CN112698216A - 估计电化学电池的温度 - Google Patents

估计电化学电池的温度 Download PDF

Info

Publication number
CN112698216A
CN112698216A CN202011140760.4A CN202011140760A CN112698216A CN 112698216 A CN112698216 A CN 112698216A CN 202011140760 A CN202011140760 A CN 202011140760A CN 112698216 A CN112698216 A CN 112698216A
Authority
CN
China
Prior art keywords
electrical impedance
series
measurement
electrochemical cell
neural network
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
Application number
CN202011140760.4A
Other languages
English (en)
Inventor
瓦伦汀·博斯
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.)
Novum Engineering GmbH
Original Assignee
Novum Engineering GmbH
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 Novum Engineering GmbH filed Critical Novum Engineering GmbH
Publication of CN112698216A publication Critical patent/CN112698216A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389Measuring internal impedance, internal conductance or related variables
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/378Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01KMEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K2217/00Temperature measurement using electric or magnetic components already present in the system to be measured
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01KMEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/16Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本申请涉及估计电化学电池的温度。用于估计电化学电池(14)的温度(T)的计算机实现的方法和温度估计系统,包括:提供(S12)电化学电池(14)的电阻抗测量结果的系列,每个电阻抗测量结果是在相应的测量频率(fs)处被测量的,该系列根据相应测量频率排序;以及使用人工神经网络装置(28)确定电化学电池(14)的温度,该人工神经网络装置(28)被配置为接收电阻抗值的系列作为输入,其中该电阻抗值的系列被提供给人工神经网络装置(28),该电阻抗值的系列对应于提供的电阻抗测量结果的系列,其中人工神经网络装置(28)接收并处理提供的电阻抗值的系列,以从中生成表示与电化学电池(14)相关的温度(T)的输出信号。

