CN111612204A - 用于优化电池组的性能的系统、方法和存储介质 - Google Patents

用于优化电池组的性能的系统、方法和存储介质 Download PDF

Info

Publication number
CN111612204A
CN111612204A CN202010114408.7A CN202010114408A CN111612204A CN 111612204 A CN111612204 A CN 111612204A CN 202010114408 A CN202010114408 A CN 202010114408A CN 111612204 A CN111612204 A CN 111612204A
Authority
CN
China
Prior art keywords
vehicle
battery pack
battery
data
predictive model
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
CN202010114408.7A
Other languages
English (en)
Other versions
CN111612204B (zh
Inventor
M·阿依库
P·K·赫林
A·阿纳珀斯基
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.)
Toyota Motor Corp
Original Assignee
Toyota Research Institute Inc
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 Toyota Research Institute Inc filed Critical Toyota Research Institute Inc
Publication of CN111612204A publication Critical patent/CN111612204A/zh
Application granted granted Critical
Publication of CN111612204B publication Critical patent/CN111612204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • 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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/92—Hybrid vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using 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
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Economics (AREA)
  • Electrochemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Feedback Control In General (AREA)

Abstract

本公开涉及用于优化电池组的性能的系统、方法和存储介质。公开了用于优化车辆电池组的性能的系统、方法和存储介质。一种方法包括：接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据，该数据是从每个车辆中的至少一个接收的；将数据提供给机器学习服务器；以及指示机器学习服务器生成预测模型。预测模型基于数据的机器学习。该方法还包括：向每个车辆提供预测模型，预测模型提供用于调节电池组中的电池单元中的每一个的配置参数的指令，使得针对特定使用对电池组进行优化；以及指示每个车辆基于预测模型优化车辆电池组的性能。

