CN110927588A - 估计电池状态的装置和方法 - Google Patents
估计电池状态的装置和方法 Download PDFInfo
- Publication number
- CN110927588A CN110927588A CN201910269901.3A CN201910269901A CN110927588A CN 110927588 A CN110927588 A CN 110927588A CN 201910269901 A CN201910269901 A CN 201910269901A CN 110927588 A CN110927588 A CN 110927588A
- Authority
- CN
- China
- Prior art keywords
- battery
- time interval
- information
- value
- voltage
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000010354 integration Effects 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 63
- 230000008859 change Effects 0.000 claims description 14
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 description 18
- 239000000284 extract Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/10—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles characterised by the energy transfer between the charging station and the vehicle
- B60L53/11—DC charging controlled by the charging station, e.g. mode 4
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Abstract
处理器实现的估计电池状态的方法包括获取电池的电流信息和电压信息;基于所获取的电流信息确定时间间隔值,使得对应于时间变化值的电流积分值满足条件;确定所获取的电压信息中对应于所确定的时间间隔值的电压值;以及基于所确定的电压值确定电池的状态信息。
Description
相关申请的交叉引用
本申请根据美国法典第35章第119条a款要求于2018年9月20日在韩国知识产权局提交的韩国专利申请No.10-2018-0112973的权益,出于所有目的其全部公开内容通过引用并入本文。
技术领域
以下描述涉及电池状态估计的装置和方法。
背景技术
可以使用各种方法来估计电池的状态。可以使用电池模型,例如,电路模型或电化学模型,来估计电池的状态。
发明内容
提供本概要以简化的形式介绍将在下面的详细描述中进一步描述的一些概念。本概要不是旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用于帮助确定所要求保护的主题的范围。
在一个总体方面,提供了一种处理器实现的估计电池状态的方法,该方法包括:获取电池的电流信息和电压信息;基于所获取的电流信息确定时间间隔值,使得对应于时间变化值的电流积分值满足条件;确定所获取的电压信息中对应于所确定的时间间隔值的电压值;以及基于所确定的电压值确定电池的状态信息。
条件可以包括电流积分值的值相等。
确定时间间隔值可以包括:获取电流积分信息为获取的电流信息在时间变化上的积分;以预设间隔分割电流积分信息以获得电流积分值;以及提取电流积分值的每个分割点的时间变化值。
确定状态信息可以包括:基于所确定的时间间隔值来分割所获取的电压信息。
在所分割的电压信息的分割点中,电压信息的一对相邻分割点之间的时间间隔可以大于另一对相邻分割点之间的另一时间间隔,时间间隔和另一时间间隔中的每一个可以包括一个或多个时间间隔值。
电池的电流可以在分割点的一部分之间的间隔中减小。
确定状态信息可以包括:基于两个或多个时间间隔值和对应于该两个或多个时间间隔值的电压值,在包括两个或多个时间间隔值的时间间隔期间识别电压变化模式。
确定状态信息可以包括:从所获取的电压信息中提取对应于与所确定的时间间隔值中的扫描顺序相关联的一个或多个时间间隔值的电压值;基于一个或多个时间间隔值和提取的电压值生成特征向量;以及将所生成的特征值输入到状态估计模型。
状态估计模型可以包括包括了长短期记忆(LSTM)的递归神经网络(RNN)。
在电池快速充电的情况下和在电池慢速充电的情况下,特征向量的长度可以相同。
非暂时性计算机可读存储介质可以存储指令,当由一个或多个处理器运行该指令时,该指令使得一个或多个处理器执行该方法。
在另一总体方面,提供了一种用于估计电池状态的装置,该装置包括:一个或多个处理器,被配置为:获取电池的电流信息和电压信息,基于所获取的电池电流信息确定时间间隔值,使得对应于时间变化值的电流积分值满足条件,确定所获取的电压信息中对应于所确定的时间间隔值的电压值,以及基于所确定的电压值确定电池的状态信息。
条件可以包括电流积分值的值相等。
一个或多个处理器可以被配置为:获取电流的积分信息为所获取的电流信息在时间变化上的积分,以预设间隔分割电流积分信息以获得电流积分值,以及提取电流积分值的每个分割点的时间变化值。
一个或多个处理器可以被配置为基于所确定的时间间隔值来分割所获取的电压信息。
在所分割的电压信息的分割点中,电压信息的一对相邻分割点之间的时间间隔可以大于另一对相邻分割点之间的另一时间间隔,时间间隔和另一时间间隔中的每一个可以包括一个或多个时间间隔值。
电池的电流可以在分割点的一部分之间的间隔中减小。
一个或多个处理器可以被配置为:基于两个或多个时间间隔值和对应于该两个或多个时间间隔值的电压值,在包括两个或多个时间间隔值的时间间隔期间识别电压变化模式。
一个或多个处理器可以被配置为:从所获取的电压信息中提取对应于与所确定的时间间隔值中的扫描顺序相关联的一个或多个时间间隔值的电压值,基于一个或多个时间间隔值和提取的电压值生成特征向量,以及将生成的特征值输入到状态估计模型。
状态估计模型可以基于包括长短期记忆(LSTM)的递归神经网络(RNN)。
在电池快速充电的情况下和在电池慢速充电的情况下,特征向量的长度可以相同。
在另一总体方面,提供了一种处理器实现的估计电池状态的方法,该方法包括:获取电池的电流信息和电压信息;基于电流信息确定电流积分值的值相等;基于所确定的电流积分值确定时间间隔值;以及基于所获取的电压信息中对应于所确定的时间间隔值的电压值确定电池的状态信息。
确定电池的状态信息可以包括:基于时间间隔值的一个或多个时间间隔值,以及电压值的一个或多个第一对应的电压值生成特征向量;将特征向量输入到长短期记忆(LSTM)以生成LSTM输出向量;基于时间间隔值的一个或多个后续时间间隔值以及电压值的一个或多个后续对应的电压值生成后续特征向量;将LSTM输出向量和后续特征向量输入到LSTM以生成后续LSTM输出向量;以及通过对后续的LSTM输出向量应用回归分析来确定电池的状态信息。