Description

估计电化学电池的温度
技术领域
本发明涉及一种估计电化学电池的温度的计算机实现的方法。此外,本发明涉及一种用于估计电化学电池的温度的温度估计系统。
例如,计算机可以是微控制器。例如,计算机或微控制器可以包括处理单元、存储器和输入/输出端口。
背景
WO 2005/059579 A1和EP 1702219 B1描述了一种用于通过使用神经网络来估计电池的充电状态的装置和方法。该装置包括用于检测来自电池单元的电流、电压和温度的感测部以及基于从感测部向其传输的电流、电压和温度的数据和当前时间数据执行神经网络算法和学习算法的神经网络。
US 4678998 A描述了一种电池状况监测器和监测方法。该监测器包括:计算机,其用于根据来自电池的电压和安培数信号的不同频率分量计算蓄电池的内部阻抗。在示例中,建议检测蓄电池的温度,以便对蓄电池的内部阻抗进行温度补偿。
JP 2003-249271 A和JP 4038788 B2描述了实时确定电池的劣化状态和残余容量。在一个示例中,作为操作中的电池的操作参数,测量单元可以周期性地测量和采样电池的电压、电流、内部阻抗和温度。
US 6307378 B1描述了一种用于测量电化学池(cell)和电池(battery)阻抗的方法和装置。
WO 03/071617 A2描述了一种用于确定电化学池(诸如电池)的状况参数的方法。在一个示例中,诸如终端电压、电池电压、负载电流、充电电流、环境温度、电池表面温度、终端温度、内部电池温度和阻抗信号的测量结果信号被传递到特征提取处理算法,该算法生成特征向量和特征标志。来自特征向量的数据被传递到用于初始电池容量充电状态估计的神经网络ISOC预测器、以及用于在操作期间连续预测SOC的神经网络CSOC预测器。在另一示例中,包含在特征向量中的信息被神经网络SOH分类器、线性/统计SOH分类器和模糊逻辑SOH分类器用于健康状态分类。
WO 2016/208745 A1及其翻译DE 112016002873 T5描述了一种识别电池的充电状态或放电深度的方法。该方法包括针对多个频率确定电池的正极和负极之间的复阻抗。
WO 2017/110437 A1及其翻译DE 11 2016 003 789 T5描述了一种估计锂离子电池的残余容量的估计设备。
WO 2016/080111 A1及其翻译DE 11 2015 005 201 T5描述了一种用于估计蓄电池的剩余存储电量的估计设备。在一个示例中,蓄电池管理设备测量蓄电池的环境温度。
US 2013/0307487 A1和US 8994340 B2描述了一种用于在不使用温度传感器的情况下通过测量池(cells)的阻抗并使用该阻抗确定温度,来确定电池组中池的温度的方法和系统。向电池组施加AC电压信号,并提供电压和电流数据的时间样本。对时间窗电压和电流数据执行快速傅立叶变换,以识别在一个或更多个特定频率下的电压和电流幅度。电压和电流幅度被用于确定在一个或更多个频率下的阻抗。最后,阻抗用于使用查找表来确定一个或更多个池的温度,其中阻抗、频率和充电状态被用作查找的输入参数。
WO 00/16083和EP 1129343 B1描述了一种在n个离散频率处测量池(cell)或电池的复导抗的实部和虚部的设备。该设备通过评估等效电路模型的组件来确定池/电池的性质。该文件包括类似地基于电池的复导抗谱来确定电池温度的建议。
发明概述
确定电池属性(诸如充电状态)的传统方法是已知的,在传统方法中电池的温度被感测并且被用作用于估计充电状态的输入。
US 2013/0307487 A1 US 8994340 B2中的传统方法使用阻抗作为查找的输入参数来从查找表中确定电池温度,该方法必须专门适用于特定的电池,并且还需要充电状态作为查找的输入参数。此外,该方法仅使用阻抗的幅度,该幅度是通过将电压幅度除以在相应频率下的电流幅度来计算的。
本发明的一个目的是提供一种基于电阻抗测量结果来估计电化学电池的温度的新方法,特别是估计可充电电化学电池的温度的新方法。期望的是,该方法允许稳健估计。还期望的是,该方法不一定需要充电状态作为用于估计的输入参数。
本发明在独立权利要求中指定。另外的实施例在从属权利要求中指定。
根据本发明的一个方面,提供了一种估计电化学电池的温度的计算机实现的方法,该方法包括:
提供电化学电池的电阻抗测量结果的系列,每个电阻抗测量结果是在相应测量频率处被测量到的,该系列是根据相应测量频率进行排序的,
使用人工神经网络装置确定电化学电池的温度,该人工神经网络装置被配置为接收电阻抗值的系列作为输入,
其中,电阻抗值的系列被提供给人工神经网络装置,该电阻抗值的系列对应于提供的电阻抗测量结果的系列,
其中,该人工神经网络装置接收并处理提供的电阻抗测量值的系列,以从中生成表示与电化学电池相关的温度的输出信号。
该电阻抗值的系列对应于提供的电阻抗测量结果的系列。也就是说,两个系列表征了在复平面中电阻抗相对于相应系列的元素的索引的相同曲线进展。在本文中,除非另有说明,否则术语“复平面”应理解为电阻抗的复平面。
特别地,基于提供的电阻抗测量结果的系列来提供电阻抗值的系列。
例如,提供的电阻抗值的系列可以与提供的电阻抗测量结果的系列相同或者可以被包括在提供的电阻抗测量结果的系列中,或者可以从提供的电阻抗测量结果的系列生成。
例如,从提供的电阻抗测量结果的系列生成电阻抗值的系列可以包括以下至少一个:在电阻抗测量结果之间进行插值、从电阻抗测量结果中进行选择以及外推电阻抗测量结果。
人工神经网络装置可以接收和处理电阻抗值的系列,以从中根据人工神经网络装置的预定处理结构来生成输出信号。
例如,人工神经网络装置可能已经被训练成通过检测电阻抗值的系列的表征特性、使用针对预定温度范围的温度以及针对电池的不同健康状态和/或不同充电状态的训练数据,来估计(可充电)电化学电池的温度。
优选地,电化学电池是可充电电化学电池。
对于许多应用,特别是可充电电化学电池,电化学电池的电池温度的知识具有高度重要性。然而,对内部电池单元温度(internal battery cell temperature)或电池温度的精确、直接测量难以实现,并且需要在电池中包括至少一个温度传感器。