Description

用于优化电池组的性能的系统、方法和存储介质
技术领域
本说明书一般而言涉及电池组(battery pack)预测模型的生成，并且更特别地，涉及用于使用机器学习来生成可用于优化安装在车辆中的电池的电池性能的预测模型的系统、方法和存储介质。
背景技术
当前驾驶的车辆可以在其中安装有电池组，这些电池组被编程为通过调节诸如充电、放电、状态等之类的参数来优化功能(例如，使性能最大化、使寿命最大化、使充电长度最大化、使充电时间最小化、避免损坏等)。此外，新制造的电池组还可以被配置为调节参数以优化功能。但是，在一些情况下，这些编程指令是不可更新的。由于在电池组的寿命期限内会发生电池劣化，因此无法更新参数以最大化将来的电池功能可能会对电池组的性能、电池组的寿命、电池组的充电时间、电池组的放电时间等产生不利影响。
发明内容
本公开的一个方面涉及一种优化车辆电池组的性能的方法，该方法包括：由处理设备接收与安装在车队的每个车辆中的电池组内的电池单元(cell)相关的数据，该数据是从车队中的每个车辆中的至少一个接收的；由处理设备将数据提供给机器学习服务器；由处理设备指示机器学习服务器生成预测模型，该预测模型基于数据的机器学习；由处理设备向车队中的每个车辆提供预测模型，该预测模型提供用于调节电池组中的电池单元中的每一个的一个或多个配置参数的指令，使得针对特定使用对电池组进行优化；以及由处理设备指示车队中的每个车辆基于预测模型优化车辆电池组的性能。
本公开的另一方面涉及一种被配置用于优化车辆电池组的性能的系统，该系统包括：车队，该车队中的每个车辆包括具有多个电池单元的电池组；以及通信地耦合到车队中的每个车辆的一个或多个硬件处理器。一个或多个硬件处理器被机器可读指令配置为：接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据，该数据是从车队中的每个车辆中的至少一个接收的；将数据提供给机器学习服务器；以及指示机器学习服务器生成预测模型。预测模型基于数据的机器学习。一个或多个硬件处理器还被机器可读指令配置为：向车队中的每个车辆提供预测模型，该预测模型提供用于调节电池组中的电池单元中的每一个的一个或多个配置参数的指令，使得针对特定使用对电池组进行优化；以及指示车队中的每个车辆基于预测模型优化车辆电池组的性能。
本公开的又一方面涉及一种在其上实施有指令的非瞬态计算机可读存储介质，这些指令可由一个或多个处理器执行以执行用于优化车辆电池组的性能的方法。该方法包括：接收与安装在车队的每个车辆中的电池单元相关的数据，该数据是从车队中的每个车辆中的至少一个接收的；将数据提供给机器学习服务器；以及指示机器学习服务器生成预测模型。预测模型基于数据的机器学习。该方法还包括向车队中的每个车辆提供预测模型，该预测模型提供用于调节电池组中的电池单元中的每一个的一个或多个配置参数的指令，使得针对特定使用对电池组进行优化。该方法还包括指示车队中的每个车辆基于预测模型优化车辆电池组的性能。
在参考附图考虑以下描述和所附权利要求后，本技术的这些和其他特征和特性以及结构的相关元件的操作方法和功能和部分的组合以及制造的经济性将变得更加清楚，全部附图均构成本说明书的一部分，其中相似的附图标记在各图中表示对应的部分。但是，要明确地理解的是，附图仅出于说明和描述的目的，并且不旨在作为对本发明的限制的定义。如本说明书中和权利要求中所使用的，除非上下文另外明确指出，否则单数形式的“一”、“一个”和“该”包括复数指示物。
附图说明
在附图中阐述的实施例本质上是说明性和示例性的，并且不旨在限制由权利要求所限定的主题。当结合以下附图阅读时，可以理解说明性实施例的以下详细描述，其中相似的结构用相似的附图标记指示，并且其中：
图1示意性地描绘了根据本文示出和描述的一个或多个实施例的用于连续优化电池组的性能的设备和系统的说明性网络；
图2示意性地描绘了根据本文示出和描述的一个或多个实施例的说明性电池单元、说明性模块和具有布置在多个模块内的多个电池单元的说明性电池组的透视图；
图3A示意性地描绘了根据本文示出和描述的一个或多个实施例的连续优化电池组的性能的电池配置系统的说明性硬件部件；
图3B描绘了根据本文示出和描述的一个或多个实施例的连续优化电池组的性能的电池配置系统的存储器内包含的说明性逻辑的框图；
图4示意性地描绘了根据本文示出和描述的一个或多个实施例的在具有电池组的车辆中的说明性车辆管理模块的说明性硬件部件；以及
图5描绘了根据本文示出和描述的一个或多个实施例的使用机器学习模型来连续优化电池性能的说明性方法的流程图。
具体实施方式
本公开一般而言涉及训练和使用机器学习(ML)模型，该机器学习模型用于在电池组(特别是在诸如电动车辆(EV)、混合燃气-电动车辆等之类的车辆中发现的电池组)的整个寿命期限内连续优化电池组的性能。机器学习模型的训练和使用通常包括获得与安装在当前操作的车队中的电池组的电池单元以及使用诸如高通量(HT)循环仪之类的电池测试设备进行测试的电池的操作相关的数据。即，用于训练的数据是从真实世界场景中使用的电池组的评估以及来自电池测试设备的电池放电的模拟评估中获得的。该数据然后被馈送到ML服务器，该ML服务器生成预测模型，该预测模型被提供给当前操作的车辆和/或制造工厂，以优化其中的电池组的将来的性能。本文描述的处理连续地发生，使得车辆不断地在优化电池组使用。
电池组，特别是用在诸如EV和混合燃气-电动车辆之类的车辆中的那些电池组，包括包含存储的能量的电池单元的布置。电池单元被并联连接以形成模块，并且多个模块被串联连接以形成组。一些系统和方法仅在组水平(例如，作为整体的电池组)监视电池组操作。以这种方式进行监视的粒度不足以获得机器学习和可用于配置组内的电池单元和模块的模型的生成所需的数据。
当电池组被安装在车辆中时，通常会在安装时对电池组进行优化以使性能最大化，诸如例如，以向车辆系统提供足够的电能来确保最佳系统性能、以使电池组的寿命最大化、以使车辆在充电之间可以行驶的时间量最大化、以使电池组的充电时间最小化等。但是，当电池组被日常使用时(例如，在操作车辆从而使电池放电时和/或在对电池进行充电时)，会发生电池组的劣化。可能难以在安装时确定劣化可能发生的精确程度(例如，电池组内的哪些电池单元或模块正在劣化、电池单元正在劣化的速率、导致特定类型的劣化的各种车辆操作状况等)。
此外，系统和方法不适合于连续地调节组操作参数(例如，特定电池单元的直接充电/放电、调节特定电池单元的电压输出等)以确保在组已被安装在车辆中之后组内的电池单元的特定配置最优地操作。因此，需要连续地监视电池组(包括其中的电池单元和模块)的功能，以便确定电池组在如何劣化，使得可以预测电池组的将来的劣化和/或其他电池组的劣化。此外，需要为电池组提供在组的寿命内连续更新操作参数以使劣化最小化、延长电池组的寿命、提高组性能、改善充电和放电等的能力。
现在参考附图，图1描绘了根据本文示出和描述的实施例的用于连续优化电池组以供使用的设备和系统的说明性网络，该网络被一般地表示为100。如图1所示，网络100可以包括广域网(诸如互联网)、局域网(LAN)、移动通信网络、公共服务电话网(PSTN)和/或其他网络，并且可以被配置为以电子方式连接电池配置系统110、车队120中的一个或多个车辆122、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个机器学习服务器150和/或一个或多个电池测试设备160。
电池配置系统110通常是执行用于确定特定电池组(包括其模块)的优化配置的各种处理并且将用于优化电池组的指令传输到每个电池组的计算设备，如本文更详细描述的。电池配置系统110包含一个或多个硬件部件，如本文将关于图3A和图3B所讨论的。
仍然参考图1，车队120包括一个或多个车辆122，该一个或多个车辆122中的每个车辆在其中具有至少一个电池组。例如，车队120中的每个车辆122可以是电动车辆、燃气-电动混合车辆等。车队120中的每个车辆122可以通信地耦合到网络100内的部件中的任何一个以传输与电池组对应的数据，并且还可以接收用于利用其中的电池组的指令，如本文更详细描述的。因此，车队120中的每个车辆122包括用于生成数据、传送数据、接收命令以及执行命令的一个或多个硬件部件，如本文关于图4所描述的。
仍参考图1，一个或多个用户计算设备130和一个或多个移动设备140通常可以是由用户用来传输来自车队120中的至少一个车辆122的信息(如果车队内的车辆不直接耦合到网络100)和/或接收来自电池配置系统110的信息(例如，指示)的设备。例如，一个或多个用户计算设备130和/或一个或多个移动设备140可以通信地耦合到来自车队120的车辆122，以从车辆接收数据(例如，经由车辆的车载诊断(OBD)端口)，并经由网络100将数据传输到另一个设备(例如，电池配置系统110)。在另一个示例中，一个或多个用户计算设备130和/或一个或多个移动设备140可以与电动车辆充电站集成，使得当车辆122连接到充电站以进行充电时，在车辆122和充电站(例如，用户计算设备130和移动设备140中的至少一个)之间创建数据连接，使得可以经由充电站将数据传输到连接到网络100的一个或多个其他部件。在又一个示例中，一个或多个用户计算设备130和/或一个或多个移动设备140可以位于车辆维修设施、车辆经销店等中。在又一个示例中，一个或多个用户计算设备130和/或一个或多个移动设备140可以位于电池制造设施中，并且可以接收被显示给组装电池组的人或被提供给组装电池组的机器人的指令。指令可以指示用户或机器人选取表现出特性的某些电池单元、将电池单元放置在特定位置中或者与其他电池单元或其他电池部件(例如，传感器、冷却设备等)成特定的关系、以特定方式弯曲电池单元、修改用于各种组控制系统的编程等。一个或多个用户计算设备130中的每一个通常可以是包括允许设备执行任何面向用户的功能的部件(例如，显示器、用户输入设备、存储器、处理设备、通信端口等)的任何计算设备，并且不以其他方式受本公开限制。类似地，一个或多个移动设备140中的每一个通常可以是包括允许设备执行任何面向用户的功能的部件(例如，显示器、用户输入设备、存储器、处理设备、通信端口等)的任何计算设备，并且不以其他方式受本公开限制。