在另一总体方面,提供了一种处理器实现的估计电池状态的方法,该方法包括:获取电池的电流和电压信息;基于获取的电流和电压信息以及基于电池的充电速率确定时间间隔值和对应的电压值;以及基于时间间隔值和对应的电压值确定电池的状态信息。
确定时间间隔值和对应的电压值可以包括:确定用于电池的较慢充电速率的时间间隔值要大于用于电池的较快充电速率的时间间隔值。
根据以下详细描述、附图和权利要求,其他特征和方面将是显而易见的。
附图说明
图1和图2示出了电池管理装置的示例。
图3至图7示出了电池状态估计装置的操作的示例。
图8A示出了当电池快速充电时操作的电池状态估计装置的示例。
图8B示出了当电池慢速充电时操作的电池状态估计装置的示例。
图9示出了电池系统的示例。
图10示出了电池状态估计装置的示例。
图11示出了电池状态估计方法的示例。
图12和图13示出了车辆的示例。
图14示出了训练装置的示例。
在整个附图和详细描述中,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。附图可能未按比例绘制,并且为了清楚、说明和方便,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
提供以下详细描述以帮助读者获得对本文描述的方法、装置和/或系统的全面理解。然而,在获得对本申请的公开内容的充分理解之后,本文描述的方法、装置和/或系统的各种改变、修改和等同物将是显而易见的。例如,本文描述的操作序列仅仅是示例,并且不限于这里阐述的那些,除了必须以特定顺序发生的操作之外,如在已经获得对本申请的公开内容的充分理解之后显而易见地是,可以改变的。而且,为了增加清晰度和简洁性,可以省略功能和结构的描述。
本文描述的特征可以以不同的形式体现,并且不应被解释为限于这里描述的示例。而是,提供本文描述的示例仅仅是为了示出实现本文所描述的方法、装置和/或系统的许多可能方式中的一些,这些方式在理解本申请的公开内容之后将是显而易见的。
可以对示例进行各种修改。然而,应该理解的是,这些示例不应被解释为限于所示的形式,而是包括本发明的构思和技术范围内的所有变化、等同物或替代物。
本文使用的术语仅用于描述特定示例的目的,并不旨在限制示例。如本文所使用的,除非上下文另有明确说明,否则单数形式也旨在包括复数形式。应进一步理解,当在本说明书中使用时,术语“包括”和/或“包含”指定所述特征、整数、步骤、操作、元件、组件或其组合的存在,但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组合。
除非本文另有定义,否则在理解本申请的公开内容之后,本文使用的包括技术或科学术语的所有术语具有与本领域普通技术人员通常理解的相同的含义。诸如在常用词典中定义的那些术语应被解释为具有与其在相关领域和本公开的上下文中的含义一致的含义,并且不应被解释为理想化或过于正式的意义,除非在本文明确定义。
关于分配给附图中的元件的附图标记,应当注意,即使它们在不同的附图中示出,只要可能的话,相同的元件将由相同的附图标记指定。此外,在描述示例时,当认为这样的描述将导致对本公开的模糊解释时,将省略对公知的相关结构或功能的详细描述。
图1和图2示出了电池管理装置的示例。
参考图1,电池系统100包括电池状态估计装置110和电池120。
电池120是,例如电池单元、电池模块以及电池组中的一个或多个。
电池状态估计装置110可以获取电池120的感测信息。感测信息可以包括,例如电压信息和电流信息。感测信息可以对应于在电池120充电时获取的感测信息或者在电池120放电时获取的感测信息。
电池状态估计装置110基于所获取的电流信息确定时间变化值(例如,时间间隔值)。作为非限制性示例,电池状态估计装置110可以确定图2的电流曲线的一部分的积分值等于电流曲线的部分积分,其也可以等于电流曲线部分下的相应面积。电池状态估计装置110可以确定时间变化值,使得用于时间变化值中的每一个的电流积分值满足条件。也就是说,电池状态估计装置110可以基于电流积分值和应用于电流积分值的条件来确定时间变化值。在图2的示例中,电池状态估计装置110确定时间变化值Δt1至Δt8,使得时间变化值Δt1至Δt8对应于相同的电流积分值。例如,电池状态估计装置确定时间变化值Δt1至Δt8,使得电流积分值Q1至Q8彼此相同。例如,电流积分值Q6(或图2中示出的Q6的面积)可以等于电流积分值Q8(或图2中示出的Q8的面积)。将参考图3至图5描述相关描述。
电池状态估计装置110基于所确定的时间变化值以及所获取的电压信息中的对应于所确定的时间变化值的电压值来确定电池120的状态信息。将参考图6和图7描述相关描述。状态信息包括但不限于充电状态(SOC)和/或健康状态(SOH)。
图3至图7示出了电池状态估计装置的操作的示例。
参考图3,电池状态估计装置110可以包括,例如,积分器310、特征向量生成器320以及估计器330。
积分器310基于电池120的电流信息来确定时间变化值。在示例中,对应于时间变化值的电流积分值可以彼此相同。电池120的电流信息可以对应于在电池120充电时获取的电流信息或在电池120放电时获取的电流信息。电池120可以与积分器310、特征向量生成器320以及估计器330的方面组合,但不限于此。此外,电池120可以包括在电池状态估计装置110中,但是示例不限于此。
积分器310基于电池120的电流信息可以获得指示电流积分与时间变化之间的关系的积分信息,以预设间隔分割所获得的积分信息(或者,例如电流积分)以及从所获得的积分信息中提取电流积分的分割点的时间变化值。所提取的时间变化值可以被确定为电池120的电压信息的时间变化值。
在图4的示例中,积分器310使用电流信息410来获得积分信息420,其中x轴是电流积分Q而y轴是时间变化Δt。在该示例中,Q对应于∫I(t)dt(例如,电流相对于时间的积分)并且I(t)对应于电流信息410。积分器310以预设间隔分割包括在积分信息420中的电流积分Q。可以预先确定由积分器310分割电流积分Q的多个部分。在图5的示例中,积分器310将电流积分Q分割成八个部分(例如,分成八个相等的值)。在该示例中,以预设间隔分割电流积分Q。换句话说,Q1、Q2和Q1之间的差异、Q3和Q2之间的差异、......、Q8和Q7之间的差异彼此相同。积分器310提取对应于电流积分Q的分割点的时间变化值。积分器310提取Q1的时间变化值Δt1、Q2的时间变化值Δt2、…...、Q8的时间变化值Δt8。所提取的时间变化值Δt1至Δt8对应于电池120的电压信息的时间变化值。因此,提取的时间变化值Δt可以相同或者可以彼此不同,这取决于它们对应的Q值。例如,Δt1或Δt2可以短于Δt7或Δt8。
尽管在图5的示例中部分的数量是“8”,但部分的数量不限于该示例,因为部分的数量也可以小于8或大于8。
返回参考图3,特征向量生成器320基于由积分器310所确定的时间变化值来处理电池120的电压信息。特征向量生成器320基于所确定的时间变化值来分割电池120的电压信息。诸如在图6所示的示例中,特征向量生成器320从积分器310接收时间变化值Δt1至Δt8。特征向量生成器320基于时间变化值Δt1至Δt8分割电池120的电压信息。在该示例中,电压信息的一部分分割点之间的间隔大于电压信息的另一部分分割点之间的间隔。例如,时间变化值Δt7可以大于时间变化值Δt1至Δt6,并且时间变化值Δt8可以大于时间变化值Δt1至Δt7。