通过使用人工神经网络装置来估计电池的温度,可以基于提供的电阻抗测量结果的系列(即,基于电阻抗值的对应系列)来估计电池温度。具体而言,可以仅基于对应于直接测量结果、特别是直接电测量结果(诸如,提供的电阻抗测量结果的系列)的值来估计电池温度。例如,不需要充电状态作为人工神经网络装置的输入。并且,例如,该方法可以在电池的不同充电状态下被应用于电化学电池。
因此,该方法允许以高鲁棒性来估计电池的温度。
该方法对电化学电池的电阻抗测量结果形式的测量数据进行操作,以便生成表示与电化学电池相关的温度的输出信号。
电阻抗也可以被称为复电阻抗,并且可以是复数,并且可以以电阻的单位(例如欧姆)来被表示。
例如,提供的电阻抗测量结果系列中的每个电阻抗测量结果可以是或包括定义了相应电阻抗的实部和虚部的复数。电阻抗也可以以极性形式表示,定义幅度(或振幅)和角度(或相位)。
例如,提供的电阻抗测量结果系列中的电阻抗测量结果可以是相应复数表示(复数)的形式。或者,例如,电阻抗测量结果均可以是振幅和相位的形式,并且所述提供步骤可以包括将电阻抗测量结果转换成电阻抗测量结果的相应复数表示形式的电阻抗测量结果。电阻抗测量结果的“复数表示”包括复数。例如,电阻抗测量结果的复数表示可以是复数。
本文中,术语“电池”应被理解为包括电池单元。电池可包括一个或更多个电池单元。特别地,术语“电池”包括电池单元以及由多个电池单元组成的电池。
具体而言,电化学电池被理解为限定了由一个或更多个具有外部电连接的电化学池组成的设备。例如,电池可以包括两个外部电连接,用于从一个或更多个电化学池吸取电力,并且在可充电电化学电池的情况下,用于对一个或更多个电化学池进行(再)充电。
例如,相应测量频率可以是输入到电化学电池的信号的频率。例如,信号可以是正弦信号。
优选地,提供的电阻抗值的系列中的每个电阻抗值包括复数,该复数定义了相应电阻抗的实部和虚部。
电阻抗值的系列中的元素被馈送到人工神经网络装置的相对应的输入端。因此,基于提供的电阻抗值的系列的自动电池温度估计是可以进行的。
优选地,电阻抗测量结果的系列以数字信号的形式被提供。
优选地,电化学电池的电阻抗测量结果的系列以数字表示的形式被提供。
例如,电阻抗测量结果的系列可以从电阻抗测量单元或电阻抗测量装置接收。
提供电阻抗测量结果的系列可以包括一个接一个地接收该系列中的电阻抗测量结果。
电阻抗测量结果的系列可以被传送到温度估计系统,该系统包括用于执行该方法步骤的装置。该系统可以被配置用于提供(包括接收)所传送的电阻抗测量结果。
在一个或更多个实施例中,假设测量频率是对数等距间隔的。优选地,测量频率在测量频率范围(测量频率的频率范围)的至少四个十进位(decade)、且更优选地在测量频率范围的至少五个十进位内以对数等距间隔。
优选地,测量频率包括0.1至1.0Hz的范围内的测量频率。
优选地,测量频率包括1kHz至10kHz的范围内的测量频率。
优选地,测量频率包括测量频率范围的每十进位至少4(四)个测量频率,更优选地测量频率范围的每十进位至少五个测量频率。
提供电阻抗测量结果系列的步骤可以包括接收多个电阻抗测量结果,每个电阻抗测量结果在相应测量频率处被测量,并且:
-根据相关联的测量频率排列多个电阻抗测量结果,以提供电阻抗测量结果系列,或者
-提供多个电阻抗测量结果作为电阻抗测量结果系列。
例如,可选地包括相应测量频率的所排列的多个电阻抗测量结果可以被提供作为电阻抗测量结果系列。
多个电阻抗测量结果或电阻抗测量结果系列可以以电阻抗谱的形式被接收。
例如,在电阻抗测量结果系列中,电阻抗测量结果可以包括相应测量频率。例如,每个电阻抗测量结果可以包括电阻抗的测量值和测量频率。然而,电阻抗测量结果也可以是相应电阻抗的形式,表示为相应复数,或者均被表示为振幅和相位。
生成表示与电化学电池相关的温度的输出信号。例如,至少一个输出信号可以表示电池温度的分类和/或估计。
例如,输出信号可以被传输或传送或输出到输出单元,用于输出信号,和/或用于基于输出信号输出可视信号。可视信号可以被显示。
优选地,所提供的电阻抗值的系列具有预定数量的元素。例如,元素的数量可以对应于用于接收电阻抗值的系列的人工神经网络装置的输入端的数量。
例如,从提供的电阻抗测量结果的系列生成电阻抗值的系列可以包括将电阻抗测量结果的系列的元素数量调整到预定的元素数量。
例如,通过将电阻抗测量结果的系列的元素数量调整到预定的元素数量,可以从提供的电阻抗测量结果的系列生成电阻抗值的系列。
例如,该方法可以包括:如果提供的电阻抗测量结果的系列的元素数量不同于预定的元素数量,则将电阻抗测量结果的系列的元素数量调整到预定元素数量。
在一个或更多个实施例中,该方法可以包括调整电阻抗测量结果的系列的元素数量或者调整电阻抗值的系列的元素数量为预定的元素数量。
因此,可以将元素数量调整到人工神经网络装置的相对应的输入端的数量,以用于接收电阻抗值的系列。
例如,预定的元素数量可以是电阻抗值的系列的预定元素数量。
例如,通过将电阻抗测量结果的系列的元素数量调整到预定元素数量,可以将电阻抗值的系列的元素数量调整到预定元素数量。
例如,调整电阻抗测量结果系列的元素数量或电阻抗值的系列的元素数量可以包括以下至少一个:在电阻抗测量结果之间进行插值、从电阻抗测量结果中进行选择、以及外推电阻抗测量结果。在调整步骤中,可以增加、保持、或减少元素的数量。
在一个或更多个实施例中,该方法还包括:
根据电阻抗测量结果的系列计算电阻抗梯度以生成电阻抗梯度的系列,
其中,人工神经网络装置被配置成接收电阻抗梯度的系列作为进一步的输入,
其中,人工神经网络装置接收并处理至少提供的电阻抗测量值的系列和电阻抗梯度的系列,以从中生成表示与电化学电池相关的温度的输出信号。
因此,可以通过人工神经网络装置提供电阻抗梯度的系列以用于评估,该梯度强调关于电阻抗根据测量频率的变化的信息。
例如,电阻抗测量结果的系列的电阻抗梯度可以相对于测量频率、相对于测量频率的对数或者相对于测量结果的系列的元素的索引来计算。也就是说,在测量结果的系列的元素的相应索引处的相应梯度可以被计算为根据测量频率的变化、根据测量频率的对数的变化或根据测量结果系列的元素的索引的变化的电阻抗的变化。