在一些实施例中，一个或多个移动设备140可以是(例如，经由蓝牙连接等)通信地耦合到车辆122的用户的智能电话等，其中由用户的智能电话提供的数据连接可用于将数据从车辆122传输到耦合到网络100的一个或多个其他部件。
一个或多个机器学习服务器150通常是在其上存储一个或多个机器学习算法的计算设备，并且特别地被配置为接收与电池中的电池单元相关的数据并从中生成模型，该模型可由电池配置系统110和/或车辆122用于估计各种电池操作参数并更新电池操作参数以优化电池功能和电池寿命，如本文更详细描述的。由一个或多个机器学习服务器150利用的机器学习算法不受本公开的限制，并且通常可以是现在已知或以后开发的任何算法，特别是专门适于基于特定使用、电池组的年龄等连续确定优化的电池组功能并预测特定的组设置以确保将来的最优组使用的那些算法。即，机器学习算法可以是监督学习算法、非监督学习算法、半监督学习算法和强化学习算法。机器学习算法的具体示例可以包括但不限于最近邻算法、朴素贝叶斯算法、决策树算法、线性回归算法、监督向量机、神经网络、聚类算法、关联规则学习算法、Q学习算法、时间差分算法和深度对抗网络。一种特定算法可以是基于描述符的算法，该算法分析各个电池单元循环的容量-电压(C-V)曲线，从而提取曲线内的特定特征、然后使用该特定特征来量化特征并从中预测电池组的寿命。另一种特定算法可以是长短期记忆(LSTM)神经网络，其使用比上述基于描述符的算法更大的数据集。由一个或多个机器学习服务器150使用的机器学习算法的其他具体示例通常应被理解并且被包括在本公开的范围内。
一个或多个电池测试设备160通常是用于测试电池、生成与电池测试对应的数据、以及将数据提供给经由网络100与其通信地耦合的一个或多个部件例如，电池配置系统110)的设备。电池测试设备160通常可以测试未被安装在车辆中(即，不被包含在车辆122中的一个内)的电池或其部件(例如，模块、电池单元等)。电池测试设备160可以测试电池或其部件的充电、电压、放电速率、充电时间、寿命期限、物理特性、化学成分、起动电流、内部电池管理系统功能等。电池测试设备160还可以模拟各种放电状况。例如，电池测试设备160可以完成EV驾驶循环模拟(例如，联邦城市驾驶时间表-FUDS)、混合脉冲功率表征(HPPC)测试等。在关于各个电池单元的测试的实施例中，电池测试设备160可以用于电化学、电池和超级电容器测试、HPCE测量、电化学研究和开发、半电池单元测试、寿命周期测试、电化学阻抗谱(EIS)等。在一些实施例中，电池测试设备160中的至少一个可以是高通量(HT)循环仪。电池测试设备160中的一个的说明性示例是可从NH Research(尔湾(Irvine)，CA)获得的9220双槽(Dual Bay)系列低电压/高电流循环仪。电池测试设备160中的一个的另一个说明性示例是可从ArbinInstruments(大学城(College Station)，TX)获得的各种电池测试产品，诸如例如再生电池测试(RBT)系列设备。
应该理解的是，虽然在图1中将用户计算设备130描绘为个人计算机并且将电池配置系统110和一个或多个机器学习服务器150描绘为服务器，但是这些是非限制性示例。更具体而言，在一些实施例中，任何类型的计算设备(例如，移动计算设备、个人计算机、服务器等)可以用于这些部件中的任何部件。附加地，虽然这些计算设备中的每一个在图1中被图示为单个硬件，但这也仅仅是示例。更具体而言，电池配置系统110、一个或多个用户计算设备130、一个或多个移动设备140和/或一个或多个机器学习服务器150中的每一个可以表示多个计算机、服务器、数据库等。
图2描绘了电池组200的透视图，该电池组200在其中包含布置在模块210内的多个电池单元220。图2还描绘了示例性电池单元220和其中包括多个电池单元220的模块210。图2中描绘的电池组200是可以在诸如车队120中的车辆122(图1)之类的车辆中发现的组的说明性示例。即，电池组200可以是用于为车辆中的各种车辆部件、特别是电动车辆部件、燃气-电动混合车辆部件等供电的能量存储设备。图2中描绘的电池组200也可以是由一个或多个电池测试设备160(图1)测试的组的说明性示例。
仍然参考图2，在一些实施例中，电池组200的形状和/或尺寸可以被调整为对应于它安装在其中的车辆，并且可以被配置为在其中容纳多个电池单元220和/或模块210。电池组200可以包括限定内部的盖，在该内部中包含电池单元220和/或模块210以及各种其他部件，诸如(但不限于)具有一个或多个传感器的组传感器硬件230和/或一个或多个电池管理系统(BMS)硬件部件240。
电池组200的模块210内的电池单元220中的每一个通常可以是用于存储电能的电池单元，该电能被提供给外部部件，诸如车辆的部件。照此，电池单元220中的每一个可以在其上具有多个端子，包括正端子222和负端子224。电池单元220不以其他方式受本公开的限制，并且可以是现在已知或以后开发的任何类型的电池单元。电池单元的说明性示例包括但不限于铅酸电池单元、镍金属氢化物(NiMH)电池单元、锂离子(Li离子)电池单元等。
电池单元220中的每一个可以是任何尺寸和/或形状，和/或可模制成任何尺寸或形状。照此，本公开不限于任何特定的尺寸和形状。此外，电池组200内的模块210可以具有尺寸和形状不同的多个电池单元220。即，模块210可以包括具有第一尺寸和/或形状的一个或多个第一电池单元220以及具有与第一尺寸和/或形状不同的第二尺寸和/或形状的一个或多个第二电池单元220。按照各种布置的在模块210内的形状不同的电池单元220的使用可以允许以各种方式配置模块210。例如，可以基于模块210在电池组200内的位置来将该模块210模制成适合特定形状(例如，适合特定形状的空隙、适合处于特定形状的部件之间等)，并且可以用具有各种尺寸的电池单元220填充模块210，以便使位于模块210内的电池单元220的数量最大化、使模块210的能量存储容量的量最大化等。此外，随后可以基于从电池配置系统110(图1)接收到的指示对模块210进行模制并用特定的电池单元220和/或电池单元220的特定布置进行填充，如本文更详细描述的。因此，应该理解的是，模块210和电池单元220的形状和尺寸不受本公开的限制。
在一些实施例中，模块210中的每一个还可以包括模块BMS设备212。模块BMS设备212通常可以是特别适于模块210的电池管理系统，该电池管理系统位于模块210中以管理模块210和/或其电池单元220的电学输出、管理模块210和/或其电池单元220的充电、收集关于模块210和/或电池单元220的充电和/或放电的数据、传输收集到的数据等。应该理解的是，模块BMS设备212可以接收编程指令并且可以根据编程指令来修改模块210内的电池单元220的操作，如本文更详细描述的。
位于电池组200内的组传感器硬件230通常可以感测电池组200、电池组200中的模块210、电池组200中的电池单元220和/或电池组200中的一个或多个其他部件的一个或多个特性。例如，组传感器硬件230可以包括温度传感器，该温度传感器被配置为感测作为整体的电池组200或电池组200的各个部分的内部温度(例如，以识别电池组200内的“热点”)。即，温度传感器可以散布在电池组200的整个内部以感测电池组200内的特定区域处的温度。在另一个示例中，组传感器硬件230可以包括电学计量表，该电学计量表被配置为感测电池组200内的模块210和/或电池单元220的一个或多个电学特性，诸如但不限于电压、阻抗等。在一些实施例中，组传感器硬件230可以与模块210中的每一个的模块BMS设备212集成，使得可以实现在电池单元水平或模块水平的感测。在一些实施例中，组传感器硬件230可以与BMS硬件部件240集成。组传感器硬件230可以通信地耦合到一个或多个设备，以传输与感测到的特性对应的数据，使得可以如本文所述的那样利用数据。例如，组传感器硬件230可以通信地耦合到BMS硬件部件240，BMS硬件部件240将数据提供给一个或多个外部部件，诸如但不限于电池配置系统110(图1)。
仍然参考图2，BMS硬件部件240通常是被配置为管理电池组200的模块210和电池单元220的任何电子系统部件，包括现在已知或以后开发的部件。照此，BMS硬件部件240通常可以包括特别配置用于维护电池组200的操作、监视电池组200(以及其中的模块210和电池单元220)的状态、计算次级数据、传输计算出的数据和/或从组传感器硬件230接收到的数据、维护电池组200内的操作环境、验证电池组200和/或平衡电池组200的部件。
在一些实施例中，BMS硬件部件240与组传感器硬件230结合，可以监视和/或控制电池组200、电池组200的模块210和/或电池组200的电池单元220的各种电池操作参数。例如，BMS硬件部件240可以监视和/或控制电压(例如，总电压、特定模块210的电压、特定电池单元220的电压、最小电池单元电压、最大电池单元电压、周期性抽头(periodic tap)的电压等)、温度(例如，平均温度、冷却剂吸入温度、冷却剂输出温度、冷却剂流量、每个模块210的温度、每个电池单元220的温度等)、充电状态(SOC)或放电深度(DOD)、健康状态(SOH)、电力状态(SOP)(例如，进出电池组200、电池组200的模块210和/或电池组200的电池单元220的电流)和/或再充电参数(例如，指示恢复的能量等)。
