据集)的设备。可以经由通信网络或以任何其他合适的方式来接收所述数据集。所述数据集可以例如实质上实时地或在一个或多个单独的部分中(例如，对应于在(最近的)过去获得的数据)被逐渐地接收。

电池可以是多个电池例如数万或更多个电池中的一个。

所述时间段可以是例如几个月。

电池电压可对应于电池的端子两端的电压。电池电流可对应于流入(例如，在充电期间)或流出(例如，在放电期间)电池的电流。电池可以包括获得电池电压和电流数据的设备。所述数据集可以包括使得能够获得电池电压和电流数据的时间的数据(例如，时间戳)。所述数据集可以包括与电池有关的附加数据。

如将在下面更详细地说明的，SoH的时间依赖性可以通过使SoH 成为时间的合适的函数来控制。

准备所述子集可以包括选择具有在电池电流较高的情况下的较高密度的点。准备所述子集可以包括选择具有在所述电池电压离特征 (例如，平均)电池电压较远的情况下的较高密度的点。

这些被选择的点(“智能点”)可以提供比未被选择的点更多的关于电池状况的信息。因此，可减少待处理的数据量从而改进性能，同时试图最大化确定SoH的准确性。

准备所述子集可以包括准备所述子集，使得所述子集中的每一个对应于所述电池的放电。

因此，由于电池模型的参数中的至少一个可(仅)涉及电池的充电，所以可有利地减少用于确定SoH的参数的数量。

准备所述子集可以包括选择对应于至少预定大小的放电的子集。预定大小可对应于电池的额定容量的预定比例，例如10％。

所述方法可以包括优先地选择对应于较大放电的子集。优先地选择子集可以包括向每个子集给出得分并且选择具有较高得分的子集。

与较小的放电相比，较大的放电可以提供关于电池的状态的更多信息。

所述方法可以包括优先地选择彼此更均匀地间隔开的子集。

更均匀地间隔开的子集可以使得SoH与时间的关系能够更有效和高效地确定。当SoH与时间的关系由样条函数(参见下文)描述时，这可能是特别有用的。

确定SoH与时间的关系可以包括确定描述SoH作为时间的函数的参数集。

描述SoH的时间依赖性的函数可对应于样条，例如三次样条。

因此，该函数可以是适当平滑的并且被适当地详述。

所述电池模型可以预测电池电压和电流之间的关系。例如，电池模型可以产生对应于测量的电池电流的预测的电池电压，并且预测的电池电压可以与对应的测量的电池电压进行比较。

将电池模型拟合到子集可以包括使用最优化算法使与电池模型的预测相关联的误差最小化。

电池模型可以使用常数SoH来拟合特定的子集。

电池模型可以使用库仑计数来拟合特定的子集。

电池模型可能不要求子集包括开路电压数据。

电池模型的参数可以包括(“第一”)函数的(“第一”)参数集，其描述作为电池电流的函数的电池的不可接近(inaccessible) 的容量。

电池的不可接近的容量可被定义为在给定(非零)电流下不可用于充电或放电的理论上可用的充电/容量的量。

如下面更详细地说明的，不可接近的容量可以通过当前理论上可用的容量(例如，在大约为0的放电电流下的容量)被归一化(以类似于SoC的方式)。归一化的不可接近的容量可以由符号

表示。

第一函数可以涉及

电池的充电深度(DoC)可被定义为

(当电池放电时)和

(当电池充电时)。对于放电，SoC可以被描述为表示理论上可用的电荷(例如，在约0的放电电流下可用的电荷)，并且DoC 可以被描述为表示在给定(非零)放电电流下实际可用的电荷。

第一参数中的至少一些可以是常数(例如，可以不随时间改变)。可以例如基于针对相同或相似类型的电池获得的容量对放电电流数据来预定第一参数中的至少一些。

电池模型的参数可以包括将电池电压与DoC相关联的(“第二”) 函数的(“第二”)参数集。

第二参数中的至少一些可以是常数。对于不同的电池，第二参数中的至少一些可以是不同的。因此，如将在下面更详细地说明的，可以通过将电池模型拟合到子集来确定第二参数中的至少一些。取决于电池是充电还是放电，第二参数中的至少一些可以是不同的。

第二函数可以包括双对数函数。

第二函数可以包括松弛时间校正，其中该校正可仅在低电流下施加。

电池模型还可以包括诸如在特定放电电流处的电池的额定容量 (其可以由符号C₀表示)和该放电电流(其可以由符号I₀表示)的参数。

将电池模型拟合到子集可以包括：

-使用内循环来至少确定在特定时间点处的荷电状态(SoC)；以及

-使用外循环来至少确定SoH与时间的关系。

因此，最优化算法可以更有效地收敛。

所述SoC可以在子集之间自由地变化，而SoH通常可以不改变。

使用外循环可以包括确定电池模型的其他参数中的至少一些，例如至少一些第二参数(参见上文)。

使用外循环可以包括确定描述SoH的时间依赖性的函数的结构，例如样条结的数量和位置。

所述方法可以包括：

-使用特定数目的初始子集来确定描述SoH作为时间的函数的参数集；以及然后

-使用至少一个另外的子集来更新所述参数。

因此，当以任意数量的子集开始时，所述方法可以准确地确定 SoH作为时间的函数。

所述方法可以包括响应于预定标准重新开始SoH与时间的关系的确定(例如，重新初始化参数)。预定标准可以是SoH与时间的关系的显著增加(例如SoH与时间的关系的导数超过预定值)。以这种方式，所述方法可以检测到电池已经被替换，并且可以响应于此而采取进一步的动作。预定标准可以是自从最后接收到电池电压和电流数据以来经过了预定时间量(例如几个月)。因此，可以避免随时间累积的错误。