特征向量生成器320针对每个扫描顺序(scan turn)或每个扫描间隔,向估计器330输入包括与相对应的扫描顺序相关联的至少一个时间变化值和对应于该至少一个时间变化值的电压值的特征向量。估计器330识别用于每个扫描顺序的特征向量输入的变化模式。估计器330包括,例如被训练为识别输入的变化模式的状态估计模型。将参考图14提供相关描述。状态估计模型包括但不限于长短期记忆(LSTM)节点,配置为递归神经网络(RNN)。
在图7的示例中,在扫描顺序1 710-1处,特征向量生成器320提取对应于时间变化值Δt1和Δt2的电压值v0、v1和v2。特征向量生成器320生成包括电压值v0、v1和v2以及时间变化值Δt1和Δt2的特征向量1,并将特征向量1输入到估计器330。估计器330的LSTM层720识别特征向量1的变化模式。估计器330的LSTM层720基于时间变化值Δt1和Δt2识别电压值v0、v1和v2在时间间隔(例如,Δt1+Δt2)期间具有的变化模式。在扫描顺序1 710-1处的LSTM层720的输出在随后的扫描顺序中被输入到LSTM层720(例如,输入到自身或相同的LSTM层720)作为RNN的递归配置的一部分。扫描顺序1处的LSTM层720的输出可以包括特征向量1的变化模式的识别结果。
在扫描顺序k 710-k处,特征向量生成器320将包括电压值v3、v4和v5以及时间变化值Δt4和Δt5的特征向量k输入到LSTM层720。LSTM层720基于时间变化值Δt4和Δt5识别时间间隔期间的电压值v3、v4和v5的变化模式。包括对应的识别结果的输出在随后的扫描顺序中被输入到LSTM层720(例如,输入到自身或相同的LSTM层720)。
在最终顺序n处,特征向量生成器320将包括电压值v6、v7和v8以及时间变化值Δt7和Δt8的特征向量n输入到LSTM层720。LSTM层720基于时间变化值Δt7和Δt8识别时间间隔期间的电压值v6、v7和v8的变化模式。在最终顺序n处,LSTM层720输出包括相应识别结果的最终矢量h。
估计器330对最终向量h执行回归分析730以确定电池120的状态信息。回归分析可以由另一个神经网络层执行。
参考图3至图7描述了由电池状态估计装置110在充电期间确定电池120的状态信息的方法。但是,本实施例不限于此。参考图3至图7所进行的描述也可以适用于电池状态估计装置110在放电期间确定电池120的状态信息。
图8A示出了当电池快速充电时操作的电池状态估计装置的示例。图8B示出了当电池慢速充电时操作的电池状态估计装置的示例。
参考图8A和8B,电池状态估计装置110可以等分电流积分Q。在图8A的示例中,其中电流减小的间隔810-6至810-8中的每一个的长度可以大于间隔810-1至810-5中的每一个的长度。在图8B的示例中,其中电流减小的间隔820-7和820-8中的每一个的长度可以大于间隔820-1到820-6中的每一个的长度。此外,间隔820-1的长度可以大于间隔810-1的长度、间隔820-2的长度可以大于间隔810-2的长度、间隔820-3的长度可以大于间隔810-3的长度、间隔820-4的长度可以大于间隔810-4的长度、间隔820-5的长度可以大于间隔810-5的长度、间隔820-6的长度可以大于间隔810-6的长度、间隔820-7的长度可以大于间隔810-7的长度、并且/或者间隔820-8的长度可以大于间隔810-8的长度等。
当在电池120快速充电的情况下和在电池120慢速充电的情况下电池120的电流积分量相同时,在电池120快速充电的情况下和在电池120充电的情况下电池120的特征向量的长度也可以是相同的。也就是说,虽然快速充电的电压变化比慢速充电要大(对于相同的时间间隔),但是用于快速充电电池120的特征向量的时间间隔可以比用于慢速充电的特征向量的时间间隔要短,因此,用于对电池120进行快速充电的特征向量的电压变化可以与用于对电池120进行慢速充电的特征向量的电压变化相同或相似。因此,用于电池120快速充电的特征向量可以具有与用于电池120慢速充电的特征向量相同的长度。因此,例如,当快速充电和慢速充电两者累积相同数量的电流时,无论充电长度如何,都可以保持计算状态信息的相同的速度。因此,本申请的电池状态估计装置和方法可以改进先前的电池状态估计装置和方法,至少因为这样的先前技术对于确定快速充电和慢速充电两者的电池状态不是有效的,而是分别被配置仅用于确定快速充电或慢速充电之一的电池状态,但在确定两者时无效。也就是说,先前的电池状态估计装置和方法可以基于短时间间隔确定特征向量,从而确定用于快速充电的电池状态。然而,当应用于慢速充电时,这样的短时间间隔将导致不必要的大量特征向量,因此为确定电池状态而执行的计算量将不必要地大,因此电池状态估计装置(或者其上实现电池状态估计方法的计算设备)的处理速度将下降。反之亦然,先前的电池状态估计装置和方法可以基于长时间间隔确定特征向量,从而潜在地避免用于慢速充电的不必要的大量特征向量。然而,这种长时间间隔导致用于快速充电电池状态的特征向量的量不足以准确地确定。因此,在电池状态管理的技术环境中存在技术问题,其包括可通过本文的一个或多个示例实施例克服或避免的电池状态估计。
例如,电池120的状态估计电池状态确定在电池120快速充电的情况下和在电池120慢速充电的情况下可以是没有显著差异的,并且电池120的电池状态确定的准确度可以较高。换句话说,在示例中,不管电池120的充电速度如何,电池状态估计装置110可以保持高性能和高准确度的状态估计。
参考图8A和图8B,与电池120快速充电的情况相比,在电池120慢速充电的情况下,电池120的电压信息被分割成更大的间隔。在示例中,图8B的间隔820-1至820-8中的每一个的电压变化可以与图8A的间隔810-1至810-8中的每一个中的电压变化一样大。因此,电池状态估计装置110可以准确地识别图8B的间隔820-1至820-8中的每一个的电压变化模式。由此,电池状态估计装置110即使在慢速充电状态下也保持快速充电状态的状态估计性能。
图9示出了电池系统的示例。
参考图9,电池系统100包括电池120、传感器910至930以及电池状态估计装置110。在示例中,电池系统还可以是车辆,诸如图12中的车辆1200。在示例中,传感器910至930和电池状态估计装置110还可以对应于这种车辆1200的电池管理系统(BMS)。
在图9的示例中,电池状态估计装置110包括时钟950、输入缓冲器940、积分器310、特征向量生成器320、估计器330、存储器960以及输出缓冲器970。输入缓冲器940和输出缓冲器970在物理上彼此分离或在单个缓冲器中逻辑分离。
电压传感器,例如,传感器910感测电池120的电压并将电压信息存储在输入缓冲器940中。电流传感器,例如,传感器920感测电池120的电流并将电流信息存储在输入缓冲器940中。温度传感器,例如,传感器930感测电池120的温度并将温度信息存储在输入缓冲器940中。
时钟950记录将传感器910至930的感测信息存储在输入缓冲器940中的时间。
积分器310从输入缓冲器940接收电流信息,并基于电流信息确定时间变化值。以上关于基于电流信息确定时间变化值的描述可适用于此,因此,将省略详细描述。
特征向量生成器320从输入缓冲器940接收电压信息,并基于所确定的时间变化值来分割电压信息。特征向量生成器320从输入缓冲器940接收温度信息,并基于所确定的时间变化值来分割温度信息。对电压信息分割所做的描述也适用于温度信息分割的示例,因此,将省略详细描述。