在一些实施例中，BMS硬件部件240可以计算各种值，包括但不限于作为充电电流限制(CCL)的最大充电电流、作为放电电流限制(DCL)的最大放电电流、自上次充电或充电循环以来输送的能量(例如，千瓦时(kWh))、模块210和/或电池单元220的内部阻抗、开路电压、输送或存储的电荷(例如，库仑计数器)、自首次使用以来输送的总能量、自首次使用以来的总操作时间、总循环数等。
在实施例中，BMS硬件部件240可以包括中央控制器，该中央控制器在电池组200内与各种其他硬件(诸如例如，与模块210和/或电池单元220相关联的硬件(例如，模块BMS设备212))内部地通信和/或与外部部件(诸如例如，图1中描述的各种部件)外部地通信。仍然参考图2，中央控制器可以经由串行连接、CAN总线、DC总线(例如，电力线上串行)和/或无线地通信。
BMS硬件部件240还可以用于通过以下方式来优化电池组200的使用(例如，对电池组200充电、使电池组放电等)：通过将充电最多的模块210和/或电池单元220连接到负载(例如，经由无源调节器等)来消耗来自充电最多的模块210和/或电池单元220的能量、将能量从充电相对较多的模块210和/或电池单元220调动到充电相对较少的模块210和/或电池单元、减小充电电流以使得相对较高充电的模块210和/或电池单元220不被损坏但是相对较低充电的模块210和/或电池单元220仍然可以进行充电、模块化充电等。BMS硬件部件240可以连续地接收编程指令(例如，来自电池配置系统110(图1)的指令)并且连续地更新参数以用于优化电池组的使用，如本文更详细描述的。另外，BMS硬件部件240可以连续地提供关于电池组使用的数据，从而创建反馈回路，如本文更详细描述的。
仍然参考图2，BMS硬件部件240的拓扑通常应该被理解并且不受本公开的限制。即，BMS硬件部件240可以是其中单个控制器耦合到所有模块210和电池单元220的集中式拓扑，其中在每个模块210和/或电池单元处安装BMS板(例如，模块BMS设备212)的分布式拓扑，或者其中BMS硬件部件240包括多个控制器的模块化拓扑，该多个控制器中的每个控制器处理电池组200内的全部数量的模块210和电池单元220的子集。
在一些实施例中，电池组200还可以包括一个或多个端口，用于传输存储在电池单元220中的电、传输(例如，来自BMS硬件部件240的)数据等。例如，如图2所绘出的，电池组200可以包括电学端口204、数据端口206和/或辅助端口208。
电学端口204通常提供到电池组200内的各种部件(包括但不限于模块210和电池单元220)的电学耦合。因此，电学端口204在被电学耦合到外部设备时可以允许电流在电池组200和外部设备之间流动。照此，电学端口204的形状、尺寸和布置可以被调整为电学耦合到车辆和/或电池测试设备的一个或多个部件。
数据端口206通常提供电池组200内的部件与一个或多个外部部件之间的数据连接。即，可以将由电池组200内的各种部件(例如，BMS硬件部件240、每个模块BMS设备212、来自组传感器硬件230的数据等)收集和/或生成的数据经由数据端口206传输出电池组200至外部部件，诸如(但不限于)关于图1示出和描述的各种部件。即，也参考图1，数据可以经由数据端口206被传输到电池配置系统110、车队120中的车辆122的其他部件、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个机器学习服务器150和/或一个或多个电池测试设备160。在一些实施例中，来自电池组200内的部件的数据可以由一个设备传输到另一个设备。例如，数据端口206可以通信地耦合到车辆的CAN总线(或其他类似的本地接口)，使得来自电池组200内的部件的数据经由CAN总线传输，其中经由车辆的CAN总线与另一个部件(例如，经由诸如车辆的OBD端口之类的访问端口连接到CAN总线的移动设备或用户计算设备130)之间的连接检索数据。然后可以经由网络100将数据中继到又一个部件，诸如电池配置系统110。在另一个示例中，数据端口206可以通信地耦合到电池测试设备160中的一个或多个，使得来自电池组200内的部件的数据被传输到一个或多个电池测试设备160。虽然在图2中将数据端口206描绘为用于有线连接的物理端口，但这仅仅是说明性的。在一些实施例中，数据端口206可以是无线端口，诸如无线通信卡等。
辅助端口208通常可以是用于任何类型的通信或电学耦合的任何类型的端口。在一些实施例中，辅助端口208可以用于通信和电学耦合的组合(例如，电力线上的串行通信)。
现在应该理解通常用于本文描述的目的的电池组的类型。但是，还应该理解的是，关于图2描述的电池组仅仅是说明性的，并且在不脱离本公开的范围的情况下，也可以使用现在已知或以后开发的其他电池组。
图3A描绘了图1的电池配置系统110的说明性内部部件，这些部件为电池配置系统110提供了本文描述的能力。如图3A所绘出的，电池配置系统110可以包括处理设备310、非暂态存储器部件320、网络接口硬件340、输入/输出(I/O)硬件330和/或数据存储部件350。诸如总线等之类的本地接口300可以使各种部件互连。
诸如计算机处理单元(CPU)之类的处理设备310可以是电池配置系统110的中央处理单元，执行计算和逻辑操作以执行程序。单独或与其他部件结合的处理设备310是说明性处理设备、计算设备、处理器或其组合。处理设备310可以包括被配置为接收和执行(诸如来自数据存储部件350和/或存储器部件320的)指令的任何处理部件。
存储器部件320可以被配置为易失性和/或非易失性计算机可读介质，并且照此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、压缩盘(CD)、数字多功能盘(DVD)和/或其他类型的存储部件。存储器部件320可以在其上包括一个或多个编程指令，该一个或多个编程指令在由处理设备310执行时使处理设备310完成各种处理，诸如本文关于图5描述的处理。
参考图3A-图3B，存储在存储器部件320上的编程指令可以被实施为多个软件逻辑模块，其中每个逻辑模块提供用于完成一个或多个任务的编程指令。图3B中描绘的说明性逻辑模块包括但不限于操作逻辑380、传感器逻辑382、数据接收逻辑384、数据提供逻辑386、机器学习通信逻辑388、特性估计逻辑390、电池单元配置逻辑392和/或电池单元分类逻辑394。作为示例，图3B中描绘的逻辑模块中的每一个可以被实施为计算机程序、固件或硬件。
操作逻辑380可以包括用于管理电池配置系统110的部件的操作系统和/或其他软件。传感器逻辑382可以包括用于指示一个或多个传感器的操作的一个或多个编程指令，该一个或多个传感器诸如被包括在车辆(例如，车队120中的一个车辆(图1))内的传感器、被包括在电池组200(图2)内的传感器等。参考图1和图3B，数据接收逻辑384通常可以包括用于从电池配置系统110外部的一个或多个部件接收数据的编程指令，这些数据诸如例如由来自车队120的任何车辆122、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个电池测试设备160、电池组200(图2)等传输的数据。仍然参考图1和图3B，数据提供逻辑386通常可以包括用于将数据传输到电池配置系统110外部的一个或多个部件的编程指令，这些数据诸如例如到来自车队120的任何车辆122、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个电池测试设备160、电池组200(图2)等的数据或编程指令。仍然参考图1和图3B，机器学习通信逻辑388通常可以包括用于与一个或多个机器学习服务器150通信的编程指令，诸如用于将数据传输到一个或多个机器学习服务器150、将指令传输到一个或多个机器学习服务器150、从一个或多个机器学习服务器150接收数据或信息、指示一个或多个机器学习服务器150的操作等的指令。
参考图1、图2和图3B，特性估计逻辑390通常可以包括用于基于从一个或多个其他部件接收到的数据来估计电池组200和/或电池组200中的部件的一个或多个特性的一个或多个编程指令，该一个或多个其他部件诸如例如来自车队120的车辆122、一个或多个机器学习服务器150和/或一个或多个电池测试设备160。电池单元配置逻辑392通常可以包括用于确定电池组200内的电池单元220和/或模块210的配置的一个或多个编程指令，如本文更详细描述的。电池单元分类逻辑394通常可以包括用于基于电池单元220的一个或多个特性对电池单元220进行分类(例如，对电池单元220进行分箱(bin))的一个或多个编程指令，如本文更详细描述的。
再次参考图3A，输入/输出硬件330可以在本地接口300与电池配置系统110的本文未描述的一个或多个其他部件之间传送信息。在一些实施例中，输入/输出硬件330可以用于一个或多个用户接口部件，包括本地用户接口部件和/或一个或多个远程用户接口部件。
网络接口硬件340可以包括任何有线或无线联网硬件，诸如调制解调器、LAN端口、无线保真(Wi-Fi)卡、WiMax卡、移动通信硬件以及/或者用于与其他网络和/或设备通信的其他硬件。例如，网络接口硬件340可以用于促进本文关于图1描述的各种其他部件之间的通信。