所述方法可以包括通过使用粒子滤波器(或等同物)来将所述电池模型拟合到所述数据集的至少一部分，以确定SoC与时间的关系，所述数据集的至少一部分使用通过将所述电池模型拟合到所述子集来确定的所述电池模型的参数。

因此，SoC与时间的关系可以仅针对除了仅子时间段之外的时间来确定。例如，可以针对与电池的充电相对应的数据和/或对应于未被选择的放电的数据来确定SoC。可以针对获得所述数据集的整个时间段来确定SoC。

使用粒子滤波器可以包括使用通过将电池模型拟合到子集确定的SoH与时间的关系的数据。可在任何特定时间，例如使用描述SoH 作为时间的函数的参数和/或通过插值，确定SoH。

使用粒子滤波器可以包括确定与电池的充电相关的电池模型的至少一个参数(例如，第二参数中的一个，参见上文)。

所述方法可以包括响应于SoC与时间的关系满足特定标准而提供警报。

因此，电池的特定状况(例如，充电问题)可被识别并起作用。

可以提供用于执行所述方法的计算机程序。可以提供一种包括计算机程序的非暂时性计算机可读介质。

根据本发明的第二方面，提供了一种被配置为执行所述方法的设备。

所述设备可以包括至少一个处理器和至少一个存储器，所述至少一个存储器包括计算机程序代码，所述至少一个存储器和所述计算机程序代码被配置为利用所述至少一个处理器使得所述设备执行所述方法。

可以提供一种系统，包括：

所述设备；

一个或多个电池；以及

通信网络，其被配置为使得所述设备能够从所述电池中的每一个接收数据集。

附图说明

现在将参考附图通过示例的方式描述本发明的某些实施例，在附图中：

图1示出了系统；

图2示出了可以是图1的系统的一部分的电池系统；

图3示出了可以是图1的系统的一部分的服务器；

图4示出了与图3的服务器相关联的软件和数据；

图5示出了可以由图3的服务器执行的方法；

图6更详细地示出了图5的方法的数据准备步骤；

图7示出了通过图6的步骤准备的数据的子集((a)电流和(b) 电压与时间的关系)的示例；

图8(a)-8(c) 示出了测量的电池放电数据((a)电流和(b)电压与时间的关系)和由此产生的砖模型表示(c)的示例；

图9示出使用砖模型计算的荷电状态(SoC)和充电深度(DoC) 的示例；

图10示出了在端子电流的不同值(C速率单位)下的铅酸电池充电/放电曲线的示例；

图11示出了在图5的方法的健康状态(SoH)确定和SoC确定步骤中使用电池模型；

图12更详细地示出了图5的方法的SoH确定步骤；

图13示出了由图12的步骤获得的SoH与时间的关系的示例；以及

图14示出了SoC的月度分布的示例。

具体实施方式

系统

参考图1，现在将描述系统1。系统1包括多个电池系统2₁、…、 2_n以及计算机服务器系统3(下文简称为服务器)。每个电池系统2 经由通信网络4的集合中的一个或多个与服务器3通信，通信网络4 的集合可以包括移动电话(即，蜂窝)网络和互联网。系统1还包括计算机系统5(以下称为操作系统)，其还经由通信网络4的集合中的一个或多个与服务器3通信。

电池系统

参考图2，现在将描述典型的电池系统2。电池系统2包括可充电电池2a(下文简称为电池)、控制系统2b、连接器2c的集合和通信接口2d。

电池2a包括铅酸电池或另一合适类型的电池。连接器2c包括用于接收用于对电池2a充电的电力的连接器。所接收的电力可以由太阳能面板(未示出)提供。连接器2c还包括用于将电力从电池2a 提供到其他装置(诸如灯、便携式电子装置等(未示出))的连接器。

连接器2c经由控制系统2b连接到电池2a。控制系统2b测量电池2a的端子两端的电压(即，“电池电压”)和流入或流出电池2a 的电流(即，“电池电流”)。测量被重复地进行，例如以有规律的间隔进行。控制系统2b可以确定与每个测量相关联的日期和时间(以下称为时间戳)。控制系统2b经由通信接口2d和通信网络4向服务器3发送包括电池电压、电池电流和时间戳的数据。数据可以实质上实时地被发送，在这种情况下，不需要是时间戳，或者可以分批地存储和发送。