对于每个扫描顺序,特征向量生成器320将特征向量输入到估计器330。如上所述,用于每个扫描顺序的特征向量包括与相应扫描顺序相关联的至少一个时间变化值和对应于该至少一个时间变化的电压值。根据各种实施例,用于每个扫描顺序的特征向量还可以包括对应于至少一个时间变化值的温度值。
估计器330将包括在存储器960中的至少一个参数应用于状态估计模型,并基于对应于每个扫描顺序的特征向量和状态估计模型来确定电池120的状态信息。参考图7所做的描述可以适用于估计器330的操作,因此,将省略详细描述。
以上参照图1至图8所做的描述可以适用于图9的示例,并省略详细说明。
图10示出了电池状态估计装置的示例。
参考图10,电池状态估计装置110包括处理器1010和存储器1020。
在这样的示例中,处理器1010分别包括或实现例如积分器310、特征向量生成器320以及估计器330。处理器1010获取电池120的电流信息和电压信息,基于所获取的电流信息来确定时间变化值。在该示例中,处理器1010确定时间变化值,使得对应于时间变化值的电流积分值满足条件。处理器1010基于所确定的时间变化值和对应于所获取的电压信息中的所确定的时间变化值的电压值来确定电池120的状态信息。
存储器1020包括指令,当由处理器1010运行所述指令时,可以配置处理器执行本文描述的任意一个、任意组合或者所有的操作。
存储器1020可以包括非暂时性计算机可读存储介质或非暂时性计算机可读存储设备。存储器1020可以包括例如非易失性存储器,诸如随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)等。
存储器1020可以对应于参考图9描述的存储器960。
以上参照图1至图9所做的描述可适用于图10的示例,并省略了详细说明。
图11示出了电池状态估计方法的示例。
图11的电池状态估计方法由电池状态估计装置110执行。
参考图11,在操作1110中,电池状态估计装置110获取电池120的电流信息和电压信息。
在操作1120中,电池状态估计装置110基于所获取的电流信息确定时间变化值。在该示例中,电池状态估计装置110确定时间变化值,使得对应于时间变化值的电流积分值满足条件。
在操作1130中,电池状态估计装置110基于所确定的时间变化值和对应于所获取的电压信息中的所确定的时间变化值的电压值来确定电池120的状态信息。
以上参照图1至图10所做的描述可适用于图11的示例,并省略了详细说明。
在示例中,电池状态估计装置110可以确定多个电池中的每一个的状态信息。在该示例中,参考图1至图11对使用电池状态估计装置110确定电池120的状态信息的方法所做的描述可以适用于使用电池状态估计装置110确定多个电池的状态信息的方法,因此,将省略详细描述。
电池状态估计装置110可以包括在使用电池作为电源的各种设备(例如,车辆、步行辅助设备、无人驾驶飞机以及移动终端)中或包括在能量存储系统(ESS)中。电池状态估计装置110执行参考图1描述的操作。在下文中,将参照图12和图13描述车辆中的电池状态估计装置110的示例。除了车辆之外,以下描述也适用于其他装置。
图12和图13示出了车辆的示例。
参考图12,车辆1200包括电池组1210。车辆1200是,例如电动车辆或混合动力车辆。
电池组1210包括BMS、电池单元或至少一个电池模块。BMS监视电池组1210中是否发生异常并可以防止电池组1210过度充电或过度放电。当电池组1210的温度高于第一温度(例如,40摄氏度(℃))或低于第二温度(例如-10℃)时,BMS对电池组1210执行热控制。BMS执行单元平衡,使得电池组1210中的电池单元的充电状态均衡。
BMS包括电池状态估计装置110。电池状态估计装置110确定电池组1210中的电池单元中的每一个的状态信息。电池状态估计装置110将电池单元的状态信息的最大值、最小值或平均值确定为电池组1210的状态信息。
当电池组1210完全或部分充电时,电池状态估计装置110确定电池组1210的状态信息或包括在电池组1210中的电池单元中的每一个的状态信息。此外,当电池组1210完全或部分放电时,电池状态估计装置110确定电池组1210的状态信息或包括在电池组1210中的电池单元中的每一个的状态信息。
BMS将电池组1210的状态信息发送到车辆1200的电子控制单元(ECU)或车辆控制单元(VCU)。ECU或VCU在车辆1200的显示器上显示电池组1210的状态信息。如图13中所示,ECU或VCU在车辆1200的仪表板上显示电池组1210的状态信息1330。尽管在图3中未示出,ECU或VCU可以在车辆1200的平视显示器上显示电池组1210的状态信息1330。
以上参照图1至图11所做的描述可适用于图12和图13的示例,并且省略了详细描述。
图14示出了训练装置的示例。
参考图14,训练装置1400包括状态估计模型1410。
训练装置1400从与电池120相同类型的电池的整体感测信息中提取充电间隔。训练装置1400提取对应于电池的整体电流信息的充电间隔的电流信息,并从电池的整体电压信息中提取对应于充电间隔的电压信息。
训练装置1400执行与积分器310和特征向量生成器320的上述操作类似的操作。训练装置1400基于所提取的电流信息确定时间变化值,基于时间变化值分割所提取的电压信息,以及基于时间变化值和所分割的电压信息生成特征向量。
训练设备1400使用特征向量训练状态估计模型1410。如上所述,状态估计模型1410对应于但不限于包括LSTM的RNN。通过这种训练,训练装置1400优化状态估计模型1410的至少一个参数。经优化的参数被存储在电池状态估计装置110的存储器960或存储器1020中。
本文关于图1至图14描述电池系统100、电池状态估计装置110、电池120、电池状态估计装置110、积分器310、特征向量生成器320、估计器330、LSTM层720、回归分析730、传感器910至930、输入缓冲器940、时钟950、存储器960、输出缓冲器970、处理器1010、存储器1020、车辆1200、电池组1210、训练装置1400、状态估计模型1410、装置、单元、模块、设备以及其他组件由硬件组件实现。可用于执行本申请中描述的操作的硬件组件的示例包括控制器、传感器、发生器、驱动器、存储器、比较器、算术逻辑单元、加法器、减法器、乘法器、分频器、积分器以及被配置为执行本申请中描述的操作的任何其他电子组件。在其他示例中,执行本申请中描述的操作的一个或多个硬件组件由计算硬件来实现,例如,由一个或多个处理器或计算机来实现。处理器或计算机可以由一个或多个处理元件来实现,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,微处理器或被配置为以限定的方式响应和运行指令以实现期望的结果的任何其他设备或设备组合。在一个示例中,处理器或计算机包括或连接到存储由处理器或计算机运行的指令或软件的一个或多个存储器。由处理器或计算机所实现的硬件组件可以运行指令或软件,诸如操作系统(OS)和在OS上运行的一个或多个软件应用程序,以执行本申请中描述的操作。硬件组件还可以响应于指令或软件的运行来访问、操纵、处理、创建以及存储数据。为简单起见,单数术语“处理器”或“计算机”可用于本申请中描述的示例的描述中,但是在其他示例中,可以使用多个处理器或计算机,或者处理器或计算机可以包括多个处理元件,或多种类型的处理元件,或两者。例如,可以由单个处理器,或两个或更多个处理器,或处理器和控制器来实现单个硬件组件或两个或更多个硬件组件。可以由一个或多个处理器或处理器和控制器实现一个或多个硬件组件,并且可以由一个或多个其他处理器或另一个处理器和另一个控制器实现一个或多个其他硬件组件。一个或多个处理器或处理器和控制器可以实现单个硬件组件,或两个或更多个硬件组件。硬件组件可以具有任何一种或多种不同的处理配置,其示例包括单个处理器、独立处理器、并行处理器、单指令单数据(SISD)多处理、单指令多数据(SIMD)多处理、多指令单数据(MISD)多处理和多指令多数据(MIMD)多处理。