例如,对于电阻抗测量结果的系列的相应元素,可以计算相对应的梯度,以表达在相应的测量频率、其对数或相应的元素索引处,根据测量频率的变化、根据测量频率的对数的变化或根据元素索引的变化的电阻抗测量结果的值的变化。因此,可以针对离散电阻抗测量结果的系列计算梯度。计算梯度可以对应于相对于测量频率或者相对于测量频率的对数或者测量结果的系列的元素索引将连续的电阻抗曲线进行微分。例如,对于电阻抗测量结果的系列的相应元素,可以基于电阻抗测量结果的系列中的该元素和相邻元素之间的差除以元素的相应索引或相应测量频率的差来计算相对应的梯度。
例如,计算电阻抗测量结果的系列的梯度可以包括计算电阻抗测量结果的系列的实部的梯度和虚部的梯度。
在一个或更多个实施例中,该方法还包括:
提供电化学电池的电池电压测量结果,该电池电压测量结果包括在测量电阻抗测量结果开始之前或开始时测量的第一电压测量结果,并包括在测量电阻抗测量结果结束之后或结束时测量的第二电压测量结果,
其中,该人工神经网络装置被配置成接收所提供的电池电压测量结果作为进一步的输入,
其中,该人工神经网络装置接收并处理至少提供的电阻抗测量值的系列和提供的电池电压测量结果,以从中生成表示与电化学电池相关的温度的输出信号。
因此,可以直接测量的进一步信息可用于人工神经网络装置进行评估。
在一个或更多个实施例中,人工神经网络装置包括深度神经网络。深度神经网络具有输入层、多于一个隐藏层和输出层。
在一个或更多个实施例中,人工神经网络装置包括卷积神经网络(CNN)。
例如,卷积神经网络已知用于对图像进行分类。卷积神经网络具有输入层、至少一个卷积层和输出层。CNN可以是深度神经网络。
可以训练神经网络(诸如DNN或CNN)来识别电阻抗值的系列中的模式,并将这些模式与相应的电池温度相关联。特别地,神经网络可以被配置(训练)成将模式与相同的电池温度相关联,该模式对应于不同的充电状态但对应于相同的温度。
在一个或更多个实施例中,该方法包括:
使用电阻抗测量装置,在不同的测量频率下测量电化学电池的电阻抗,以提供电阻抗测量结果的系列。
例如,可以基于在不同测量频率处测量的电阻抗来提供电阻抗测量结果系列。
对于相应测量频率,可以以任何顺序和/或同时测量电阻抗测量结果。
例如,电阻抗测量装置可以被配置为向电化学电池输入包括相应频率的信号,并确定相同频率的响应信号的振幅和相位与输入信号的振幅和相位的比率,信号的频率和响应信号的频率对应于测量频率。
例如,电阻抗测量装置可以是电阻抗谱测量装置,其被配置用于在一系列测量频率下测量电化学电池的电阻抗。也就是说,根据电化学阻抗谱的过程测量电化学电池的电阻抗。
使用电化学阻抗谱,电化学电池中的电化学过程通过电测量结果来表征,该电测量结果表征电化学电池对施加的AC信号的AC响应。除了结构配置和连接器配置之外,电池中的化学过程还会导致测量阻抗的特征频率相关性。
在特定测量频率下的电阻抗测量期间,DC偏移信号(偏移电压或偏移电流)或DC偏置信号可被施加到电池,其通过测量频率的AC信号调制。
例如,电阻抗测量结果系列可以从独立的测量电路或电阻抗测量装置接收。然而,电池温度估计系统也可以包括电阻抗测量装置,其用于测量和提供来自电化学电池的电阻抗测量结果系列。
例如,电化学电池可以是锂离子电池或铅酸电池。
根据本发明的一个方面,可以提供一种监测电化学电池的温度的计算机实现的方法。该监测方法可以包括估计温度的方法的步骤。
例如,该方法可以在用于监测电化学电池的温度的电池监测系统中被实现。
例如,该方法可以在用于对可充电电化学电池进行再充电的电池充电系统中被实现。
根据本发明的一个方面,提供了一种用于估计电化学电池的温度的温度估计系统,该系统包括用于执行所述方法的步骤的装置。
例如,该系统可以是或可以被包括在用于监测电化学电池的温度的系统中。
例如,该系统可以是或可以被包括在用于对可充电电化学电池进行再充电的电池充电系统中。
在一个或更多个实施例中,温度估计系统还包括:电阻抗测量装置,其被配置用于在不同的测量频率处测量电化学电池的电阻抗,以提供电阻抗测量结果系列。
在一个或更多个实施例中,温度估计系统还包括:
电压测量单元,其被配置用于测量电化学电池的电池电压,以提供电化学电池的电池电压测量结果,该电池电压测量结果包括在测量电阻抗测量结果开始之前或开始时测量的第一电压测量结果,并且包括在测量电阻抗测量结果结束之后或结束时测量的第二电压测量结果,
其中,该人工神经网络装置被配置成接收所提供的电池电压测量结果作为进一步的输入,
其中,该人工神经网络装置被配置成接收并处理至少提供的电阻抗测量值的系列和提供的电池电压测量结果,以从中生成表示与电化学电池相关的温度的输出信号。
附图说明
现在将结合附图来描述本发明的优选实施例,其中:
图1是估计可充电电化学电池的温度的方法的示意图;
图2是示出在相应测量频率下和在相应电池温度下测量的可充电电化学电池的电阻抗测量结果的系列的示意图表;
图3是示出在相应测量频率下和在电池的相应健康状态下测量的可充电电化学电池的电阻抗测量结果的系列的示意图表;
图4是确定电阻抗的梯度的示意图;以及
图5是用于估计可充电电化学电池的温度的系统的示意图。
具体实施方式
图1示意性地示出了估计可充电电化学电池(例如,锂离子电池)的温度的计算机实现的方法。例如,该方法可以由如下文参考图5进一步描述的温度估计系统执行。
步骤S10是使用电阻抗测量装置在不同的测量频率下测量电化学电池的电阻抗的步骤。
在步骤S12中,通过测量电阻抗,电化学电池的电阻抗测量结果系列以数字信号的形式被提供例如作为数据集。该系列根据相应测量频率排序,优选地根据增加的测量频率的顺序来排序。
然而,该方法也可以从提供测量结果的步骤S12开始,该测量结果可以独立于该方法进行测量,并且可以被传送到执行该方法的计算机。
在所提供的电阻抗测量结果还不是复数的形式(表示复阻抗)的情况下,该方法可以包括将所提供的电阻抗测量结果转换成复数的可选步骤S14。
在可选步骤S16中,电阻抗测量结果系列的元素数量被调整到预定的元素数量,例如,调整到21个元素的数量。
在步骤S18中,将电阻抗测量结果的系列作为电阻抗值的系列提供给人工神经网络装置,该人工神经网络装置被配置为接收电阻抗值的系列作为输入。