控制系统2b还可以控制电池2a的充电/放电速率、电池2a的充电/放电的程度等。控制系统2b可以从服务器3接收命令和/或其他数据，并且可以基于所接收的命令/数据来修改其操作。

服务器

参考图3，现在将更详细地描述服务器3。服务器3包括控制器 3a，该控制器3a包括一个或多个处理器3b(在图中由“P”表示)。控制器3a经由系统总线3c与服务器3的其它组件通信。服务器3 包括用于经由通信网络4的集合中的一个或多个进行通信的一个或多个通信接口3d(例如，以太网接口)。服务器3包括存储器3e，存储器3e包括易失性存储器(例如RAM)和非易失性存储器(例如 ROM)。例如当控制服务器3的其它组件的操作或在组件之间移动数据时，易失性存储器由控制器3a用于临时存储数据。服务器3包括储存器3f，例如固态和/或硬盘存储。储存器3f还存储在操作服务器3时所使用的计算机可读指令4(以下称为服务器软件)和与服务器软件4相关使用的数据5(以下称为服务器数据)(服务器软件4 和服务器数据5在图中分别用“S”和“D”表示)。

参考图4，现在将更详细地描述服务器软件4和服务器数据5。服务器软件4包括数据准备模块4a、健康状态(SoH)确定模块4b、荷电状态(SoC)确定模块4c、警报模块4d和电池模型4e(在图中由“BM”表示)。术语“模块”仅为了方便而被用于指代服务器软件 4的一个部分或多个部分，其可以(一起)具有特定功能。服务器数据5包括接收到的数据5a、准备好的数据5b和拟合数据5c。拟合数据5c包括电池参数5d(在图中由“BP”表示)、SoH数据5e和SoC数据5f。如图所示，可以存在多组接收到的数据5a、准备好的数据 5b和拟合数据5c，每个电池系统2都有一个。

如将在下面更详细地说明的，数据准备模块4a获取接收到的数据5a(和在一些示例中为某些拟合数据5c)并且提供准备好的数据 5b以供SoH确定模块4b和SoC确定模块4c使用。对于每个电池系统2，SoH确定模块4b获取准备好的数据5b和某些拟合数据5c，并且提供某些(更新的)拟合数据5c，包括SoH数据5e。对于每个电池系统2，SoC确定模块4c获取准备好的数据5b和某些拟合数据5c，包括由SoH确定模块4b提供的SoH数据5e，并且提供某些(更新的) 拟合数据5c，包括SoC数据5f。SoH确定模块4b和SoC确定模块4c 两者都利用电池模型4e。警报模块4d获取某些拟合数据5c，特别是 SoH数据5e和/或SoC数据5f，并且选择性地提供警报。

服务器软件4和/或服务器数据5可以包括图中未示出的附加特征。例如，服务器软件4可以包括用于经由用户接口呈现与SoH数据 5e和/或SoC数据5f有关的信息的模块。

方法

参考图5，现在将描述可由服务器3执行的方法。

在第一步骤S11处，例如响应于从操作系统5接收到的命令，服务器3开始执行所述方法。

在第二步骤S12处，服务器3接收数据。具体地，服务器3从一个或多个电池系统2₁、…、2_n接收数据。从特定电池系统2接收到的数据优选地包括识别电池系统2的数据。服务器3优选地将在第二步骤S12处接收到的数据存储为接收到的数据5a。

接收到的数据5a包括用于电池系统2₁、…、2_n中的一个或多个的多个数据点。每个数据点包括电池电压值(V_i)、电池电流值(I_i) 和时间戳(t_i)。

在可选的第三步骤S13处，服务器3确定是否前进到第四步骤 S14。如果例如电池系统2₁、…、2_n(下文中称为相关电池系统2)中的一个的接收到的数据5a满足一个或多个标准(例如，至少已经接收到特定数量的新数据点)，则服务器3前进到第四步骤S14。如果确定为否，则服务器3返回到第二步骤S12以接收另外(further) 的数据。

在第四步骤S14处，服务器3(即，数据准备模块4a)为相关电池系统2准备接收到的数据5a。如将在下面更详细地说明的，这涉及选择数据点并选择数据点的组(在下文中也被称为子集)。服务器3将在第四步骤S14准备的数据存储为准备好的数据5b。

在可选的第五步骤S15处，服务器3确定是否前进到第六步骤 S16。具体地，如果例如相关电池系统2的准备好的数据5b满足一个或多个标准，例如(完整的)子集的数量超过特定数量，则服务器3 前进到第六步骤S16。如将在下面更详细地说明的，SoH曲线优选地由具有至少四个样条系数的三次样条来描述，并且因此子集的最小数量是四。如果确定为否，则服务器3返回到第二步骤S12以接收另外的数据。

在第六步骤S16处，服务器3(即SoH确定模块4b)确定相关电池系统2的SoH与时间的关系(下文中也称为SoH曲线)。如将在下面更详细地说明的，这涉及使用电池模型4e来拟合多个子集5b。服务器3将SoH曲线和/或描述SoH曲线的参数存储为SoH数据5e。