在图1至图14中示出的执行本申请中描述的操作的方法由计算硬件来执行,例如,由如上所述运行指令或软件以执行由该方法执行的本申请中描述的操作实现的一个或多个处理器或计算机来执行。例如,可以由单个处理器或两个或更多个处理器或处理器和控制器来执行单个操作或两个或更多个操作。可以由一个或多个处理器或处理器和控制器来执行一个或多个操作,并且可以由一个或多个其他处理器或另一个处理器和另一个控制器来执行一个或多个其他操作。一个或多个处理器或处理器和控制器可以执行单个操作或者两个或更多个操作。
用于控制计算硬件,例如,一个或多个处理器或计算机以实现硬件组件并执行上述方法的指令或软件可以被写为计算机程序、代码段、指令或其任何组合,用于单独地或共同地指示或配置一个或多个处理器或计算机以如机器或专用计算机操作以执行由硬件组件执行的操作和如上所述的方法。在示例中,指令或软件包括由一个或多个处理器或计算机直接运行的机器代码,例如由编译器产生的机器代码。在另一示例中,指令或软件包括由一个或多个处理器或计算机使用解释器运行的更高级代码。可以基于附图中所示的框图和流程图以及本文中所用的的相应描述使用任何编程语言编写指令或软件,其公开了用于执行由如上所述的硬件组件和方法执行的操作的算法。
用于控制计算硬件,例如,一个或多个处理器或计算机以实现硬件组件并执行如上所述的方法的指令或软件,以及任何相关联的数据、数据文件以及数据结构可以被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中。非暂时性计算机可读存储介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、闪存、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTHS、BD-RE、磁带、软盘、磁-光数据存储设备、光学数据存储设备、硬盘、固态磁盘、以及被配置为以非暂时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向一个或多个处理器或计算机提供该指令或软件以及任何相关数据、数据文件和数据结构以便一个或多个处理器或计算机可以运行指令的任何其他设备。在示例中,指令或软件以及任何相关联的数据、数据文件和数据结构分布在网络耦合的计算机系统上,以便由一个或多个处理器或计算机以分布式方式存储、访问以及运行指令和软件以及任何相关的数据、数据文件和数据结构。
虽然本公开包括具体示例,但是在理解本申请的公开内容之后显而易见的是,在不脱离权利要求及其等同物的精神和范围的情况下,可以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认为是描述性的,而不是为了限制的目的。每个示例中的特征或方面的描述被认为适用于其他示例中的类似特征或方面。如果所描述的技术以不同的顺序执行,和/或如果所描述的系统、架构、设备或电路中的组件以不同的方式组合,和/或由其他组件或它们的等同物所替换或补充,则可以实现合适的结果。因此,本公开的范围不是由详细描述限定,而是由权利要求及其等同物限定,并且权利要求及其等同物的范围内的所有变化应被解释为包括在本公开中。
Claims (25)
1.一种处理器实现的估计电池状态的方法,所述方法包括:
获取电池的电流信息和电压信息;
基于所获取的电流信息确定时间间隔值,使得对应于时间变化值的电流积分值满足条件;
确定所获取的电压信息中的对应于所确定的时间间隔值的电压值;以及
基于所确定的电压值来确定所述电池的状态信息。
2.如权利要求1所述的方法,其中,所述条件包括所述电流积分值的值相等。
3.如权利要求1所述的方法,其中,所述确定所述时间间隔值包括:
获取电流积分信息为所获取的电流信息在时间变化上的积分;
以预设间隔分割所述电流积分信息以获得所述电流积分值;以及
提取所述电流积分值的每个分割点的时间变化值。
4.如权利要求1所述的方法,其中,所述确定所述状态信息包括:
基于所确定的时间间隔值来分割所获取的电压信息。
5.如权利要求4所述的方法,
其中,在所分割的电压信息的分割点中,所述电压信息的一对相邻分割点之间的时间间隔大于另一对相邻分割点之间的另一时间间隔,以及
其中,所述时间间隔和另一时间间隔中的每一个包括一个或多个所述时间间隔值。
6.如权利要求5所述的方法,其中,所述电池的电流在分割点的部分之间的所述间隔中减小。
7.如权利要求1所述的方法,其中,所述确定所述状态信息包括:
基于两个或更多个时间间隔值以及对应于所述两个或更多个时间间隔值的电压值,识别在包括两个或更多个时间间隔值的时间间隔期间的电压变化模式。
8.如权利要求1所述的方法,其中,所述确定所述状态信息包括:
从所获取的电压信息中提取对应于所确定的时间间隔值中的与扫描顺序相关联的一个或多个时间间隔值的电压值;
基于所述一个或多个时间间隔值和所提取的电压值来生成特征向量;以及
将所生成的特征值输入到状态估计模型。
9.如权利要求8所述的方法,其中,所述状态估计模型包括包括长短期记忆(LSTM)的递归神经网络(RNN)。
10.如权利要求8所述的方法,其中,在所述电池快速充电的情况下和在所述电池慢速充电的情况下,所述特征向量的长度是相同的。
11.一种存储指令的非暂时性计算机可读存储介质,在由一个或多个处理器运行所述指令时,使所述一个或多个处理器执行权利要求1所述的方法。
12.一种用于估计电池状态的装置,所述装置包括:
一个或多个处理器,被配置为:
获取电池的电流信息和电压信息,
基于所获取的电流信息确定时间间隔值,使得对应于时间变化值的电流积分值满足条件,
确定所获取的电压信息中的对应于所确定的时间间隔值的电压值,以及
基于所确定的电压值来确定所述电池的状态信息。
13.如权利要求12所述的装置,其中,所述条件包括所述电流积分值的值相等。
14.如权利要求12所述的装置,其中,所述一个或多个处理器被配置为:
获取电流积分信息为所获取的电流信息在时间变化上的积分,
以预设间隔分割所述电流积分信息以获得所述电流积分值,以及
提取所述电流积分值的每个分割点的时间变化值。
15.如权利要求12所述的装置,其中,所述一个或多个处理器被配置为基于所确定的时间间隔值来分割所获取的电压信息。
16.如权利要求15所述的装置,其中:
在所分割的电压信息的分割点中,所述电压信息的一对相邻分割点之间的时间间隔大于另一对相邻分割点之间的另一时间间隔,以及
所述时间间隔和另一时间间隔中的每一个包括一个或多个所述时间间隔值。
17.如权利要求16所述的装置,其中,所述电池的电流在分割点的部分之间的所述间隔中减小。
18.如权利要求12所述的装置,其中,所述一个或多个处理器被配置为基于两个或更多个时间间隔值以及对应于所述两个或更多个时间间隔值的电压值,识别在包括两个或更多个时间间隔值的时间间隔期间的电压变化模式。
19.如权利要求12所述的装置,其中,所述一个或多个处理器被配置为:
从所获取的电压信息中提取对应于所确定的时间间隔值中的与扫描顺序相关联的一个或多个时间间隔值的电压值,