在步骤S20中,人工神经网络装置处理该电阻抗值的系列,以从中生成表示电池温度的输出信号。因此,基于电阻抗值的系列,确定电化学电池的电池温度。在步骤S22中,输出电池温度。
图2示例性地示出了在电池的相应温度T下测量的电阻抗测量结果的四个系列。每个系列包括在相应测量频率fs处测量的电阻抗测量结果。每个系列的测量结果由具有相应图案的圆圈表示。
图2是电阻抗Z的虚部Im(Z)和实部Re(Z)的二维图形形式的奈奎斯特图。为了说明的目的,系列的元素由一条线连接。根据惯例,虚部以相反的方向显示,其中虚部朝向图2的底部增加。在图2中,箭头fs示例性地示出了测量结果25随着增加的测量频率fs的顺序。
优选地,测量结果是在对数进展的测量频率下取得的。优选地,测量结果系列包括测量频率范围的每十进位至少4(四)个测量结果。在图2中,电阻抗测量结果系列的电阻抗测量结果仅出于说明的目的被示意性地示出。图2中示出的测量结果的数量可能偏离实际使用的测量结果的数量,并且仅仅是为了说明的目的。
如图2所示,对于不同的温度T,复平面中电阻抗测量结果的系列的曲线显示出很大的变化。通常,该变化相对于温度T是高度非线性的。
图2中所示的测量结果的多个系列对应于不同的温度,但是对应于相同或相似的电池健康状态。然而,如图3所示,在相同或相似的温度和相同或相似的充电状态(SoC)下,针对不同的健康状态(SoH)提供了电阻抗测量结果的不同系列A到G。图3示意性示出了在电池的不同健康状态下测量的电阻抗测量结果的系列。这些系列由接续线示意性示出。
因此,电阻抗测量结果的曲线进展根据温度以及电池的健康状态而变化。
除了电阻抗值的系列之外,电阻抗梯度的系列可以被提供作为人工神经网络装置的进一步输入。
图4示意性地示出了由一条线连接的电阻抗测量结果的系列的一部分。该系列包括在测量频率fs下取得的第一测量结果,以及在测量频率fs+1下取得的第二测量结果,其中s和s+1表示该测量结果系列中的相应索引。测量结果之间的差的实部和虚部表示为△Rs、△Is
对于相应测量频率fs,电阻抗梯度相对于测量频率被计算如下:电阻抗梯度的实部计算如下:△Rs/(fs+1-fs);电阻抗梯度的虚部计算如下:△Is/(fs+1-fs)。
因此,计算电阻抗测量结果的系列相对于测量频率的梯度,以生成电阻抗梯度的系列。
在另一个实施例中,梯度可以相对于测量结果的系列中的元素指数s计算如下:电阻抗梯度的实部可以计算为:△Rs/((s+1)-s)=△Rs;电阻抗梯度的虚部可以计算为:△Is/((s+1)-s)=△Is
在又一个实施例中,梯度可以相对于测量频率的对数计算如下:电阻抗梯度的实部计算如下:△Rs/(logB(fs+1)-logB(fs));电阻抗梯度的虚部计算如下:△Is/(logB(fs+1)-logB(fs));其中logB是以B为底的对数;例如,B=10。
图5示意性地示出了被配置用于执行图1的方法的电池温度估计系统10的示例,该系统可选地包括电阻抗测量装置12。例如,电池温度估计系统10可以在计算机(诸如微控制器)中实现。例如,包括系统10和可选的电阻抗测量装置12的微控制器可以是用于监测电化学电池14的电池温度的电池监测系统的一部分。
电阻抗测量装置12包括电阻抗测量单元16和电压测量单元18。电池温度估计系统10还包括预处理单元20和计算装置22。
对于一系列测量频率fs,电阻抗测量单元12向待测量的电化学电池14施加激励信号,例如相应测量频率fs的正弦信号。该信号是以小振幅交流(AC)信号形式的输入,并且测量来自电池14的交流响应。例如,电流信号被输入,并且电压响应信号被测量。可选的,电压信号被输入,并且电流响应信号被测量。在测量期间,可以根据电化学电池14的类型施加直流(DC)偏置电压或DC偏置电流。如大家所知道的,测量设置对应于电化学阻抗谱(EIS)测量设置。根据针对电化学电池14预先确定的测量设置,对于相应测量结果,将测量频率在对数标度上以等距步长排列或增加。
在特定测量频率处测量的电阻抗是AC响应信号的振幅和相位与输入信号的振幅和相位的比率,并且表示为复数(复阻抗)。例如,测量频率的每十进位可以使用四个不同的测量频率。
另外,电压单元18在电阻抗测量之前和之后测量电池14的总电池电压。特别地,总电池电压可以是相应的DC电压。
预处理单元20包括标准化装置24,用于提供来自电阻抗测量装置12的电阻抗测量结果的系列,并用于将电阻抗测量结果的系列的元素数量调整到预定元素数量,例如21个元素。例如,可以通过插值该系列的元素来调整元素的数量。在由标准化装置24提供的电阻抗测量结果的系列已经具有预定数量的元素的目标值的情况下,标准化装置24保持元素数量。
预处理单元20还包括梯度计算装置26,其从标准化装置24接收电阻抗测量结果的标准化系列。梯度计算装置26计算电阻抗测量结果的系列相对于测量频率的梯度,以类似于上面参照图4所解释地生成电阻抗梯度的系列。因此,梯度计算装置26根据电阻抗测量结果的标准化系列生成电阻抗梯度的系列。
计算装置22包括人工神经网络装置28,其具有第一输入装置30,用于从预处理单元20接收电阻抗测量结果的标准化系列作为电阻抗值的系列。
此外,人工神经网络装置28具有第二输入装置32,用于从梯度计算装置26接收电阻抗梯度的系列。
此外,人工神经网络装置28具有第三输入装置34,用于从电压测量单元18接收测量的电池DC电压。
例如,电阻抗值的系列、电阻抗梯度的系列和测量的电池DC电压一起可以形成人工神经网络装置28的输入(诸如输入向量或输入阵列)。
此外,人工神经网络装置28包括输出装置36,其用于输出表示与电化学电池14相关的电池温度T的输出信号。人工神经网络装置28接收并处理电阻抗值的系列和电阻抗梯度的系列以及测量的电池DC电压,并从中生成输出信号。
例如,人工神经网络装置28可以是卷积神经网络(CNN)或者卷积深度神经网络。人工神经网络装置28已经被训练成通过检测电阻抗值的系列和电阻抗梯度的系列以及测量的电池DC电压的表征特性来估计电化学电池14的电池温度T。确定的电池温度T由输出装置36输出。
该系统还可以用仅具有用于接收电阻抗测量结果的标准化系列的第一输入装置30、或仅具有第一输入装置30和另外具有第二输入装置32和第三装置34中的一者的人工神经网络装置28来实现。