在第七步骤S17处，服务器3(即警报模块4d)确定特定电池系统2的SoH曲线是否满足特定标准。在一些示例中，该标准对应于 SoH低于特定值或被预测为低于特定值。如果确定为是，则服务器3 前进到第八步骤S18。如果确定为否，则服务器3前进到第九步骤S19。

在第八步骤S18处，服务器3(即警报模块4d)提供警报。在一些示例中，服务器3(经由通信接口3d和通信网络4的集合中的一个或多个)向操作系统5发送消息，并且该消息可以经由操作系统 5的用户界面被提供给用户。在一些示例中，服务器3可以采取替代或附加行为，例如向相关电池系统2发送合适的命令以修改其操作。

在可选的第九步骤S19处，服务器3(即，SoC确定模块4c)确定相关电池系统2的SoC与时间的关系。具体地，如将在下面更详细地说明的，服务器3使用粒子滤波器来将电池模型4e拟合到相关电池系统2的接收到的数据5a中的一些或全部。服务器3存储SoC数据5f。

在可选的第十步骤S20处，服务器3(即，警报模块4d)确定相关电池系统2的SoC与时间的关系是否满足特定标准，如将在下面更详细地说明的。如果确定为是，则服务器3前进到第十一步骤S21。如果确定为否，则服务器3返回到第二步骤S12以接收更多数据。

在可选的第十一步骤S21处，服务器3(即，警报模块4d)例如通过向操作系统5发送消息来提供警报。服务器3接着返回到第二步骤S12以接收更多数据。

数据准备

参考图6，现在将更详细地描述第四(“数据准备”)步骤S14。

在第一子步骤S14a处，服务器3(即，数据准备模块4a)从构成相关电池系统2的(新)接收到的数据5a的数据点中选择某些数据点。所选择的数据点在本文中也可以被称为智能点。

以这种方式，服务器3试图通过减少要输入到这些模块的数据量来提高SoH确定模块4b和SoC确定模块4c的性能。

服务器3选择接收到的数据5a的最有用区域中的智能点，即，提供关于相关电池系统2中的电池2a(下文中也简称为电池)的状况的更多信息的区域。例如，服务器3可以选择具有在流入或流出电池的电流较高的情况下的较高密度的智能点。例如，这可以通过针对每个数据点确定自先前的智能点以来的累积时间(“t_sum”)和传递的累积电荷(“charge_sum”)来实现。这里，charge_sum可以被确定为在连续的数据点对之间传递的电荷之和。在连续的一对数据点之间传递的电荷可以被确定为例如两个数据点之后的数据点和电池电流之间的时间的乘积。如果满足以下条件，则数据点可以被选择为智能点：

t_sum＞A exp(-B×charge_sum) (公式1)

其中，例如如果t_sum以分钟为单位且charge_sum以安培小时以为单位，则参数A和B的典型值可以分别为约500和5。

此外，服务器3可以选择具有在电池电压离特征(例如，平均) 电池电压较远的情况下的较高密度的智能点。例如，如果满足以下条件，则数据点可以被选择为智能点：

t_sum＞A(1+max(0，(V_mean-V_i)/V_sd)exp(-B×charge_sum)) (公式2)

其中A和B如上所述，V_i是数据点处的电池电压，并且V_mean和 V_sd是电池电压在特定时间间隔(例如，适当子时段)上的平均值和标准偏差。

在第二子步骤S14b处，服务器3准备一组智能点，即子集，以用于确定SoH。每个子集对应于在其上测量接收到的数据5a的时间段的(例如，非重叠的)子时段。

每个子集优选地对应于电池的放电。如将在下面更详细地说明的，当确定SoH时，这将拟合参数的数量减少了一个。它还消除了与充电低效相关的错误。

每个子集/放电还优选地满足以下要求中的一些或全部：

-子集可以不包含连续数据点之间的大时间间隙；

-子集必须对应于至少预定大小的放电，例如，至少10％的额定容量(C₀)的SoC的变化(ΔSoC)(ΔSoC越大，放电对于确定SoH更有价值。如将在下面更详细地说明的，可使用三次样条来描述SoH曲线。在这种情况下，不同的放电彼此互补，并且因此即使每个ΔSoC仅是C₀的10％，电池模型参数也基于整体的ΔSoC(其可能大得多)来估计)；

-子集之间的时间间隙应当尽可能均匀(因为这影响样条形状)，为实现这一点，每个子集取决于其相对于其它子集的时间戳(例如日期)以及其放电深度而被给予得分。

在SoH与时间的关系由样条函数描述的示例中，可以如下给予子集得分：

在每次迭代，可以从位于样条函数的一对连续结之间的那些子集选择子集。多对结可以是样条的内部结和/或第一结和/或最后结。

每个这样的子集的分数(w_i)可以使用以下公式来计算：

其中，s_i是所述子集的非位置分数，所述非位置分数是例如使用其放电深度(ΔQ_i)和电压范围ΔV_i除以参数ΔV_max(例如＝1.5伏)来确定的；t_i是与该子集相关联的时间戳；并且{t_j}是在第一结(具有时间戳t₀)和第二结(具有时间戳t₁)之间的N个相等间隔的时间戳的集合。