通常可以是存储介质的数据存储部件350可以包含用于存储接收到的和/或生成的数据的一个或多个数据存储库。数据存储部件350可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储装置等。虽然数据存储部件350被描绘为本地设备，但是应该理解的是，数据存储部件350可以是远程存储设备，诸如例如服务器计算设备、基于云的存储设备等。可以被包含在数据存储部件350内的说明性数据包括但不限于机器学习模型数据352、分箱数据(binningdata)354和/或组配置数据356。机器学习模型数据352通常可以涉及由一个或多个机器学习服务器150(图1)生成的数据和/或用于生成机器学习模型的数据。仍然参考图3A，分箱数据354通常是用于将分类分配给电池组200(图2)中的电池单元220中的每一个的数据，以及作为这种分类的结果而生成的数据。仍参考图3A，组配置数据通常包含与基于已经从一个或多个机器学习服务器150(图1)接收到的信息的电池组200(图2)的特定配置相关的信息、作为根据电池单元配置逻辑392和/或电池单元分类逻辑394(图3B)进行操作的结果而生成的数据等。
应该理解的是，图3A-图3B所示的部件仅仅是说明性的，并不旨在限制本公开的范围。更具体而言，虽然图3A-图3B中的部件被图示为位于电池配置系统110内，但这是非限制性示例。在一些实施例中，这些部件中的一个或多个部件可以位于电池配置系统110的外部。
图4描绘了根据各种实施例的车队120中的车辆122(图1)内的车辆电池管理模块400的说明性内部部件。车辆电池管理模块400通常与位于图2中描绘的电池组200中的BMS硬件部件240分离，但是与BMS硬件部件240协同工作以提供本文描述的功能。如图4所示，车辆电池管理模块400可以包括处理设备410、非暂态存储器部件420、车辆传感器硬件430、组传感器硬件230、网络接口硬件450、输入/输出(I/O)硬件460和/或数据存储部件470。诸如总线等(例如，车辆CAN总线)之类的本地接口402可以使各种部件互连。
诸如计算机处理单元(CPU)之类的处理设备410可以是车辆电池管理模块400的中央处理单元，执行计算和逻辑操作以执行程序。单独或与其他部件结合的处理设备410是说明性处理设备、计算设备、处理器或其组合。处理设备410可以包括被配置为接收和执行(诸如来自数据存储部件470和/或存储器部件420的)指令的任何处理部件。
存储器部件420可以被配置为易失性和/或非易失性计算机可读介质，并且照此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、压缩盘(CD)、数字多功能盘(DVD)和/或其他类型的存储部件。存储器部件420可以在其上包括一个或多个编程指令，该一个或多个编程指令在由处理设备410执行时使处理设备410完成各种处理，诸如本文关于图5描述的处理。
仍然参考图4，存储在存储器部件420上的编程指令可以被实施为多个软件逻辑模块，其中每个逻辑模块提供用于完成一个或多个任务的编程指令。图4中描绘的说明性逻辑模块包括但不限于操作逻辑422和/或传感器逻辑424。作为示例，图4中所示的逻辑模块中的每一个可以被实施为计算机程序、固件或硬件。操作逻辑422可以包括用于管理车辆电池管理模块400的部件的操作系统和/或其他软件。传感器逻辑424可以包括用于指示车辆传感器硬件430和/或组传感器硬件230的操作的一个或多个编程指令，包括但不限于用于指示车辆传感器硬件430和/或组传感器硬件230感测车辆122和/或电池组200(图2)的一个或多个特性、传输与感测到的一个或多个特性对应的数据等的编程指令。
仍然参考图4，车辆传感器硬件430通常可以包括感测一个或多个车辆特性、特别是提供可以用于确定电池组200(图2)的运行和/或完成本文描述的各种处理的信息的特性的一个或多个硬件部件。说明性硬件部件包括但不限于相机(包括视频和静态相机)、光学传感器、测距系统、飞行时间(TOF)传感器、接近传感器、温度传感器、全球定位卫星(GPS)部件、电学传感器(例如，电压传感器、阻抗传感器等)、加速度计、陀螺仪、速度传感器等。在不脱离本公开的范围的情况下，还包括其他传感器，特别是用于获取与电池功能、车辆功能、车辆正在其上驾驶的地形等有关的信息的那些传感器。在一些实施例中，车辆传感器硬件430可以接收感测到的信息并且将与感测到的信息对应的信号和/或数据传输到本文描述的一个或多个部件。例如，车辆传感器硬件430可以接收与车辆相关的加速度和/或速度信息，并生成一个或多个信号和/或数据以传输到处理设备410以用于处理数据、将数据传输到其他部件等，如本文更详细描述的。
网络接口硬件450可以包括任何有线或无线联网硬件，诸如调制解调器、LAN端口、无线保真(Wi-Fi)卡、WiMax卡、移动通信硬件以及/或者用于与其他网络和/或设备通信的其他硬件。例如，网络接口硬件450可以用于促进本文关于图1描述的各种其他部件之间的通信。
仍然参考图4，输入/输出硬件460可以在本地接口402与车辆122的本文未描述的一个或多个其他部件之间传送信息。例如，位于车辆122内但不是车辆电池管理模块400的一部分的一个或多个车辆部件可以经由输入/输出硬件460与车辆电池管理模块400的各个部件通信。在一些实施例中，车辆传感器硬件430可以位于车辆电池管理模块400的外部，并且可以经由输入/输出硬件460与车辆电池管理模块400的各个部件通信(例如，传输信号和/或数据)。
通常可以是存储介质的数据存储部件470可以包含用于存储接收到的和/或生成的数据的一个或多个数据存储库。数据存储部件470可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储装置等。虽然数据存储部件470被描绘为本地设备，但是应该理解的是，数据存储部件470可以是远程存储设备，诸如例如服务器计算设备、基于云的存储设备等。可以被包含在数据存储部件470内的说明性数据包括但不限于传感器数据472和/或其他数据。传感器数据472通常可以包括从车辆传感器硬件430和/或组传感器硬件230获得的数据。被包含在传感器数据472内的数据的非限制性示例可以包括车辆操作数据(例如，加速度计数据、陀螺仪数据、速度数据、GPS数据等)、与车辆122正在其中操作的环境相关的图像数据、以及电池操作数据(例如，温度数据、电压数据、阻抗数据等)。
应该理解的是，图4所示的部件仅仅是说明性的，并不旨在限制本公开的范围。更具体而言，虽然图4中的部件被图示为位于车辆122内的车辆电池管理模块400内，但这是非限制性示例。在一些实施例中，这些部件中的一个或多个部件可以位于车辆电池管理模块400和/或车辆122的外部。
如上所述，参考图1-图4描述的各种部件可以用于执行一个或多个处理和/或提供用于确定最优电池组功能、生成可以用于预测当前使用的电池组中的将来电池组运行的ML模型、将ML模型(或与其对应的指令)传输到车辆以更新BMS硬件中包含的软件、以及从电池组接收附加数据作为反馈回路的一部分的功能。下文关于图5描述各种处理的说明性示例。关于图5描述的各种处理通常可以由图1-图4中描绘的部件中的一个或多个来完成。图5描绘了根据各种实施例的优化车辆中的电池组的说明性方法。即，图5通常涉及更新在车辆中被安装且当前在使用中的现有电池组的编程，以确保电池组在其整个寿命期限内的最优功能。关于图5描述的各个步骤仅仅是说明性的，并且在不脱离本公开的范围的情况下，可以预期附加的、更少的或替代的步骤。
在通常还参考图1-图4的同时，在框502处，可以接收电池单元配置数据。即，电池配置系统110可以从电池组200(例如，BMS硬件部件240)接收与如何在电池组200中的模块210内配置各种电池单元220相关的数据。电池单元配置数据通常包括与模块210中的特定电池单元220的布置、电池组200中的特定模块210的布置、模块210中的每个电池单元220的容量、每个模块210的容量、模块210中的每个电池单元220的输出、每个模块210的输出等相关的信息。电池单元配置数据通常可用于针对电池单元220和模块210的特定配置确定电池组的最优操作，如本文更详细描述的。
电池单元配置数据通常可以直接从包含电池组200的车辆122(例如，经由车辆122与电池配置系统110之间的数据连接)和/或从一个或多个用户计算设备130和一个或多个移动设备140中的至少一个(例如，当车辆122通过车辆122中的OBD端口连接到用户计算设备130或移动计算设备时)接收。例如，如果车辆122具有恒定的数据连接，那么根据框502，来自安装在车辆122中的电池组200的数据可以被连续地传输，或者可以以特定的间隔(例如，每小时、每天、每周、每月等)被传输。在另一个示例中，来自车辆122的数据可以在车辆位于技术人员的店或包含从车辆获得数据并将数据中继到电池配置系统110的用户计算设备130或移动设备140的其他位置中时被传输。在又一个示例中，在用户计算设备130或移动计算设备是充电站的实施例中，当车辆连接到充电站以进行充电时，数据可以从车辆122卸载到电池配置系统110。