基于所述一个或多个时间间隔值和所提取的电压值来生成特征向量,以及
将所生成的特征值输入到状态估计模型。
20.如权利要求19所述的装置,其中,所述状态估计模型基于包括长短期记忆(LSTM)的递归神经网络(RNN)。
21.如权利要求19所述的装置,其中,在所述电池快速充电的情况下和在所述电池慢速充电的情况下,所述特征向量的长度是相同的。
22.一种处理器实现的估计电池状态的方法,所述方法包括:
获取电池的电流信息和电压信息;
基于所述电流信息确定值相等的电流积分值;
基于所确定的电流积分值确定时间间隔值;以及
基于所获取的电压信息中的对应于所确定的时间间隔值的电压值来确定所述电池的状态信息。
23.如权利要求22所述的方法,其中,所述确定所述电池的所述状态信息包括:
基于所述时间间隔值中的一个或多个时间间隔值,以及所述电压值中的一个或多个第一对应的电压值生成特征向量;
将所述特征向量输入到长短期记忆(LSTM)以生成LSTM输出向量;
基于所述时间间隔值中的一个或多个后续时间间隔值和所述电压值的一个或多个后续对应电压值,生成后续特征向量;
将所述LSTM输出向量和所述后续特征向量输入到LSTM以生成后续LSTM输出向量;以及
通过对所述后续LSTM输出向量应用回归分析来确定所述电池的状态信息。
24.一种处理器实现的估计电池状态的方法,所述方法包括:
获取电池的电流和电压信息;
基于所获取的电流和电压信息以及基于所述电池的充电速率确定时间间隔值和对应的电压值;以及
基于所述时间间隔值和所述对应的电压值确定所述电池的状态信息。
25.如权利要求23所述的方法,其中,所述确定所述时间间隔值和对应的电压值包括:
确定用于电池的较慢充电速率的所述时间间隔值要大于用于电池的较快充电速率的所述时间间隔值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180112973A KR20200033554A (ko) | 2018-09-20 | 2018-09-20 | 배터리 상태 추정 장치 및 방법 |
KR10-2018-0112973 | 2018-09-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110927588A true CN110927588A (zh) | 2020-03-27 |
Family
ID=66217676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910269901.3A Pending CN110927588A (zh) | 2018-09-20 | 2019-04-04 | 估计电池状态的装置和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11630157B2 (zh) |
EP (1) | EP3627169B1 (zh) |
KR (1) | KR20200033554A (zh) |
CN (1) | CN110927588A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114810648A (zh) * | 2022-04-26 | 2022-07-29 | 深圳市科陆电子科技股份有限公司 | 调速方法、散热装置、电子设备及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11065978B2 (en) * | 2019-02-25 | 2021-07-20 | Toyota Research Institute, Inc. | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack |
KR20220016799A (ko) * | 2020-08-03 | 2022-02-10 | 주식회사 엘지에너지솔루션 | 배터리 진단 디바이스, 배터리 팩, 배터리 시스템, 및 배터리 진단 방법 |
CN111942207A (zh) * | 2020-08-14 | 2020-11-17 | 高丰 | 一种基于大数据的电动汽车智能充电管理系统 |
CN114683959A (zh) * | 2020-12-31 | 2022-07-01 | 宝能汽车集团有限公司 | 电动车辆中蓄电池智能补电方法和电动车辆中蓄电池智能补电系统 |
US20220396279A1 (en) * | 2021-06-14 | 2022-12-15 | Pony Ai Inc. | Autonomous or semi-autonomous vehicle electronic architecture |
CN114407728B (zh) * | 2022-02-28 | 2023-05-02 | 重庆长安新能源汽车科技有限公司 | 一种车辆动力电池充电控制方法、系统、汽车及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10104324A (ja) * | 1996-09-27 | 1998-04-24 | Mitsuoka Denki Seisakusho:Kk | 電池残量推定装置 |
US20030085688A1 (en) * | 2001-11-02 | 2003-05-08 | Nbt Gmbh | Method for determining the state of charge of rechargeable batteries by integration of the amounts of current flowing during charging and discharging |
JP2007003230A (ja) * | 2005-06-21 | 2007-01-11 | Santoku Kagaku Kogyo Kk | バッテリー測定装置 |
US20090001992A1 (en) * | 2005-12-27 | 2009-01-01 | Toyota Jidosha Kabushiki Kaisha | Charged State Estimating Device and Charged State Estimating Method of Secondary Battery |
US20100280777A1 (en) * | 2008-01-11 | 2010-11-04 | Sk Energy Co., Ltd. | Method for Measuring SOC of a Battery in a Battery Management System and the Apparatus Thereof |
US20150127278A1 (en) * | 2013-07-16 | 2015-05-07 | Tencent Technology (Shenzhen) Company Limited | Method and device for ascertaining required charging time |
CN105277888A (zh) * | 2014-07-02 | 2016-01-27 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