图7示出了从接收到的数据(由线表示)选择智能点(由圆圈表示)的子集的示例。该图还图示了与子集相对应的子时段8₁、…、8₄。

电池模型

现在将更详细地描述如上所述的由SoH确定模块4b和SoC确定模块4c使用的电池模型4e。

作为非限制性背景信息，存在描述位于电池模型之下的铅酸电池的三个基本原理：

-充电/放电端子电压分布，即端子电压对SoC的依赖性；

-Peukert定律，其近似在不同放电速率下的容量；

-观察到的滞后，即观察到的ΔV对端子电流的依赖性，其中ΔV 是端子电压和开路电压之间的差。

开发了辅助模型，即所谓的砖(brick)模型，以对这些基本原理进行建模。当电池被完全充电时，砖模型表示作为空矩形的电池容量。当电池被放电时，矩形开始以砖进行填充，其中：

-每个砖的尺寸与放电速率成比例；

-将砖随机放置在矩形内可用空间中；以及

-砖可以不彼此重叠。

图8(c)示出了由图8(a)和图8(b)中所示的示例放电历史产生的示例性砖模型表示。

砖模型代表这样的想法：在铅酸电池中，铅与酸反应，如同(一个或多个)电极表面由活性(即，反应能力)取决于终端电流的域组成。该电流越高，能够反应的域的数量越低。

从砖模型获得了几个重要的结果。

首先，在砖之间有空的空间，其不能由某些砖填充而不会重叠——砖越大，未填充的空的空间就越多。该空的空间可以被称为不可接近的容量(inaccessible capacity)。不可接近的容量取决于端子电流，并且这类似于Peukert定律。

在砖模型中，可用容量仅取决于当前放电速率，即电池不具有存储器，并且因此端子电压仅取决于当前SoC和当前放电速率，不取决于充电/放电历史。

其次，将砖放置在矩形中相对于已经放置在矩形中的砖的数量的概率分布看起来类似于端子电压分布(参见图9和图10)。在此，概率被定义为放置砖的成功尝试的次数与尝试的总数的比率。建议端子电压可以具有概率性质并且可以表示充电/放电过程的“熵”。

在砖模型中，SoC可以被定义为矩形中的空的空间的面积与矩形的面积的比率。充电深度(DoC)可以被定义为上述将砖放置在矩形中的概率。因此，SoC表示理论上可用的容量，以及DoC表示特定放电速率下的实际容量。如图9所示，在砖模型中的SoC和DoC之间可能存在显著的差异。

在本发明的某些实施例中使用的电池模型4e包括上述不可接近的容量的概念和用于端子电压分布的公式，这将在下面更详细地描述。

电池放电过程将首先被考虑。

不可接近的容量与放电电流的关系可以通过诸如对数、具有一个自由度的卡方分布等的合适的函数来近似。在以下示例中，基于对数的函数被用于以不同的放电速率拟合制造商针对电池容量的数据(Yuasa Battery Corp，NPS17-12 datasheet(2007)http：//www.aetes.com/YUASA/pdf/YUASA_NP17-12.pdf)：

其中，

是归一化的不可接近的容量(即，不可接近的容量除以当前理论可用容量(例如，在约为0的放电电流下的容量))，α和β是(常数)参数，并且I是放电速率，或者换言之，是电流。

然后，Peukert定律的当量可以写成以下形式：

其中，C是电池在给定电流下的当前容量，C₀是电池的额定容量， I₀是测量电池的额定容量的放电电流，C^*是当前理论可用容量并且

是初始理论可用容量，即当测量额定容量时和当根据定义SoH＝1时。

可以通过拟合以上描述的制造商的数据来找到参数α和β。

在电池模型4e中，假设端子电压取决于DoC而不是SoC。如上所述，当电池放电时，

并且当电池充电时，

这导致观察到电池滞后。

如果电负载改变，则端子电压会松弛到新值，或如果负载断开，则端子电压会松弛到OCV。松弛时间取决于新的端子电流值，并且可以从几秒到几小时变化(例如，如果I＝0)。为了简单起见，松弛最初不包括在电池模型4e中。

对于铅酸电池的一个电池(cell)，端子电压分布以适应的 Nernst(能斯特)方程的形式引入到电池模型4e中(Atkins，P.等人于2006年在《Physical Chemistry》第8版，牛津大学出版社中撰写(Atkins,P.et al.,Physical Chemistry 8th edition,OxfordUniversity Press,2006))：

其中，EMF是电池的电动势(以伏特为单位)，并且α是相应的反应物/产物的相对活性。

(“活性”)项

被DoC的函数代替，以建立上面假定的端子电压和DoC之间的联系。发现活性项和1-DoC之间的对数关系提供了对测量数据的良好拟合。因此，端子电压(V)可写为：

v＝c₁+c₂log₁₀(log₁₀(1-DoC)) (公式7)