在框504处，可以接收操作数据。即，电池配置系统110可以从电池组200(例如，BMS硬件部件240)接收与当电池组200被使用(例如，充电和放电)时各种电池单元220如何操作相关的数据。照此，操作数据包含来自各种传感器(例如，组传感器硬件230、模块BMS设备212等)的数据，这些传感器被配置为监视电池单元220、模块210等中的每一个的各种电学特性。例如，操作数据可以包括电池组200内的模块210和/或电池单元220中的每一个的电压信息、电池组200内的模块210和/或电池单元220中的每一个的阻抗信息、电池组200内的操作温度(包括各种模块210和/或电池单元220的操作温度)、在特定操作状况下使每个模块210和/或电池单元220放电所需的时间量、在特定操作状况下对每个模块210和/或电池单元220充电所需的时间量等。在一些实施例中，操作数据可以从各种车辆传感器硬件430获得，使得车辆122的操作状况可以被确定。例如，从车辆传感器硬件430接收到的数据可以指示车辆122外部的环境温度、车辆122正在穿越的地形的类型、车辆122是否处于走走停停的交通中、车辆122正在穿越的道路的渐变(gradation)、车辆122驾驶得多快、车辆122加速和/或减速得多快等。操作数据与电池单元配置数据结合通常可用于针对电池单元220和模块210的特定配置确定电池组的最优操作，如本文更详细描述的。
操作数据通常可以直接从包含电池组200的车辆122(例如，经由车辆122与电池配置系统110之间的数据连接)和/或从一个或多个用户计算设备130和一个或多个移动设备140中的至少一个(例如，当车辆122通过车辆122中的OBD端口连接到用户计算设备130或移动计算设备时)接收。例如，如果车辆122具有恒定的数据连接，那么来自安装在车辆122中的电池组200的数据可以被连续地传输，或者可以以特定的间隔(例如，每小时、每天、每周、每月等)被传输。在另一个示例中，来自车辆122的数据可以在车辆位于技术人员的店或包含从车辆获得数据并将数据中继到电池配置系统110的用户计算设备130或移动设备140的其他位置中时被传输。在又一个示例中，在用户计算设备130或移动计算设备是充电站的实施例中，当车辆连接到充电站以进行充电时，数据可以从车辆122卸载到电池配置系统110。
应该理解的是，在一些实施例中，根据框502接收的电池单元配置数据和根据框504接收的操作数据可以基本同时发生。即，在一些实施例中，由电池配置系统110接收的数据流可以包括电池单元配置数据和操作数据两者。
在一些实施例中，可以从一个或多个电池测试设备160接收根据框502接收的电池单元配置数据和/或根据框504接收的操作数据。即，如本文所述，当电池测试设备160测试连接的电池组200时，测试数据被传输到电池配置系统110以供使用。照此，根据框502和504接收的数据可以从车辆122和一个或多个电池测试设备160的任何组合接收。
在框506处，将接收到的数据(例如，电池单元配置数据和操作数据)提供给一个或多个机器学习服务器150。即，数据由电池配置系统110经由网络传输到机器学习服务器150中的至少一个。一旦机器学习服务器150接收到数据，在框508处，电池配置系统110就可以指示机器学习服务器150生成预测模型。即，可以将信号从电池配置系统110传输到一个或多个机器学习服务器150(例如，经由网络100)，该信号使机器学习服务器150将接收到的数据(例如，电池单元配置数据和操作数据)馈送到预测模型中和/或从数据生成预测模型。预测模型通常可以是现在已知或以后开发的任何机器学习模型，特别是提供可以用于确定针对特定使用的最优电池组配置的结果信息的机器学习模型。机器学习模型的说明性一般示例包括但不限于卷积神经网络(CNN)模型、长短期记忆(LSTM)模型、神经网络(NN)模型、动态时间规整(DTW)模型等。如本文所述，具体示例包括但不限于基于描述符的模型和LFTM模型。可以将开发的模型推送到电池组，电池组然后使用该模型来优化电池组200内的部件的使用(例如，优化特定电池单元220、特定模块210的充电/放电、设置最大充电百分比等)，如本文更详细讨论的。
预测模型可以被传输到电池配置系统110以供进一步使用，如下文所描述的。在一些实施例中，可以将预测模型存储在电池数据库等中，使得该预测模型可以随后被检索以用于更新、由电池配置系统110随后使用、由来自车队120的车辆122访问等。例如，预测模型可以作为机器学习模型数据352的一部分被存储在电池配置系统110的数据存储部件350内。
在框510处，电池配置系统110可以从一个或多个机器学习服务器150接收预测模型(或者从数据存储装置中检索预测模型)，并且可以在框512处将预测模型传输到车队120中的一个或多个车辆122。在一些实施例中，预测模型可以由一个或多个机器学习服务器150直接传输到一个或多个车辆122(从而绕过电池配置系统110)。在其他实施例中，电池配置系统110可以从预测模型生成一个或多个指令，并将该一个或多个指令传输到每个车辆122以供实现，而不是将预测模型发送到车辆122。即，电池配置系统110可以接收预测模型、确定特定电池组配置参数(包括电池组200中的电池单元220中的每一个的配置参数)、生成指示每个电池组200根据预测模型更新参数的编程指令、并将编程指令传输到车辆122。
因此，在框514处，车辆122中的一个或多个根据预测模型来优化电池性能。即，一个或多个车辆122可以接收预测模型和/或编程指令、从预测模型确定要改变什么参数来优化组性能以及相应地实现改变。如本文所述，电池组200中的一个或多个可以更新一个或多个BMS硬件部件240中的编程、更新模块BMS设备212中的一个或多个的编程等，使得根据预测模型和/或编程指令而改变电池组200中的电池单元220中的每一个的功能。在一些实施例中，一个或多个车辆122可以在从电池配置系统110接收到优化电池性能的指示时优化电池性能。即，电池配置系统110可以指示一个或多个车辆122中的每个车辆根据预测模型来优化其对应的电池组200的性能。
例如，如果预测模型指示电池组200的使用类型不需要完全100％的充电(例如，因为车辆122通常一天只被驾驶几英里，并且完全的电池充电是不必要的)，那么可以更改一个或多个BMS硬件部件240中的编程、一个或多个模块BMS设备212中的编程等，使得当电池组200被插入以进行充电时，电池组200的充电状态小于100％(例如，50％、70％等)。照此，当电池组200被插入时，电池组200的各种硬件部件防止将电池组200中的所有电池单元220完全充电至100％。而是，硬件部件基于更改的充电状态仅允许电池单元220中的一部分充电至100％和/或所有电池单元220充电至特定百分比。即，如果预测模型指示电池组200的典型使用仅需要70％的充电状态，那么一个或多个BMS硬件部件240中的编程、一个或多个模块BMS设备212中的编程等可以被更改为使得当电池组200被插入时，作为整体的组将仅充电到70％的容量。例如，电池组200中的所有电池单元220中的70％被充电至100％并且电池单元220中的剩余30％不被使用；电池组200中的所有电池单元220被充电至70％；或各个电池单元220各自被充电到对于每个电池单元220优化(例如，基于电池单元的形状、尺寸、位置等)的特定百分比并且使得作为整体的电池组200被充电至70％。应该理解的是，通过以这种方式更改电池组200的充电状态，可以延长电池组200的寿命而在电池组200的日常使用(例如，每天的驾驶)中没有任何明显的改变。
在另一个示例中，如果电池组200的健康状态对应于从预测模型确定的指示电池组200未执行特定规格的特定阈值，那么一个或多个BMS硬件部件240中的编程、一个或多个模块BMS设备212中的编程等可以被更改为使得改善电池组200的总体健康状态。例如，如果从数据确定在电池组200内仅一部分电池单元220和/或模块210表现不佳、发生故障等，从而影响电池组200的总体健康状态，那么一个或多个BMS硬件部件240中的编程、一个或多个模块BMS设备212中的编程等可以被更改为停用或以其他方式重新利用表现不佳、发生故障等的那部分电池单元220和/或模块。作为这种停用或重新利用的结果，电池组200的总体健康状态可以被改善为使得其高于阈值，使得不需要对电池组200进行更换、维修等。
虽然本公开一般而言涉及已经被安装在车辆中的电池组，但是应该理解的是，本公开不限于此。即，也可以在新制造的电池中完成根据框514的电池性能的优化，以便确保新制造的电池在被首次使用时表现出优化的性能。
如本文所述，处理创建反馈回路，由此连续地监视车队120中的所有电池组200，预测模型被相应地更新，并且电池组200内的编程被更新以相应地优化使用。由此，在框516处，基于电池组200内的更新后的编程生成新数据(例如，从车辆传感器硬件430、从组传感器硬件230等接收到的新传感器数据)。照此，处理返回到框502，使得可以针对新生成的数据重复根据图5的处理。即，所生成的新数据(例如，电池单元配置数据和/或操作数据)被传输到电池配置系统110，电池配置系统110又将新数据传输到一个或多个机器学习服务器150，使得预测模型可以被相应地更新。
通过重复关于图5描述的处理而创建的反馈回路确保即使在其中电池组200被使用的状况下、在部件磨损时等，也可对现有车辆中的电池组200以及新安装的电池组200进行连续地优化以供使用。
现在应该理解的是，本文描述的系统和方法训练和使用ML模型来在电池组的整个寿命期限内(例如，包括组装、在车辆中的安装以及在车辆中的使用)连续地优化电池组的性能。机器学习模型的训练和使用通常包括获得与电池组中电池单元的操作或预期操作相关的数据。ML服务器生成预测模型，该预测模型被提供给当前操作的车辆和/或制造设施，以优化其中的电池组的将来的性能。本文描述的处理连续地发生，使得形成反馈回路，由此车辆不断地收集数据、确定优化的组使用以及更新软件来实现优化的组使用。
虽然本文已经图示和描述了特定的实施例，但是应该理解的是，在不脱离所要求保护的主题的精神和范围的情况下，可以做出各种其他改变和修改。而且，虽然本文已经描述了所要求保护的主题的各个方面，但是这些方面不需要组合使用。因此，意图是所附权利要求覆盖在所要求保护的主题的范围内的所有这样的改变和修改。