Claims (10)

1.一种估计电化学电池(14)的温度(T)的计算机实现的方法,所述方法包括:
提供(S12)电化学电池(14)的电阻抗测量结果的系列,每个电阻抗测量结果是在相应的测量频率(fs)处被测量的,所述系列根据所述相应的测量频率排序,
使用人工神经网络装置(28)来确定所述电化学电池(14)的温度,所述人工神经网络装置(28)被配置为接收电阻抗值的系列作为输入,
其中,电阻抗值的系列被提供给所述人工神经网络装置(28),所述电阻抗值的系列对应于所提供的电阻抗测量结果的系列,
其中,所述人工神经网络装置(28)接收并处理所提供的电阻抗测量值的系列,以从中生成表示与所述电化学电池(14)相关的温度(T)的输出信号。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述电阻抗测量结果的系列的元素数量调整(S16)到预定的元素数量。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
根据所述电阻抗测量结果的系列计算电阻抗梯度以生成电阻抗梯度的系列,
其中,所述人工神经网络装置(28)被配置成接收所述电阻抗梯度的系列作为进一步的输入,
其中,所述人工神经网络装置(28)接收并处理至少所提供的电阻抗测量值的系列和所述电阻抗梯度的系列,以从中生成表示与所述电化学电池(14)相关的温度(T)的输出信号。
4.根据前述权利要求中任一项所述的方法,其中,所述方法还包括:
提供所述电化学电池(14)的电池电压测量结果,所述电池电压测量结果包括在测量所述电阻抗测量结果开始之前或开始时测量的第一电压测量结果,并包括在测量所述电阻抗测量结果结束之后或结束时测量的第二电压测量结果,
其中,所述人工神经网络装置(28)被配置成接收所提供的电池电压测量结果作为进一步的输入,
其中,所述人工神经网络装置(28)接收并处理至少所述提供的电阻抗测量值的系列和所述提供的电池电压测量结果,以从中生成表示与所述电化学电池(14)相关的温度(T)的输出信号。
5.根据前述权利要求中任一项所述的方法,其中,所述人工神经网络装置(28)包括深度神经网络。
6.根据前述权利要求中任一项所述的方法,其中,所述人工神经网络装置(28)包括卷积神经网络。
7.根据前述权利要求中任一项所述的方法,其中所述方法还包括:
在不同的测量频率(fs)处测量电化学电池(14)的电阻抗,以提供所述电阻抗测量结果的系列。
8.一种用于估计电化学电池(14)的温度的温度估计系统,所述系统包括用于执行根据权利要求1至6中任一项所述的方法的步骤的装置。
9.根据权利要求8所述的温度估计系统,所述温度估计系统还包括:
电阻抗测量装置(12),所述电阻抗测量装置被配置用于在不同的测量频率(fs)处测量电化学电池(14)的电阻抗,以提供所述电阻抗测量结果的系列。
10.根据权利要求8或9所述的温度估计系统,还包括:
电压测量单元(18),所述电压测量单元被配置用于测量所述电化学电池(14)的电池电压,以提供所述电化学电池(14)的电池电压测量结果,所述电池电压测量结果包括在测量所述电阻抗测量结果开始之前或开始时测量的第一电压测量结果,并且包括在测量所述电阻抗测量结果结束之后或结束时测量的第二电压测量结果,
其中,所述人工神经网络装置(28)被配置成接收所提供的电池电压测量结果作为进一步的输入,
其中,所述人工神经网络装置(28)被配置成接收并处理至少所述提供的电阻抗测量值的系列和所述提供的电池电压测量结果,以从中生成表示与所述电化学电池相关的温度(T)的输出信号。
CN202011140760.4A 2019-10-23 2020-10-22 估计电化学电池的温度 Pending CN112698216A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19204754.6 2019-10-23
EP19204754.6A EP3812782B1 (en) 2019-10-23 2019-10-23 Estimating a temperature of an electrochemical battery