其中，c₁和c₂是(常数)参数。参数的典型值是c₁＝13伏和c₂＝1.2 伏。参数c₁和c₂可以被认为是缩放参数，其在以下情况下可能是有用的：例如由于传感器误校准导致由电池系统2测量端子电压或电流 (即，分别为“电池电压”和“电池电流”)不准确。

端子电压具有对电池模型4e中的端子电流的非线性依赖性，而不是线性依赖性(通过内部阻抗)，如在一些已知的电池模型中那样 (Plett，2004年；Gould，2009年(Plett,2004；Gould,2009) (见上文))。

电池模型4e以与放电过程对应的方式描述充电过程。这是因为电池以与放电时相同的方式抵抗充电。对于充电，端子电压分布被反转，使得当SoC趋于1时，端子电压趋于+∞。关于充电，不可接近的容量意味着不能在给定(非零)充电电流下充电的电池的容量。因此，至少在最后阶段，可仅使用低充电电流对电池进行完全充电。

因此，获得以下公式：

对于充电和放电，参数c₂被认为是相同的，因为充电和放电电压分布在低端子电流下趋于相同的OCV曲线。

使用公式8a和公式8b计算的端子电压分布在图10中示出。

如果扩散过程不影响端子电压，则公式8a和公式8b特别有效。然而，如果端子电流接近零，则优选地包括附加的校正以近似电压松弛到的值：

参考图11，现在将更详细地描述SoH确定模块4b和SoC确定模块4c所使用的形式的电池模型4e。

电池模型4e获取输入数据6并提供输出数据7。输入数据6包括电池模型参数6a和子集6b。电池模型参数6a包括：

-额定容量C₀和相关联的放电电流I₀；

-参数α和β；

-参数c₁、c₂和c₃(如果该子集分别对应于充电或放电，则不需要c₂或c₃)；

-SoC，其在例如每个子时段的开始处(SoC₀)；以及

-SoH，其优选地(但不必要地)被假定为在对应于子集6b的整个子时间段内是常数。

C₀、I₀、α、β、c₁、c₂和c₃构成上述电池参数5d。

如上所述，C₀、I₀、α和β优选地是预定的常数(并且因此可以被包括在电池模型4e内)。

子集6b包括多个数据点{V_i,I_i,t_i}。

电池模型4e确定在每个数据点处移入或移出电池的电荷，例如 Q_i＝I_i(t_i-t_i-1)，并且使用以下公式将其转换为SoC的变化(ΔSoC)：

其中，如上所述，C^*是目前理论上可用的容量，它与SoH和初始理论上可用的容量有关，因此与C₀、I₀、α和β有关(见公式4和 5)。

因此，使用SoC₀和测量的电池电流和时间戳数据，电池模型4e 确定每个数据点的SoC。

电池模式4e然后确定每个数据点的

(放电)或

(充电)，其中，

使用公式4和数据点处的测量的电池电流来确定。

使用针对每个数据点的DoC，电池模型4e然后使用公式9a或 9b适当地确定每个数据点的预测电池电压。

输出数据7对应于与电池模型4e的预测相关联的误差的值，例如预测和测量的电池电压数据之间的差的平方和(的平均值)。

在其他示例中，电池模型4e的细节可以不同。例如，可以在子时段中的不同时间点提供SoC，可以预测电池电流等。

SoH与时间的关系函数

仿真已经表明，为了获得SoH的可靠估计，优选尽可能多地减少所估计的参数的数量。因此，SoH曲线优选地被定义为三次样条，其允许优化仅相对少量的样条系数，其确定SoH曲线的形状并且还限定在不同日期的SoH值之间的合理的联系(曲线的连续性，以及第一二阶导数)。

在其他示例中，SoH曲线可由不同类型的函数(例如多项式函数) 来描述。

此外，SoH曲线不需要由本身的函数来描述。相反，SoH值可自由地变化，除了子集之间的SoH的变化可通过例如成本函数来限制。

SoH确定

参考图12，现在将更详细地描述第六(“SoH确定”)步骤S16。

简而言之，服务器3(即SoH确定模块4b)通过使与将电池模型4e拟合到多个子集相关联的误差最小化来优化某些电池模型参数6a并且产生SoH曲线。这是使用诸如例如Byrd，R.H.等人于1995 年在《SIAM Journal on Scientific and Statistical Computing》 16，第1190-1208页发表的期刊《A Limited Memory Algorithm for Bound ConstrainedOptimization》(Byrd,R.H.et al,A Limited Memory Algorithm for Bound ConstrainedOptimization,SIAM Journal on Scientific and Statistical Computing,16(1995)1190–1208)中描述的L-BFGS-B算法的优化方法来实现的。