Claims (10)

1.一种优化车辆电池组的性能的方法，所述方法包括：
由处理设备接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据，所述数据是从车队中的每个车辆中的至少一个接收的；
由处理设备将所述数据提供给机器学习服务器；
由处理设备指示机器学习服务器生成预测模型，所述预测模型基于所述数据的机器学习；
由处理设备向车队中的每个车辆提供所述预测模型，所述预测模型提供用于调节电池组中的电池单元中的每一个的一个或多个配置参数的指令，使得针对特定使用对电池组进行优化；以及
由处理设备指示车队中的每个车辆基于所述预测模型来优化车辆电池组的性能。
2.如权利要求1所述的方法，还包括接收与由电池测试设备测试的电池组内的电池单元相关的测试数据。
3.如权利要求1或权利要求2所述的方法，还包括：
向制造新电池组的制造设施提供所述预测模型；以及
指示制造设施基于所述预测模型优化新电池组的性能。
4.如权利要求1或权利要求2所述的方法，其中指示车队中的每个车辆优化车辆电池组的性能包括指示每个车辆更改车辆电池组的充电状态。
5.如权利要求1或权利要求2所述的方法，其中指示车队中的每个车辆优化车辆电池组的性能包括指示每个车辆使车辆电池组的健康状态改变。
6.如权利要求1或权利要求2所述的方法，其中接收所述数据包括从车队的每个车辆中的一个或多个特定于车辆的传感器接收补充数据。
7.如权利要求1或权利要求2所述的方法，其中指示机器学习服务器生成所述预测模型包括：
指示机器学习服务器利用基于描述符的算法，所述基于描述符的算法分析各个电池单元循环的容量-电压曲线以生成所述预测模型；或者
指示机器学习服务器利用长短期记忆神经网络来生成所述预测模型。
8.如权利要求1或权利要求2所述的方法，还包括由处理设备从车队中的每个车辆接收新数据，所述新数据指示车辆电池组的基于所述预测模型优化的性能。
9.一种被配置用于优化车辆电池组的性能的系统，所述系统包括：
车队，车队中的每个车辆都包括具有多个电池单元的电池组；以及
通信地耦合到车队中的每个车辆的一个或多个硬件处理器，所述一个或多个硬件处理器被机器可读指令配置为：
接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据，所述数据是从车队中的每个车辆中的至少一个接收的；
将所述数据提供给机器学习服务器；
指示机器学习服务器生成预测模型，所述预测模型基于所述数据的机器学习；
向车队中的每个车辆提供所述预测模型，所述预测模型提供用于调节电池组中的电池单元中的每一个的一个或多个配置参数的指令，使得针对特定使用对电池组进行优化；以及
指示车队中的每个车辆基于所述预测模型来优化车辆电池组的性能。
10.一种其上实施有指令的非暂态计算机可读存储介质，所述指令可由一个或多个处理器执行以执行用于优化车辆电池组的性能的方法，所述方法包括：
接收与安装在车队的每个车辆中的电池单元相关的数据，所述数据是从车队中的每个车辆中的至少一个接收的；
将所述数据提供给机器学习服务器；
指示机器学习服务器生成预测模型，所述预测模型基于所述数据的机器学习；
向车队中的每个车辆提供所述预测模型，所述预测模型提供用于调节电池组中的电池单元中的每一个的一个或多个配置参数的指令，使得针对特定使用对电池组进行优化；以及
指示车队中的每个车辆基于所述预测模型来优化车辆电池组的性能。
CN202010114408.7A 2019-02-25 2020-02-25 用于优化电池组的性能的系统、方法和存储介质 Active CN111612204B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/284,515 US11065978B2 (en) 2019-02-25 2019-02-25 Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack
US16/284,515 2019-02-25