Publications (1)

Publication Number Publication Date
CN112698216A true CN112698216A (zh) 2021-04-23

Family

ID=68342591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011140760.4A Pending CN112698216A (zh) 2019-10-23 2020-10-22 估计电化学电池的温度

Country Status (3)

Country Link
US (1) US11280841B2 (zh)
EP (1) EP3812782B1 (zh)
CN (1) CN112698216A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114720890A (zh) * 2022-03-23 2022-07-08 四川大学 一种基于宽频阻抗谱的锂电池内部温度估计方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230349979A1 (en) * 2022-04-28 2023-11-02 Texas Instruments Incorporated Temperature estimation using electrochemical impedance spectroscopy

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106289566A (zh) * 2016-07-19 2017-01-04 清华大学 一种基于电化学阻抗对二次电池内部温度估算的方法
CN107192952A (zh) * 2017-03-31 2017-09-22 中国电力科学研究院 一种电池内部温度检测方法和装置
CN109143108A (zh) * 2018-07-25 2019-01-04 合肥工业大学 一种基于电化学阻抗谱的锂离子电池soh的估计方法
CN109633454A (zh) * 2019-01-13 2019-04-16 浙江大学 一种实现锂离子电池等效温度在线估计的方法
US20190120910A1 (en) * 2010-05-21 2019-04-25 Qnovo Inc. Battery adaptive charging using battery physical phenomena
DE102017218715A1 (de) * 2017-10-19 2019-04-25 Bayerische Motoren Werke Aktiengesellschaft Bestimmung von SOC und Temperatur einer Lithiumionenzelle mittels Impedanzspektroskopie