在第一子步骤S16a处，获得多个(“相关的”)子集。

最初，当开始SoH曲线时，可用的信息量是有限的。此后，SoH 曲线可使用另外的子集来更新，但如果初始估计不准确，则它们可采取更多的子集来校正。

存在对这样的开始的至少两种方法：

a)使用所有可用的子集来确定SoH曲线，其在计算上是低成本的；或者

b)使用仅少量(例如四个或更多个)子集来确定SoH曲线，然后使用剩余子集逐个更新SoH曲线，即使许多子集是可用的。该方法被发现比第一种方法更精确，因此是优选的。

当存在现有的SoH曲线时，自这样的开始(或如下所述的重新开始)以来，相关的子集将优选地包括所有子集。

优选地，在第五步骤S15处执行的确定使得相关子集的数量在 SoH确定步骤S16的第一次出现时是四个或更多个(自(重新)开始以来)，并且在SoH确定步骤S16的连续发生之间增加一个或多个。

在第二子步骤S16b处，获得初始电池模型参数6a。电池模型参数6a包括预定常数C₀、I₀、α和β、缩放参数c₁和c₂(其可以具有初始值或可能已经在SoH确定步骤S16的先前发生时被优化)、每个相关子集的SoC₀值(其可以被初始设置为(一个或多个)任何合适的预定值)和每个相关子集的SoH值。

最初，当SoH曲线被创建时，这些SoH值可被允许在子集之间自由地变化。然后，可以创建SoH曲线以拟合这些SoH值。然后，SoH 曲线可通过拟合相同的子集来更新，但其中，根据SoH曲线计算SoH 值(使得它们彼此联系并且应用样条惩罚，参见下文)。

当存在现有的SoH曲线时，根据SoH曲线(例如根据样条系数) 以及根据与相关子集相关联的时间戳(例如，对应子时段的开始、中间或结束)计算包括在电池模型参数6a中的SoH值。

优化过程在两个循环中进行，即，内循环16c和外循环16d。

内循环16c优化所有相关子集的SoC₀值。此外，外循环16d优化例如SoH曲线的样条系数和参数c₁和c₂。

这在图中被示出如下：

在第三子步骤S16e处，改变SoC₀值，并确定相关子集的电池模型误差之和(ΣE)。重复这一过程，直到在第四子步骤S16f确定Σ E已被最小化(给定其他未变化的参数)。

在第五子步骤S16g处，SoH曲线的样条系数(在图中由SoH(t) 表示)和参数c₁和c₂发生变化，并且确定相关子集的电池模型误差之和(ΣE)。重复这一过程，直到在第六子步骤S16h确定ΣE已被最小化。

外循环S16d还优选地优化样条结的数量和位置。关于曲线平滑度和细节存在竞争性要求。可以添加惩罚以控制曲线平滑度(参见 Hastie，T.J.等人于1990年在《London:Chapman and Hall》发表的《Generalized Additive Models》(Hastie,T.J.et al,Generalized Additive Models,London:Chapman and Hall(1990))。这些包括例如样条的二阶导数的惩罚，以及如果SoH曲线的任何部分低于例如SoC值的惩罚(参见图13)。曲线细节由样条结的数量和位置控制。根据Greenskov，A.I.于1983年在Moscow：IZD-vo MGU (俄罗斯)提出的《Method of splines and solution of ill-posed problems ofapproximation theory》(Grebennikov,A.I.,Method of splines and solution of ill-posed problems of approximation theory,Moscow:Izd-vo MGU(1983)(Russian))，用于三次样条的渐近最优网格间距可以由以下公式选择：

其中，

是最优时间步(例如，下一个栅格点应该置于

处)，ε是描述插值精确度的参数并且f″′是样条函数的三阶导数。通过减小参数ε，这样的间隔将渐近地改善样条的曲线近似。接着，结密度与(部分)样条函数的三阶导数成比例。

在第七子步骤S16i处，优化的参数c₁和c₂、(描述)优化的SoH 曲线和优化的SoC₀值(的参数)被存储。

图13示出了SoH曲线的示例，该SoH曲线使用上述方法从在图中由它们的(初始)SoC值表示的子集确定。

如图13所示，例如当SoH曲线的值和/或曲率在SoH确定步骤 S16的连续发生之间显著增加时，服务器3也优选地能够检测到电池已被更换。在这种情况下，服务器3开始如上所述的新的SoH曲线。

此外，如果没有接收到的数据5a持续特定的时间段(例如几个月)，则服务器3也优选地开始新的SoH曲线。因此，可以避免随时间累积的错误。

SoC确定

再次参考图5，现在将更详细地描述第九(“SoC确定”)步骤 S19。

步骤S19涉及通过使用例如粒子滤波器将电池模型4e拟合到接收到的数据5a中的一些或全部(即，包括充电和放电)来确定SoC 与时间的关系和参数c₃。在这样做时，在SoH确定步骤S16处确定的参数c₁和c₂、SoH曲线和SoC₀值被用作电池模型4e的输入数据6的一部分。粒子滤波器如例如在Doucet，A.等人于2009年在《Oxford Handbook of NonlinearFiltering》，12第656-704页中撰写的《A tutorial on particle filtering andsmoothing:fifteen years later》(Doucet,A.et al,A tutorial on particlefiltering and smoothing:fifteen years later,Oxford Handbook of NonlinearFiltering,12(2009)656–704)中描述的。

SoC与时间的关系的确定可以是监测电池的充电问题和研究电池SoH退化的原因的重要工具。

图14示出了SoC值的月度分布(“分布”)的示例。分布越厚，电池在特定SoC值下花费的时间就越多。椭圆形突出当电池经历充电问题时的两个月。

进一步讨论

上述系统和方法的另外的特征和益处包括：

-仅对历史遥测电池电流和电压数据的要求；

-在离线模式中估计容量/健康状态和荷电状态两者的能力；

-不需要任何其它外部设备；

-不需要测量开路电压，因此可以在没有休眠期的情况下使用电池；以及

-所提出的电池模型可以在在线模式下在单元上使用，以控制放电深度以防止快速电池退化。

进一步的修改

应当理解，可以对上述实施例进行许多其他修改。

例如，数据不需要经由通信网络4发送，并且可以以任何合适的方式从电池系统2提供给服务器3。

代替如上所述的单个计算机，服务器3可以对应于云计算系统、计算机集群等。服务器3和操作系统5可以被组合。不需要包括操作系统5。

所述方法可以由电池系统本身执行。

可以采取一些其他动作，而不是提供警报。例如，可以存储事件的记录或一些其它类型的数据。

Claims

1.一种用于确定电池的健康状态的计算机实现的方法，所述方法包括：

从电池接收数据集，所述数据集包括在一时间段内获得的电池电压和电流数据；

准备所述数据集的多个子集，其中每个子集对应于所述时间段的子时段；

通过将电池模型拟合到所述子集来确定所述电池的健康状态与时间的关系，其中所述电池模型的参数包括：

在每个子时段中的特定时间点的电池的荷电状态；以及

所述健康状态，其中所述健康状态的时间依赖性被控制，从而限制所述健康状态的时间变化率的大小；以及

响应于所述健康状态满足特定标准，提供警报

其中，所述方法还包括：使用特定数量的初始子集来确定描述作为时间的函数的所述健康状态的参数集；以及然后使用至少一个另外的子集来更新所述参数。

2.根据权利要求1所述的方法，其中，准备所述子集包括选择具有在所述电池电流较高和/或所述电池电压离特征电池电压较远的情况下的较高密度的点。

3.根据权利要求1所述的方法，其中，准备所述子集包括：准备所述子集，使得所述子集中的每个子集对应于所述电池的放电。

4.根据权利要求1所述的方法，其中，准备所述子集包括选择对应于至少预定大小的放电的子集。

5.根据权利要求2或4所述的方法，包括优先选择对应于较大放电和/或彼此更均匀地间隔开的子集。

6.根据权利要求1至4中任一项所述的方法，其中，确定所述健康状态与时间的关系包括确定参数集，所述参数集描述作为时间的函数的所述健康状态。

7.根据权利要求6所述的方法，其中所述函数是样条函数。

8.根据权利要求1至4中任一项所述的方法，其中所述电池模型的所述参数包括将所述电池的归一化的不可接近的容量与电池电流相关的函数的参数集。

9.根据权利要求1至4中任一项所述的方法，其中，所述电池模型的参数包括将电池电压与所述电池的充电深度相关的函数的参数集，其中，对于放电，所述充电深度对应于所述荷电状态减去归一化的不可接近的容量。

10.根据权利要求1至4中任一项所述的方法，其中，将所述电池模型拟合到所述子集包括：

使用内循环来至少确定在所述特定时间点的所述荷电状态；以及

使用外循环来至少确定所述健康状态与时间的关系。

11.根据权利要求10所述的方法，其中，使用所述外循环包括：

确定所述电池模型的一个或多个另外的参数；和/或

确定描述所述健康状态的时间依赖性的函数的结构。

12.根据权利要求10所述的方法，其中，使用所述外循环包括：确定样条结的数量和位置。

13.根据权利要求1至4中任一项所述的方法，包括：

响应于预定标准，重新开始对所述健康状态与时间的关系的确定。

14.根据权利要求1至4中任一项所述的方法，包括：

通过使用粒子滤波器来将所述电池模型拟合到所述数据集的至少一部分，以确定所述荷电状态与时间的关系，所述数据集的至少一部分使用通过将所述电池模型拟合到所述子集来确定的所述电池模型的参数。

15.根据权利要求14所述的方法，包括：使用所述粒子滤波器来确定与所述电池的充电有关的所述电池模型的至少一个参数。

16.根据权利要求1至4中任一项所述的方法，包括：

响应于所述荷电状态与时间的关系满足特定标准，提供警报。

17.一种非暂时性计算机可读介质，其包括结合了权利要求1至15中任一项所述的方法的计算机程序。

18.一种用于确定电池的健康状态的设备，其被配置为执行根据权利要求1至15中任一项所述的方法。

19.一种电池系统，包括：

结合了权利要求1至15中任一项所述的方法的设备；

一个或多个电池；以及