Publications (2)

Publication Number Publication Date
CN111612204A true CN111612204A (zh) 2020-09-01
CN111612204B CN111612204B (zh) 2022-11-11

Family

ID=72142189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010114408.7A Active CN111612204B (zh) 2019-02-25 2020-02-25 用于优化电池组的性能的系统、方法和存储介质

Country Status (3)

Country Link
US (1) US11065978B2 (zh)
JP (1) JP7050832B2 (zh)
CN (1) CN111612204B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113305880A (zh) * 2021-05-10 2021-08-27 佛山科学技术学院 一种基于dtw距离的工业机器人一致性检测系统及方法
CN113328466A (zh) * 2021-05-26 2021-08-31 上海电力大学 一种电动汽车充电场景生成方法

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11400887B2 (en) * 2019-02-11 2022-08-02 Byton North America Corporation Frunk delivery system for vehicles
US11084387B2 (en) * 2019-02-25 2021-08-10 Toyota Research Institute, Inc. Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
US11360155B2 (en) * 2020-09-03 2022-06-14 Volkswagen Aktiengesellschaft Battery state of health estimator
WO2022076146A1 (en) * 2020-10-09 2022-04-14 Our Next Energy, Inc. Supplying power to an electric vehicle
KR20220073523A (ko) * 2020-11-26 2022-06-03 주식회사 엘지화학 배터리 관리 장치 및 방법
CN112698232A (zh) * 2020-12-14 2021-04-23 尼讯(上海)科技有限公司 基于电池检测的电池健康状态追踪云系统
US11609273B2 (en) * 2020-12-14 2023-03-21 Guangzhou Automobile Group Co., Ltd. Method and system for optimizing BMS model, storage medium and electric vehicle
CN112765772B (zh) * 2020-12-25 2022-11-04 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
KR102619797B1 (ko) * 2021-03-05 2023-12-29 연세대학교 산학협력단 Bms, 이를 위한 적응형 모델 제공 장치 및 방법
JPWO2022195402A1 (zh) * 2021-03-19 2022-09-22
AT524131B1 (de) * 2021-04-20 2022-03-15 Aviloo Gmbh Ermittlung des Gesundheitszustands einer Fahrzeugbatterie
US11685288B2 (en) * 2021-05-06 2023-06-27 GM Global Technology Operations LLC Intelligent motor vehicles and control logic for managing charging of traction battery packs
US11989073B2 (en) * 2021-08-05 2024-05-21 Batterycheck Llc System for facilitating edge analytics for power systems
US20230132798A1 (en) * 2021-10-28 2023-05-04 Ford Global Technologies, Llc System and method for managing vehicle battery health
US11577625B1 (en) * 2021-11-11 2023-02-14 Beta Air, Llc Systems and methods for predicting degradation of a battery for use in an electric vehicle
US20230186191A1 (en) * 2021-12-13 2023-06-15 Caterpillar Global Mining Equipment Llc Machine Management Based on Battery Status
KR102576987B1 (ko) * 2022-11-23 2023-09-11 한국자동차연구원 차량 데이터 기반 배터리 상태 판단장치 및 그 방법
US11707987B1 (en) * 2022-12-06 2023-07-25 Mercedes-Benz Group AG Vehicle simulating method and system
CN116973782B (zh) * 2023-08-03 2024-05-24 广州格悦新能源科技有限公司 基于机器学习的新能源汽车保养维护与故障监测诊断方法
CN117410988B (zh) * 2023-12-11 2024-03-29 广东领卓能源科技有限公司 一种新能源充电站的充电控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140067344A1 (en) * 2012-08-29 2014-03-06 Denso Corporation Method for determination of performance of an accumulator-unit
CN105005222A (zh) * 2015-06-12 2015-10-28 山东省科学院自动化研究所 基于大数据的新能源电动汽车整车性能提升系统及方法
CN107878218A (zh) * 2016-09-29 2018-04-06 通用汽车环球科技运作有限责任公司 优化插电式车辆车队的自适应系统和方法
CN108258338A (zh) * 2017-12-29 2018-07-06 江苏博强新能源科技股份有限公司 电池的管理系统和方法
CN108445410A (zh) * 2018-04-02 2018-08-24 国家计算机网络与信息安全管理中心 一种监测蓄电池组运行状态的方法及装置

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10117443A (ja) * 1996-08-20 1998-05-06 Shin Kobe Electric Mach Co Ltd 二次電池の過充電及び過放電防止装置
JP5096700B2 (ja) 2006-06-27 2012-12-12 パナソニック株式会社 光電変換素子
US8519674B2 (en) * 2009-11-12 2013-08-27 GM Global Technology Operations LLC Method for estimating battery degradation in a vehicle battery pack
US8719195B2 (en) 2011-10-10 2014-05-06 The Boeing Company Battery adaptive learning management system
JP5851965B2 (ja) 2012-10-02 2016-02-03 株式会社日立製作所 放電容量予測装置、プログラム、および電池の製造方法
KR102357351B1 (ko) * 2015-01-07 2022-01-28 삼성전자주식회사 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법
US9557387B2 (en) 2015-02-10 2017-01-31 Lenovo Enterprise Solutions (Singapore) Pte. Ltd. Testing individual cells within multi-cell battery applications
KR20160101506A (ko) * 2015-02-17 2016-08-25 삼성전자주식회사 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
US10197631B2 (en) * 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
CN105137358B (zh) 2015-08-27 2018-06-26 张家港莫特普数据科技有限公司 基于大数据自学习机制的动力电池的soc/soh预测方法
US20170286882A1 (en) * 2016-04-01 2017-10-05 Demand Energy Networks, Inc. Control systems and methods for economical optimization of an electrical system
CN105974327A (zh) 2016-06-12 2016-09-28 广州市香港科大霍英东研究院 一种基于神经网络和ukf的锂电池组soc预测方法
KR20180037760A (ko) * 2016-10-05 2018-04-13 삼성전자주식회사 배터리 상태 추정 장치 및 방법
CN106671785B (zh) 2016-10-12 2023-03-28 西安科技大学 一种电动汽车电池管理系统及方法
CN106528951B (zh) 2016-10-18 2019-10-25 上海博强微电子有限公司 一种动力电池寿命预测及安全预警的方法和装置
US10209314B2 (en) * 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
JPWO2018147194A1 (ja) 2017-02-07 2020-01-09 日本電気株式会社 蓄電池制御装置、充放電制御方法、及びプログラム
US11691518B2 (en) * 2017-07-21 2023-07-04 Quantumscape Battery, Inc. Predictive model for estimating battery states
KR20200026607A (ko) * 2018-09-03 2020-03-11 엘지전자 주식회사 배터리를 포함하는 장치
KR20200033554A (ko) * 2018-09-20 2020-03-30 삼성전자주식회사 배터리 상태 추정 장치 및 방법
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140067344A1 (en) * 2012-08-29 2014-03-06 Denso Corporation Method for determination of performance of an accumulator-unit
CN105005222A (zh) * 2015-06-12 2015-10-28 山东省科学院自动化研究所 基于大数据的新能源电动汽车整车性能提升系统及方法
CN107878218A (zh) * 2016-09-29 2018-04-06 通用汽车环球科技运作有限责任公司 优化插电式车辆车队的自适应系统和方法
CN108258338A (zh) * 2017-12-29 2018-07-06 江苏博强新能源科技股份有限公司 电池的管理系统和方法
CN108445410A (zh) * 2018-04-02 2018-08-24 国家计算机网络与信息安全管理中心 一种监测蓄电池组运行状态的方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113305880A (zh) * 2021-05-10 2021-08-27 佛山科学技术学院 一种基于dtw距离的工业机器人一致性检测系统及方法
CN113305880B (zh) * 2021-05-10 2022-08-05 佛山科学技术学院 一种基于dtw距离的工业机器人一致性检测系统及方法
CN113328466A (zh) * 2021-05-26 2021-08-31 上海电力大学 一种电动汽车充电场景生成方法
CN113328466B (zh) * 2021-05-26 2022-10-18 上海电力大学 一种电动汽车充电场景生成方法

Also Published As

Publication number Publication date
US11065978B2 (en) 2021-07-20
US20200269722A1 (en) 2020-08-27
CN111612204B (zh) 2022-11-11
JP7050832B2 (ja) 2022-04-08
JP2020145186A (ja) 2020-09-10

Similar Documents

Publication Publication Date Title
CN111612204B (zh) 用于优化电池组的性能的系统、方法和存储介质
CN111610459B (zh) 用于预测电池组的放电曲线的系统、方法和存储介质
US11325494B2 (en) Systems, methods, and storage media for determining a target battery charging level for a drive route
US11813962B2 (en) Supplying power to an electric vehicle
US20230406109A1 (en) Predictive model for estimating battery states
KR102335296B1 (ko) 무선 네트워크 기반 배터리 관리 시스템
US11084387B2 (en) Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
CN110549902A (zh) 云服务器、电动汽车及其中动力电池的管理系统、方法
CN110324383B (zh) 云服务器、电动汽车及其中动力电池的管理系统、方法
US20230059529A1 (en) Characterization of Rechargeable Batteries Using Machine-Learned Algorithms
CN112786980A (zh) 具有用于电动车辆中的可再充电能量存储装置的监督控制的管理系统
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
US9702941B2 (en) Method and devices for making available information for the purpose of performing maintenance and servicing of a battery
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置
CN115219904A (zh) 用于运行用来提供电化学电池组模型的系统的方法和装置
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine
US20230176137A1 (en) Method and system for determining a remaining useful lifetime of a battery
CN117973718A (zh) 用于新能源车辆的能量优化调度方法和系统
CN116256640A (zh) 用于提供老化状态模型以确定电蓄能器的当前和预测老化状态的计算机实现的方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230602

Address after: Aichi Prefecture, Japan

Patentee after: Toyota Motor Corp.

Address before: California, USA

Patentee before: Toyota Research Institute, Inc.

TR01 Transfer of patent right