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61170678A (ja) 1985-01-25 1986-08-01 Nissan Motor Co Ltd バツテリ状態検知装置
US6037777A (en) 1998-09-11 2000-03-14 Champlin; Keith S. Method and apparatus for determining battery properties from complex impedance/admittance
US6137269A (en) * 1999-09-01 2000-10-24 Champlin; Keith S. Method and apparatus for electronically evaluating the internal temperature of an electrochemical cell or battery
US6307378B1 (en) 2000-01-03 2001-10-23 The Penn State Research Foundation Method and apparatus for measurement of electrochemical cell and battery impedances
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
JP4038788B2 (ja) 2002-02-22 2008-01-30 アクソンデータマシン株式会社 バッテリの残存容量判定方法と、その装置
JP4331210B2 (ja) 2003-12-18 2009-09-16 エルジー・ケム・リミテッド 神経網を用いたバッテリ残存量推定装置及び方法
JP2008232758A (ja) * 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
US20130069660A1 (en) * 2010-02-17 2013-03-21 Julien Bernard Method for in situ battery diagnostic by electrochemical impedance spectroscopy
US8994340B2 (en) 2012-05-15 2015-03-31 GM Global Technology Operations LLC Cell temperature and degradation measurement in lithium ion battery systems using cell voltage and pack current measurement and the relation of cell impedance to temperature based on signal given by the power inverter
US9035619B2 (en) * 2012-05-24 2015-05-19 Datang Nxp Semiconductors Co., Ltd. Battery cell temperature detection
US9880061B2 (en) * 2013-06-14 2018-01-30 Hrl Laboratories, Llc Methods and apparatus for sensing the internal temperature of an electrochemical device
JP6555773B2 (ja) 2014-11-18 2019-08-07 学校法人立命館 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム
JP7018609B2 (ja) 2015-06-26 2022-02-14 国立研究開発法人宇宙航空研究開発機構 電池の充電状態又は放電深度を推定する方法及びシステム、及び、電池の健全性を評価する方法及びシステム
JP6323441B2 (ja) 2015-12-25 2018-05-16 マツダ株式会社 リチウムイオン電池残容量推定装置
US10183590B2 (en) * 2016-09-23 2019-01-22 Faraday&Future Inc. Electric vehicle battery monitoring system
US10481214B2 (en) * 2017-01-30 2019-11-19 Infineon Technologies Ag Battery temperature detection
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
US11054481B2 (en) * 2019-03-19 2021-07-06 Battelle Energy Alliance, Llc Multispectral impedance determination under dynamic load conditions

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190120910A1 (en) * 2010-05-21 2019-04-25 Qnovo Inc. Battery adaptive charging using battery physical phenomena
CN106289566A (zh) * 2016-07-19 2017-01-04 清华大学 一种基于电化学阻抗对二次电池内部温度估算的方法
CN107192952A (zh) * 2017-03-31 2017-09-22 中国电力科学研究院 一种电池内部温度检测方法和装置
DE102017218715A1 (de) * 2017-10-19 2019-04-25 Bayerische Motoren Werke Aktiengesellschaft Bestimmung von SOC und Temperatur einer Lithiumionenzelle mittels Impedanzspektroskopie
CN109143108A (zh) * 2018-07-25 2019-01-04 合肥工业大学 一种基于电化学阻抗谱的锂离子电池soh的估计方法
CN109633454A (zh) * 2019-01-13 2019-04-16 浙江大学 一种实现锂离子电池等效温度在线估计的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114720890A (zh) * 2022-03-23 2022-07-08 四川大学 一种基于宽频阻抗谱的锂电池内部温度估计方法

Also Published As

Publication number Publication date
US11280841B2 (en) 2022-03-22
US20210123815A1 (en) 2021-04-29
EP3812782A1 (en) 2021-04-28
EP3812782B1 (en) 2022-09-14

Similar Documents

Publication Publication Date Title
CN112698215B (zh) 使用卷积神经网络装置从电阻抗测量结果中估计电池状态
CN112069739B (zh) 电池分数阶模型参数辨识方法
JP7157909B2 (ja) 電池容量の推定方法、および電池容量の推定装置
MX2013000510A (es) Dispositivo que estima el estado de la batería y método que estima el estado de la batería.
KR20200023672A (ko) 딥러닝을 이용한 전지 진단 방법
JP2008522152A (ja) バッテリーの状態及びパラメーターの推定システム及び方法
US11255916B2 (en) Method and device for monitoring a stable convergence behavior of a Kalman filter
JP7157908B2 (ja) 電池容量の推定方法および電池容量の推定装置
US11280841B2 (en) Estimating a temperature of an electrochemical battery
US11143705B2 (en) Method and device for detecting battery cell states and battery cell parameters
CN106997026B (zh) 用于确定铅酸蓄电池的剩余电容量的方法和装置
Nuroldayeva et al. State of health estimation methods for Lithium-ion batteries
Lee et al. Principle component analysis-based optimized feature extraction merged with nonlinear regression model for improved state-of-health prediction
CN114729967A (zh) 用于估计储能器的状态的方法
CN115327417A (zh) 一种动力电池单体异常的预警方法、系统及电子设备
CN114035095A (zh) 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备
CN112698214B (zh) 估计电化学电池的电池状态
Huang et al. An approach to measurements of electrical characteristics of lithium-ion battery with open-circuit voltage function
CN112698213B (zh) 分析电化学电池的电阻抗测量结果
CN112698212B (zh) 根据电阻抗测量结果的梯度估计电池状态
Nenadic et al. Estimation of state-of-charge and capacity of used lithium-ion cells
CN115616415B (zh) 电池组状态的评估方法、装置、设备及存储介质
CN117949827A (zh) 基于电化学阻抗检测的异常识别方法、系统及计算机设备
Paul et al. Comparative Study of Different Regression Models for Estimating Lithium Ion Battery Pack Capacity
CN114460479A (zh) 一种电池荷电状态检测方法、装置及介质

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