CN106483470A (zh) * | 2016-12-22 | 2017-03-08 | 清华大学 | 一种基于未来运行工况预测的电池剩余放电能量预测方法 |
CN108333519A (zh) * | 2017-01-17 | 2018-07-27 | 三星电子株式会社 | 用于估计电池状态的方法和装置 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8258751B2 (en) | 2007-11-15 | 2012-09-04 | Broadcom Corporation | Method and system for tracking battery state-of-health based on charging information |
US8624560B2 (en) | 2008-04-11 | 2014-01-07 | Apple Inc. | Controlling battery charging based on current, voltage and temperature |
US8972213B2 (en) | 2008-06-27 | 2015-03-03 | GM Global Technology Operations LLC | Pattern recognition approach to battery diagnosis and prognosis |
KR100970841B1 (ko) * | 2008-08-08 | 2010-07-16 | 주식회사 엘지화학 | 배터리 전압 거동을 이용한 배터리 용량 퇴화 추정 장치 및방법 |
KR101187766B1 (ko) * | 2008-08-08 | 2012-10-05 | 주식회사 엘지화학 | 배터리 셀의 전압 변화 거동을 이용한 셀 밸런싱 장치 및 방법 |
US8054038B2 (en) | 2009-01-29 | 2011-11-08 | Tesla Motors, Inc. | System for optimizing battery pack cut-off voltage |
US8117857B2 (en) | 2009-02-20 | 2012-02-21 | Tesla Motors, Inc. | Intelligent temperature control system for extending battery pack life |
JP5635608B2 (ja) | 2009-07-29 | 2014-12-03 | ザ・リージェンツ・オブ・ザ・ユニバーシティ・オブ・ミシガンThe Regents Of The University Of Michigan | バッテリ充電及び放電のスケジューリングシステム |
US8965721B2 (en) | 2009-09-30 | 2015-02-24 | Tesla Motors, Inc. | Determining battery DC impedance |
US20130069660A1 (en) | 2010-02-17 | 2013-03-21 | Julien Bernard | Method for in situ battery diagnostic by electrochemical impedance spectroscopy |
KR101671998B1 (ko) | 2010-04-02 | 2016-11-04 | 에스케이이노베이션 주식회사 | 배터리의 용량 열화 상태 측정 장치 및 방법 |
US20130169232A1 (en) * | 2011-12-30 | 2013-07-04 | Caterpillar Inc. | Methods and systems for monitoring and using an electrical energy-storage device |
US8618775B2 (en) | 2012-01-05 | 2013-12-31 | Tesla Motors, Inc. | Detection of over-current shorts in a battery pack using pattern recognition |
KR101394859B1 (ko) | 2012-09-05 | 2014-05-13 | 현대자동차주식회사 | 자동차의 bms 커넥터 |
JP2015008614A (ja) | 2013-06-26 | 2015-01-15 | 矢崎総業株式会社 | 電池状態検出装置 |
FR3018608B1 (fr) | 2014-03-17 | 2017-11-24 | Commissariat Energie Atomique | Procede d'estimation de l'etat de sante d'une cellule de batterie |
KR102241683B1 (ko) | 2014-07-30 | 2021-04-19 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
KR102574257B1 (ko) | 2015-10-30 | 2023-09-01 | 삼성전자주식회사 | Soh 추정 장치 및 방법과, soh 추정 모델 생성 장치 및 방법 |
KR102553029B1 (ko) | 2015-12-24 | 2023-07-06 | 삼성전자주식회사 | 배터리의 휴지기를 고려한 배터리 관리 장치 및 방법 |
JP6631297B2 (ja) | 2016-02-12 | 2020-01-15 | スズキ株式会社 | 燃料電池と二次電池を併用するシステムにおける二次電池の健全度推定方法、および、燃料電池と二次電池を併用するシステム |
JP6662172B2 (ja) | 2016-04-20 | 2020-03-11 | スズキ株式会社 | 電池管理装置および電池管理方法 |
KR101866073B1 (ko) | 2016-10-19 | 2018-06-08 | 현대자동차주식회사 | 배터리 soh 추정 방법 |
KR102627793B1 (ko) | 2016-10-21 | 2024-01-22 | 에스케이온 주식회사 | 배터리 용량열화 추정 장치 및 배터리 용량열화 추정 방법 |
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 |
EP3721529A1 (en) * | 2017-12-07 | 2020-10-14 | Yazami Ip Pte. Ltd. | Non-linear voltammetry-based method for charging a battery and fast charging system implementing this method |
-
2018
- 2018-09-20 KR KR1020180112973A patent/KR20200033554A/ko not_active Application Discontinuation
-
2019
- 2019-02-21 US US16/281,438 patent/US11630157B2/en active Active
- 2019-03-27 EP EP19165428.4A patent/EP3627169B1/en active Active
- 2019-04-04 CN CN201910269901.3A patent/CN110927588A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10104324A (ja) * | 1996-09-27 | 1998-04-24 | Mitsuoka Denki Seisakusho:Kk | 電池残量推定装置 |
US20030085688A1 (en) * | 2001-11-02 | 2003-05-08 | Nbt Gmbh | Method for determining the state of charge of rechargeable batteries by integration of the amounts of current flowing during charging and discharging |
JP2007003230A (ja) * | 2005-06-21 | 2007-01-11 | Santoku Kagaku Kogyo Kk | バッテリー測定装置 |
US20090001992A1 (en) * | 2005-12-27 | 2009-01-01 | Toyota Jidosha Kabushiki Kaisha | Charged State Estimating Device and Charged State Estimating Method of Secondary Battery |
US20100280777A1 (en) * | 2008-01-11 | 2010-11-04 | Sk Energy Co., Ltd. | Method for Measuring SOC of a Battery in a Battery Management System and the Apparatus Thereof |
US20150127278A1 (en) * | 2013-07-16 | 2015-05-07 | Tencent Technology (Shenzhen) Company Limited | Method and device for ascertaining required charging time |
CN105277888A (zh) * | 2014-07-02 | 2016-01-27 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
CN106483470A (zh) * | 2016-12-22 | 2017-03-08 | 清华大学 | 一种基于未来运行工况预测的电池剩余放电能量预测方法 |
CN108333519A (zh) * | 2017-01-17 | 2018-07-27 | 三星电子株式会社 | 用于估计电池状态的方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114810648A (zh) * | 2022-04-26 | 2022-07-29 | 深圳市科陆电子科技股份有限公司 | 调速方法、散热装置、电子设备及存储介质 |
CN114810648B (zh) * | 2022-04-26 | 2024-03-26 | 深圳市科陆电子科技股份有限公司 | 调速方法、散热装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3627169B1 (en) | 2023-06-07 |
US11630157B2 (en) | 2023-04-18 |
EP3627169A1 (en) | 2020-03-25 |
KR20200033554A (ko) | 2020-03-30 |
US20200096572A1 (en) | 2020-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927588A (zh) | 估计电池状态的装置和方法 | |
CN108075200B (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 | |
CN108089130B (zh) | 基于误差校正的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 | |
US10931128B2 (en) | Method and apparatus to predict capacity fade rate of battery | |
CN108336427B (zh) | 电池管理方法和装置 | |
CN105277891B (zh) | 用于估计电池的状态的方法和设备 | |
US20170184680A1 (en) | Sensor management apparatus and method | |
US20190086478A1 (en) | Apparatus and method for estimating state of battery | |
US20170343612A1 (en) | Method for estimating state of charge of a battery and battery managing apparatus | |
US11183715B2 (en) | Method and apparatus for estimating state of battery | |
US20180143258A1 (en) | Method and apparatus for estimating battery state | |
EP3517987B1 (en) | Method and apparatus estimating a state of battery | |
CN107919503B (zh) | 电池管理方法、装置和系统 | |
US11549988B2 (en) | Method and apparatus for estimating state of battery | |
US11680987B2 (en) | Method and apparatus with battery management | |
US10404077B2 (en) | Method and apparatus for balancing battery | |
EP3490098B1 (en) | Battery management method and apparatus | |
EP4160235B1 (en) | Method and device with battery model optimization | |
US20190089178A1 (en) | Battery control method and apparatus | |
CN110007247B (zh) | 用于估计电池的状态的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |