CN113557439A - 用于估计电池的健康状态的方法 - Google Patents

用于估计电池的健康状态的方法 Download PDF

Info

Publication number
CN113557439A
CN113557439A CN201980093958.0A CN201980093958A CN113557439A CN 113557439 A CN113557439 A CN 113557439A CN 201980093958 A CN201980093958 A CN 201980093958A CN 113557439 A CN113557439 A CN 113557439A
Authority
CN
China
Prior art keywords
value
current
parameter
state
health
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
CN201980093958.0A
Other languages
English (en)
Other versions
CN113557439B (zh
Inventor
林炳熙
黄龙俊
克里斯托伯·雷亚潘
金纪宪
金济益
白承郁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung SDI Co Ltd
Original Assignee
Samsung SDI Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung SDI Co Ltd filed Critical Samsung SDI Co Ltd
Publication of CN113557439A publication Critical patent/CN113557439A/zh
Application granted granted Critical
Publication of CN113557439B publication Critical patent/CN113557439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/3644—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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/549—Current
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

根据各种实施例，提供了一种估计电池的健康状态的方法。根据一个实施例的估计电池的健康状态的方法包括：测量使用中的电池的电压和电流，以周期性地生成电压值和电流值的步骤；使用自适应滤波器根据电压值和电流值实时更新指示电池的当前状态的G参数的值和H参数的值的步骤；以及使用G参数的预设的初始值和最终值以及G参数的当前值来实时估计电池的健康状态。G参数是表示电池的电压对电流的变化的灵敏度的参数，并且H参数是表示由电池内部的局部平衡电位分布和电阻分布确定的有效电位的参数。

Description

用于估计电池的健康状态的方法
技术领域
本发明涉及一种实时估计电池的健康状态(SOH，state of health)的方法。
背景技术
与其它能量存储装置相比，电池具有高适用性，并且由于诸如相对高的能量和功率密度的特性，电池已经广泛用于由电驱动源驱动的电动车辆(EV，electric vehicle)、混合电动车辆(HEV，hybrid electric vehicles)以及便携式装置中。特别地，当需要强输出时，也可以使用其中多个电池串联和并联连接的电池组。
电池管理对于多电池或单电池供电的电气装置的节能和安全使用是非常重要的，为此，准确估计和诊断电池状态是至关重要的。当前广泛使用的估计值可以包括荷电状态(SOC，state of charge)、健康状态(SOH)和功率极限估计(PLE，power limitestimation)。如上所述，用于估计电池状态的技术被称为电池状态估计(BSE，batterystate estimation)。
健康状态也被称为电池寿命、电池老化状态和电池劣化状态，并且通常被定义为电池的当前容量相对于初始容量的百分比。已知的传统健康状态估计方法主要包括通过使用电流传感器测量释放的电荷量而计算实际电池的容量、通过使用开路电压(OCV，opencircuit voltage)与荷电状态(SOC，state of charge)之间的关系以及通过追踪电池的电阻分量或阻抗参数值来估计健康状态的方法。然而，这些传统方法具有以下问题：必须停止使用电池、必须匹配特定条件或环境或者由于累积的传感器误差或估计误差而导致不可靠的精度。
发明内容
技术问题
本公开的目的是克服传统方法的缺点，从而提供一种使用通过测量正在使用的电池的电压和电流而获得的电压值和电流值来实时准确估计电池状态的方法。本公开提供了一种通过估计指示电池的内部状态的G参数和H参数之中的G参数的值来追踪电池的健康状态的方法。本公开提供了一种健康状态的估计算法，该估计算法可以通过实时追踪G参数的值而加载到电池管理系统(BMS，battery management system)。
技术方案
一种估计电池的健康状态的方法包括：测量使用中的电池的电压和电流，以周期性地生成电压值和电流值；使用自适应滤波器根据电压值和电流值周期性地实时更新G参数的值和H参数的值，G参数和H参数指示电池的当前状态；以及使用预设的G参数的初始值和最终值以及G参数的当前值来实时估计电池的健康状态。G参数是表示电池的电压对电流的变化的灵敏度的参数，并且H参数是表示由电池内部的局部平衡电位分布和电阻分布确定的有效电位的参数。
根据实施例，可以基于G参数的最终值与G参数的当前值之间的差相对于G参数的最终值与G参数的初始值之间的差的百分比值来估计电池的健康状态。
根据另一示例，自适应滤波器可以是使用递归最小二乘(RLS)方法的滤波器。
根据另一示例，估计电池的健康状态的方法还可以包括：将由G参数和H参数组成的状态矢量以及协方差矩阵初始化，以及设定G参数的初始值和最终值。
根据另一示例，周期性地生成电压值和电流值的步骤可以包括：生成紧接在前的电压值和紧接在前的电流值；以及在预设时间段之后生成当前电压值和当前电流值。
根据另一示例，估计电池的健康状态的方法还可以包括：计算当前电流值与紧接在前的电流值之间的电流差；以及将电流差与预设范围进行比较。当电流差在预设范围内时，可以使用当前电压值和当前电流值更新G参数的值和H参数的值。当电流差超过预设范围时，可以不更新G参数的值和H参数的值。
根据另一示例，实时更新G参数的值和H参数的值的步骤可以包括：基于当前电流值和状态矢量的紧接在前的值来计算电池的当前电压估计；基于当前电流值和协方差矩阵的紧接在前的值来更新增益矩阵和协方差矩阵；计算当前电压值与当前电压估计之间的电压误差；以及基于状态矢量的紧接在前的值、增益矩阵的当前值和电压误差来更新状态矢量，以生成G参数的当前值和H参数的当前值。
根据另一示例，当前电压估计可以被计算为通过将H参数的紧接在前的值与当前电流值和G参数的紧接在前的值的乘积相加而获得的值。
根据另一示例，状态矢量的当前值可以被计算为通过将增益矩阵的当前值和电压误差的乘积与状态矢量的紧接在前的值相加而获得的值。
根据另一示例，当更新增益矩阵和协方差矩阵时，可以应用与G参数相关的第一遗忘因子和与H参数相关的第二遗忘因子。
根据另一示例，增益矩阵可以通过以下等式计算。
Figure BDA0003257300110000031
协方差矩阵可以通过以下等式计算。
Figure BDA0003257300110000032
这里，L(t)是增益矩阵的当前值，L(t-1)是增益矩阵的紧接在前的值，P(t)是协方差矩阵的当前值，P(t-1)是协方差矩阵的紧接在前的值，I(t)是当前电流值，λ1可以是第一遗忘因子，λ2可以是第二遗忘因子。
根据另一示例，实时估计电池的健康状态的方法可以包括：存储基于G参数的初始值、最终值和当前值计算的电池的健康状态分数；检测健康状态检查条件；以及基于健康状态分数来估计电池的健康状态的值。
根据另一示例，健康状态检查条件可以是基于在最近的第一时段期间是否已经保存健康状态分数来设定的。电池的健康状态的值可以是基于第二时段的健康状态分数的移动平均值来生成的。
根据另一示例，估计电池的健康状态的方法还可以包括：设定彼此不重叠的第一充电/放电速率段至第n(n是自然数)充电/放电速率段；将第一状态矢量至第n状态矢量以及第一协方差矩阵至第n协方差矩阵初始化，第一状态矢量至第n状态矢量分别包括第一G参数至第n G参数和第一H参数至第n H参数；设定第一G参数至第n G参数中的每个的初始值和最终值；生成紧接在前的电压值和紧接在前的电流值，并且在预设时间段之后生成当前电压值和当前电流值；计算当前电流值与紧接在前的电流值之间的电流差；将电流差与第一充电/放电速率段至第n充电/放电速率段中的每个进行比较；基于第一G参数至第n G参数中的每个的初始值、最终值和当前值来计算第一健康状态分数至第n健康状态分数中的每个；以及基于第一健康状态分数至第n健康状态分数来实时估计电池的健康状态的值。
根据另一示例，当电流差属于第一充电/放电速率段至第n充电/放电速率段之中的第j(j是小于或者等于n的自然数)充电/放电速率段时，可以使用当前电压值和当前电流值来更新第j G参数的值和第j H参数的值，并且可以使用第j G参数的初始值、最终值和当前值来计算电池的第j健康状态分数。
根据另一示例，可以通过下面的步骤实时更新第j G参数的值和第j H参数的值：基于当前电流值和第j状态矢量的紧接在前的值来计算电池的当前电压估计；基于当前电流值和第j协方差矩阵的紧接在前的值来更新增益矩阵和第j协方差矩阵；计算当前电压值与当前电压估计之间的电压误差；以及基于第j状态矢量的紧接在前的值、增益矩阵的当前值和电压误差来更新第j状态矢量。
一种估计电池的健康状态的方法包括：将在递归最小二乘滤波器中使用的第一状态矢量至第三状态矢量以及第一协方差矩阵至第三协方差矩阵初始化，其中，第一状态矢量至第三状态矢量中的每个包括第一G参数至第三G参数以及第一H参数至第三H参数；设定第一G参数的初始值和最终值、第二G参数的初始值和最终值以及第三G参数的初始值和最终值；随着周期性地测量使用中的电池的电压和电流的操作，生成紧接在前的电压值和紧接在前的电流值，并且在预设时间段之后，生成当前电压值和当前电流值；计算当前电流值与紧接在前的电流值之间的电流差；当电流差大于或者等于第一阈值且小于第二阈值时，更新第一状态矢量和第一协方差矩阵，当电流差大于或者等于第二阈值且小于第三阈值时，更新第二状态矢量和第二协方差矩阵，并且当电流差大于或者等于第三阈值且小于第四阈值时，更新第三状态矢量和第三协方差矩阵；基于第一G参数的初始值、最终值和当前值来计算第一健康状态分数，基于第二G参数的初始值、最终值和当前值来计算第二健康状态分数，并且基于第三G参数的初始值、最终值和当前值来计算第三健康状态分数；以及基于第一健康状态分数至第三健康状态分数来实时估计电池的健康状态。
根据实例，估计电池的健康状态的方法可以包括：基于在最近的第一时段内是否已经存储了第一健康状态分数至第三健康状态分数来检测健康状态检查条件。
根据另一示例，实时估计电池的健康状态的步骤可以包括：计算第二时段的第一健康状态分数的第一移动平均值；计算第二时段的第二健康状态分数的第二移动平均值；计算第二时段的第三健康状态分数的第三移动平均值；以及基于第一移动平均值至第三移动平均值的平均值来计算电池的健康状态的值。
根据另一示例，更新第k(k是1、2或3)状态矢量和第k协方差矩阵的步骤可以包括：基于当前电流值和第k状态矢量的最近值来计算电池的当前电压估计；基于当前电流值和第k协方差矩阵的最近值来更新增益矩阵和第k协方差矩阵；计算当前电压值与当前电压估计之间的电压误差；以及基于第k状态矢量的最近值、增益矩阵的当前值和电压误差来更新第k状态矢量。
根据另一示例，在更新增益矩阵和第k协方差矩阵的情况下，可以应用与第kG参数相关的第一遗忘因子和与第k H参数相关的第二遗忘因子。
有益效果
与传统方法相比，根据本公开的各种实施例的估计电池的健康状态(SOH)的方法在成本、可扩展性和适应性方面得到极大改进。基于复杂电池模型估计健康状态的现有方法难以应用于BMS或者不能实时获得健康状态，但是根据本公开的估计健康状态的方法可以以算法的形式加载到BMS上。此外，在传统方法中，电流/电压操作数据限于特定操作条件，但是因为可以灵活地扩展本公开的C速率段的数量和范围，所以可以在任何操作条件下获得健康状态。在传统方法中，电流传感器的准确度极大地影响估计健康状态的准确度，并且随着劣化进展，误差逐渐累积，但是本发明通过使用利用自适应滤波器获得的实时参数值来实现没有误差累积的实时估计。特别地，本公开不仅可以在电池单元水平(级别)上普遍使用，而且还可以在电池组水平或电池的系统水平上普遍使用，并且可以通过实时反映根据电池使用历史而变化的模式依赖劣化来准确估计健康状态。
根据本公开的各种实施例，通过使用通过测量使用中的电池的电压和电流而获得的电压值和电流值，可以通过简单的计算来实时准确估计健康状态。因为仅使用电池的电压和电流数据，所以硬件配置简单，并且因为估计电池的健康状态的计算过程不复杂，所以在电池组的BMS中使用的微处理器可以实时准确估计电池的健康状态。此外，因为用于估计健康状态的计算所需的数据量不大，所以根据本公开的估计健康状态的方法即使在存储器容量小的情况下也可以执行。
附图说明
图1是根据实施例的用于执行估计电池的健康状态的方法的电池系统的示意性配置图。
图2是示出根据实施例的估计电池的健康状态的方法的流程图。
图3是示出根据另一实施例的估计电池的健康状态的方法的流程图。
图4是示出根据另一实施例的估计电池的健康状态的方法的流程图。
图5是示出作为执行本公开的估计电池的健康状态的方法的结果的第一G参数至第三G参数的值的曲线图。
图6是示出基于图5中所示的第一G参数至第三G参数的值计算的第一健康状态分数至第三健康状态分数的曲线图。
图7是图6的部分A的放大图。
图8是示出基于图6的第一健康状态分数至第三健康状态分数估计的健康状态的值的曲线图。
具体实施方式
通过参考稍后将参照附图详细地描述的实施例，本公开的优点和特征以及实现它们的方式将变得清楚。然而，本公开不限于下面给出的实施例，而是可以以各种不同的形式实施，并且应当理解的是，不脱离发明的精神和技术范围的所有改变、等同物和替代物都包含在本公开中。提供以下给出的实施例是为了使本公开的公开内容完整，并向本公开所属领域的技术人员完全告知本公开的范围。在本公开的描述中，当认为相关技术的一些详细解释可能使本公开的本质不必要地模糊时，省略相关技术的所述一些详细解释。
本申请中使用的术语仅用于描述具体实施例，并不意图限制本公开。如这里使用的，除非上下文另有明确指示，否则单数形式“一”、“一个(种/者)”和“该(所述)”也意图包括复数形式。还将理解的是，这里使用的术语“包括”和/或“包含”指定所陈述特征或组件的存在，但是不排除存在或者添加一个或更多个其它特征或组件。将理解的是，尽管这里可以使用术语“第一”、“第二”等来描述各种组件，但是这些组件不应受这些术语的限制。这些术语仅用于将一个组件与其它组件区分开。
在下文中，下面将参照附图更详细地描述本公开的实施例。无论附图编号如何，相同或对应的那些组件都被赋予相同的附图标记，并且省略了它们的冗余描述。
图1是根据实施例的用于执行估计(estimating，或被称为评估)电池的健康状态的方法的电池系统的示意性配置图。
参照图1，电池系统100可以包括电池110、电压测量单元120、电流测量单元130、微处理器140和存储单元150。
电池110是用于存储电力的单元，并且可以包括至少一个电池单元。电池110可以包括多个电池单元，并且多个电池单元可以串联连接、并联连接或者以串联和并联的组合连接。电池单元中的每个可以包括可再充电的二次电池。例如，电池单元中的每个可以包括镍镉电池、铅酸电池、镍金属氢化物(NiMH，nickel metal hydride)电池、锂离子电池或锂聚合物电池。可以根据所需输出电压来确定包括在电池110中的电池单元的数量。
尽管图1中示出了一个电池110，但是多个电池110可以以并联和/或串联连接，并且可以通过外部端子来连接到负载和/或充电装置。尽管未在图1中示出，但是电池110可以在连接到负载和/或充电装置的同时被使用。因此，电池110可以向负载放电，或者可以从充电装置充电。
电压测量单元120可以连接到正在使用的电池110的两个端子，并且可以测量电池110的电压，以周期性地生成电压值。例如，电压测量单元120可以在每个预设时间段Δt内测量电池110的两个端子的电压。当前或最近测量的电压值被称为当前电压值，并且由V(t)指示。在时间段Δt之前测量的电压值被称为紧接在前(immediately preceding，或被称为前一)的电压值，并且由V(t-1)指示。时间段Δt可以是例如1秒。然而，这是示例，并且时间段Δt可以被设定为不同的时间，诸如0.1秒、0.5秒、2秒、5秒或10秒。时间段Δt可以根据电池系统100连接到的电气系统而适当地设定。
尽管图1示出了电压测量单元120测量电池110的两个端子的电压，但是当电池110包括多个电池单元、多个电池模块或多个电池组时，电压测量单元120也可以测量每个电池单元、每个电池模块或每个电池组的两个端子的电压。
电流测量单元130可以测量正在使用的电池110的电流，以周期性地生成电流值。电压测量单元120和电流测量单元130可以彼此同步，以同时测量电池110的电压和电流。电流测量单元130也可以在每个时间段Δt内测量电池110的电流。由电流测量单元130测量的电流值可以在它是充电电流时显示为正(+)，而在它是放电电流时显示为负(-)。当前或最近测量的电流值可以被称为当前电流值并由I(t)指示，而在时间段Δt之前测量的电流值可以被称为紧接在前的电流值并由I(t-1)指示。
微处理器140可以根据由电压测量单元120提供的电压值和由电流测量单元130提供的电流值来实时更新指示电池的当前状态的G参数的值和H参数的值。这里，G参数可以是指示正在使用的电池110的电压相对于电流的变化的灵敏度的参数，H参数可以是指示由正在使用的电池110中的局部平衡电位分布和电阻分布确定的有效电位的参数。
微处理器140可以使用自适应滤波器，以从电压值和电流值生成G参数的值和H参数的值。自适应滤波器可以是使用递归最小二乘(RLS，recursive least squares)方法的滤波器或使用加权最小二乘(WLS，weighted least squares)方法的滤波器。在下文中，将详细描述微处理器140使用利用RLS方法的自适应滤波器的实施例。
微处理器140可以通过使用实时生成的G参数的值和H参数的值来实时估计电池110的状态。根据本公开，微处理器140可以使用G参数的初始值、最终值和当前值来实时估计电池110的健康状态。G参数的初始值和最终值可以是预设值。可以使用自适应滤波器从电压值和电流值实时生成G参数的当前值。
因为微处理器140在实时估计电池的健康状态时仅使用诸如四次算术计算的简单运算，所以微处理器140可以包括在电池组的BMS中。根据本公开的估计电池的健康状态的方法可以由电子车辆的BMS中的微控制器或电子控制单元(ECU，electronic controlunit)执行。根据另一示例，根据本公开的估计电池的健康状态的方法可以由能量存储系统的集成控制器执行。根据另一示例，根据本公开的估计电池的健康状态的方法可以由与电池系统或能量存储系统通信而连接的服务器的处理器执行。
存储单元150可以存储由微处理器140执行根据本实施例的估计健康状态的方法所需的命令和数据。在根据本实施例的估计健康状态的方法中，基于每个时间段Δt生成的电压值和电流值来生成G参数的值和H参数的值，并且通过使用G参数的当前值来估计电池110的健康状态，因此存储单元150可以存储当前电压值、当前电流值和紧接在前的电流值，而其它电压和电流数据可以不存储在存储单元150中。也就是说，存储单元150不需要存储大量的电压和电流数据。
在根据本实施例的估计健康状态的方法中，存储单元150可以存储G参数的初始值和最终值、由G参数和H参数组成的状态矢量的紧接在前的值和当前值以及对于RLS计算所需的协方差矩阵的紧接在前的值和当前值。此外，存储单元150可以存储基于G参数的初始值、最终值和当前值计算的健康状态分数。根据示例，健康状态分数可以在预设时间段内存储在存储单元150中。因此，存储单元150不需要存储大量命令和数据，因此可以实施为具有小尺寸的存储器。例如，存储单元150也可以实施为微处理器140内部的存储器。
电池的健康状态也被称为电池寿命、电池老化状态和电池劣化状态，并且通常被定义为电池的当前容量相对于初始容量的百分比。传统上，使用了通过使用电流传感器测量放电电荷而计算实际电池容量来估计健康状态、通过使用OCV-SOC关系来估计健康状态以及通过追踪电池的电阻分量或阻抗参数值来估计健康状态的方法。然而，这些传统方法具有以下问题：必须停止使用电池、必须匹配特定条件或环境或者由于累积的传感器误差或估计误差而导致不可靠的精度。
在通过使用电流传感器测量放电电荷而计算实际电池容量来估计健康状态的方法中，需要停止使用电池，以计算电池容量。此外，需要在与测量电池的初始容量的环境相同的环境中测量当前容量。因此，当测量当前容量时，其温度和充/放电量需要与测量的初始容量的温度和充/放电量相同。然而，在实际电池使用环境中中断电池的使用或者通过产生特定环境来计算当前容量会对电池系统造成负担。此外，在该方法中，电流传感器的准确度会直接影响健康状态的估计的准确度。
在使用OCV-SOC关系估计健康状态的方法中，难以直接实时测量SOC。出于这个原因，从可测量数据(例如，OCV)来估计SOC，并且基于估计的SOC来估计健康状态。然而，在基于估计的SOC来估计健康状态中，因为测量误差和SOC估计误差会反映在健康状态的估计中，所以在健康状态的估计的准确度方面会存在问题。在使用OCV-SOC关系的方法中，因为仅当电池在特定SOC条件下运行时才可以估计健康状态，所以会无法定期估计健康状态。
在通过追踪电池的电阻分量或阻抗参数值来估计健康状态的方法中，中断电池的正常使用，将诸如AC电力的特定充电/放电操作波形施加到电池以获得电池内部的参数值，并且追踪所获得的参数值，以估计健康状态。因此，需要中断电池的正常操作，并且需要满足附加的操作条件，以获得更准确的参数值。因为需要高级电池模型来基于所获得的参数值准确估计健康状态，所以该方法在不能实时执行复杂校准计算的BMS中会难以执行。
尽管存在基于查找表来估计健康状态的方法，但是该方法具有低适应性。根据使用模式，电池具有不同的劣化特性。因为电池的可测量变量(例如，电压、电流和温度)与指示电池的健康状态的参数之间的关系根据使用模式而变化，所以该特性被称为模式依赖劣化(pattern-dependent deterioration)。然而，在预先通过实验完成查找表之后，会难以反映使用模式特性。为了反映模式依赖劣化，需要预先对所有使用模式特性进行实验，或者应预先预测特性并将其反映在电池模型中。然而，前者具有成本增加的问题，而后者具有其中当电池模型变得复杂并且不能预先准确预测特性时会不可避免降低电池的健康状态的估计的可靠性的问题。
为了克服估计健康状态的传统方法的问题，本公开提供了一种通过追踪作为电池内部的参数的G参数和H参数之中的G参数的值来实时准确估计健康状态的方法。根据本公开的估计健康状态的方法可以实施为足够简单以在BMS中执行，并且可以在没有任何附加操作条件的情况下具有高准确度。
G参数是指示正在使用的电池的端电压对施加电流的变化的灵敏度的状态量，并且具有电阻单位(unit of resistance)。H参数是由使用期间的电池中的局部平衡电位分布和电阻分布确定的有效电位。可以使用理论模型通过电池材料性质与设计变量之间的显式相关性来量化电池的G参数和H参数。在下文中，将描述电池的G参数和H参数。
在电池中，可以假设电压V和电流i具有与V＝f(i；x,p)相同的关系。这里，x是表示电池的内部状态的物理量，p是参数。
函数f可以是非线性隐式函数(nonlinear implicit function)。如果函数f可以被划分为快速变化量g和缓慢变化量h，那么上述关系式可以表达为V＝g(i；x,p)+h(i；x,p)。
假设存在相对于电流i缓慢变化的函数G(i；x,p)＝dg/di，那么上述关系式可以表达为V＝G(i；x,p)i+H(i；x,p)。
在上述关系式中，dG/di和dH/di具有非常小的值。换言之，如果满足上述假设，那么G和H是相对于电流i缓慢变化的函数。因此，指示电压V与电流i之间的非线性关系的函数f可以表示为准线性关系。
这里，G被称为G参数，H被称为H参数。当电流i是充电/放电电流并且Ueq是电池的平衡电位时，通过使用G参数G和H参数H，放电过电压可以表达为Ueq-V＝-G·i+(Ueq-H)。
这里，-G·i是由电池生成的过电压以使电流流过端子，并且包括反应动力学极化量(reaction dynamic polarization amount)以及电子和离子电阻极化量。(Ueq-H)是由电池的局部热力学平衡偏离整体系统热力学平衡引起的过电压。也就是说，(Ueq-H)表示由电池内部的热力学不均匀性而导致的低效率，并且当电池的内部系统达到热力学平衡状态时，H参数H等于平衡电位Ueq。
在根据本公开的实施例的估计电池的健康状态的方法中，通过使用RLS方法直接从电池中测量的电压值和电流值来提取G参数G和H参数H，并且追踪G参数，例如，可以通过例如追踪G参数来估计电池的健康状。
图2是示出根据实施例的估计电池的健康状态的方法的流程图。
参照图1和图2，微处理器140可以通过使用RLS方法来执行图2中所示的估计电池的健康状态的方法。
根据本公开的估计电池的健康状态的方法，可以使用状态矢量
Figure BDA0003257300110000111
和协方差矩阵P(t)。
状态矢量
Figure BDA0003257300110000112
由G参数
Figure BDA0003257300110000113
和H参数
Figure BDA0003257300110000114
组成，并且可以被定义为
Figure BDA0003257300110000115
协方差矩阵P(t)由第一值P1(t)和第二值P2(t)组成，并且可以被定义为
Figure BDA0003257300110000116
可以在每个时间段Δt生成电池110的电压值V(t)和电流值I(t)，并且可以在每个时间段Δt通过递归方法更新状态矢量
Figure BDA0003257300110000117
和协方差矩阵P(t)。G参数
Figure BDA0003257300110000123
和H参数
Figure BDA0003257300110000124
也可以在每个时间段Δt被更新。
在根据本实施例的估计电池的健康状态的方法中，微处理器140可以将状态矢量
Figure BDA0003257300110000125
和协方差矩阵P(t)初始化(S110)。状态矢量
Figure BDA0003257300110000126
可以被初始化为
Figure BDA0003257300110000121
并且协方差矩阵P(t)可以被初始化为
Figure BDA0003257300110000122
在本示例中，尽管状态矢量
Figure BDA0003257300110000127
的元素和协方差矩阵P(t)的元素中的全部已经被初始化为1，但这仅是示例，并且这些元素可以被初始化为另一值。
微处理器140可以设定G参数
Figure BDA0003257300110000128
的初始值Gi和最终值Gf(S120)。当健康状态为100时，初始值Gi是G参数的值，并且当健康状态为0时，最终值Gf是G参数的值。可以分别通过实验预先获得关于健康状态为100的电池的初始值Gi和关于健康状态为0的电池的最终值Gf。根据另一示例，可以通过关于健康状态为100的电池的实验预先获得初始值Gi，并且可以通过校正来计算最终值Gf，以在执行本公开的估计电池的健康状态的方法的同时使电池的实际健康状态与本公开的电池的估计健康状态之间的误差最小化。
微处理器140可以通过使用电压测量单元120和电流测量单元130测量电池110的电压和电流来周期性地(例如，在每个时间段Δt)生成电压值和电流值(S130)。微处理器140可以生成紧接在前的电压值V(t-1)和紧接在前的电流值I(t-1)，并且可以在时间段Δt之后生成当前电压值V(t)和当前电流值I(t)。
微处理器140可以使用RLS方法，以从电压值和电流值实时生成G参数
Figure BDA0003257300110000129
的当前值(S140)。在根据本公开的估计电池的健康状态的方法中，微处理器140可以根据每个时间段Δt接收的当前电压值V(t)和当前电流值I(t)来在每个时间段Δt更新G参数
Figure BDA00032573001100001210
和H参数
Figure BDA00032573001100001211
。
微处理器140可以基于当前电流值I(t)和状态矢量的紧接在前的值
Figure BDA00032573001100001212
来计算电池的当前电压估计
Figure BDA00032573001100001213
。状态矢量的紧接在前的值
Figure BDA00032573001100001214
可以基于在时间段Δt之前的紧接在前的电压值V(t-1)和紧接在前的电流值I(t-1)来计算，并且可以由G参数的紧接在前的值
Figure BDA00032573001100001215
和H参数的紧接在前的值
Figure BDA00032573001100001216
组成。电池110的当前电压估计
Figure BDA00032573001100001217
可以是通过将H参数的紧接在前的值
Figure BDA00032573001100001218
与当前电流值I(t)和G参数的紧接在前的值
Figure BDA00032573001100001219
的乘积相加而获得的值，并且可以被计算为
Figure BDA00032573001100001220
。
微处理器140可以基于当前电流值I(t)和协方差矩阵的紧接在前的值P(t-1)来更新增益矩阵L(t)。协方差矩阵的紧接在前的值P(t-1)可以基于在时间段Δt之前的紧接在前的电压值V(t-1)和紧接在前的电流值I(t-1)来计算，并且可以根据协方差矩阵P(t)的定义由协方差矩阵的第一紧接在前的值P1(t-1)和协方差矩阵的第二紧接在前的值P2(t-1)组成。
增益矩阵L(t)可以用于更新状态矢量
Figure BDA0003257300110000133
和协方差矩阵P(t)。增益矩阵L(t)可以由增益矩阵L(t)的第一值L1(t)和增益矩阵L(t)的第二值L2(t)组成，并且可以如下计算。
Figure BDA0003257300110000131
这里，λ1可以是与G参数相关的第一遗忘因子。λ2可以是与H参数有关的第二遗忘因子。第一遗忘因子λ1和第二遗忘因子λ2是这样的值：当计算G参数
Figure BDA0003257300110000134
和H参数
Figure BDA0003257300110000135
时，指示过去电压值和过去电流值对G参数的当前值
Figure BDA0003257300110000136
和H参数的当前值
Figure BDA0003257300110000137
的影响。当接近1时，第一遗忘因子λ1和第二遗忘因子λ2在长时间内影响G参数的当前值
Figure BDA0003257300110000138
和H参数的当前值
Figure BDA0003257300110000139
，而当接近0时，第一遗忘因子λ1和第二遗忘因子λ2仅在短时间内影响G参数的当前值
Figure BDA00032573001100001310
和H参数的当前值
Figure BDA00032573001100001311
。
根据示例，第一遗忘因子λ1和第二遗忘因子λ2可以大于或者等于0.9且小于或等于1。根据另一示例，第一遗忘因子λ1可以设定为大于或者等于第二遗忘因子λ2的值。例如，第一遗忘因子λ1可以设定为0.99999，而第二遗忘因子λ2可以设定为0.95。这些设定值可以根据电池110的特性而变化。
本公开的发明人在对特定电池执行的实验中已经发现，当第一遗忘因子λ1和第二遗忘因子λ2分别为0.99999和0.95时，得到高可靠性结果。然而，上述值是示例，并且可以根据电池110的特性设定其它值。例如，第一遗忘因子λ1可以设定为0.9999，而第二遗忘因子λ2可以设定为0.98。
在另一示例中，第一遗忘因子λ1和第二遗忘因子λ2中的全部也可以设定为1。在这种情况下，可以认为没有应用第一遗忘因子λ1和第二遗忘因子λ2。
微处理器140可以基于当前电流值I(t)、增益矩阵L(t)和协方差矩阵的紧接在前的值P(t-1)来更新协方差矩阵P(t)。协方差矩阵P(t)可以如下计算。
Figure BDA0003257300110000132
微处理器140可以将当前电压值V(t)与较早计算的当前电压估计
Figure BDA00032573001100001312
之间的电压误差e(t)计算为
Figure BDA0003257300110000141
微处理器140可以基于状态矢量的紧接在前的值
Figure BDA0003257300110000142
增益矩阵的当前值L(t)和电压误差e(t)来更新状态矢量
Figure BDA0003257300110000143
通过状态矢量
Figure BDA0003257300110000144
的更新，可以生成G参数的当前值
Figure BDA0003257300110000145
和H参数的当前值
Figure BDA0003257300110000146
状态矢量的当前值
Figure BDA0003257300110000147
可以被计算为通过将增益矩阵的当前值L(t)和电压误差e(t)的乘积与状态矢量的紧接在前的值
Figure BDA0003257300110000148
相加而获得的值，如下。
Figure BDA0003257300110000149
其中递归表达状态矢量
Figure BDA00032573001100001410
的上述等式可以如下导出。
首先，对其应用第一遗忘因子λ1和第二遗忘因子λ2的损失函数ε定义如下。
Figure BDA00032573001100001411
这里，V(i)是第i电压值，i(i)是第i电流值。V(t)和I(t)分别是当前电压值和当前电流值，而V(t-1)和I(t-1)分别是紧接在前的电压值和紧接在前的电流值。
G(i)和H(i)分别是第iG参数和第iH参数的实际值，
Figure BDA00032573001100001412
和
Figure BDA00032573001100001413
分别是G参数的当前值估计和H参数的当前值估计。
当分别针对
Figure BDA00032573001100001414
和
Figure BDA00032573001100001415
对损失函数ε进行微分的结果为0时，针对
Figure BDA00032573001100001416
和
Figure BDA00032573001100001417
的损失函数ε可以是最小的。
其中针对
Figure BDA00032573001100001418
对损失函数ε进行微分的结果为0的
Figure BDA00032573001100001419
如下获得。
Figure BDA00032573001100001420
Figure BDA00032573001100001421
总结上述等式，
Figure BDA00032573001100001422
如下。
Figure BDA00032573001100001423
其中针对
Figure BDA00032573001100001424
对损失函数ε进行微分的结果为0的
Figure BDA00032573001100001425
如下获得。
Figure BDA0003257300110000151
对于实时估计，通过使用状态矢量
Figure BDA0003257300110000152
以递归形式总结先前获得的
Figure BDA0003257300110000153
和
Figure BDA0003257300110000154
如下。
Figure BDA0003257300110000155
如上所述，因为当前电压估计
Figure BDA0003257300110000156
可以被定义为
Figure BDA0003257300110000157
并且电压误差e(t)可以被定义为
Figure BDA0003257300110000158
所以状态矢量
Figure BDA0003257300110000159
可以表达如下。
Figure BDA00032573001100001510
如上所述，这里，增益矩阵L(t)和协方差矩阵P(t)可以如下计算。
Figure BDA00032573001100001511
Figure BDA00032573001100001512
因为估计电池的健康状态的方法使用递归方法，所以存储单元150可以仅存储当前电流值I(t)、状态矢量
Figure BDA00032573001100001513
和协方差矩阵P(t)。微处理器140可以通过存储在存储单元150中的状态矢量
Figure BDA00032573001100001514
来实时生成G参数的当前值
Figure BDA00032573001100001515
根据另一示例，第一遗忘因子λ1和第二遗忘因子λ2还可以存储在存储单元150中。所有的过去电压值和电流值不需在存储在存储单元150中。
因为图2中所示的估计电池的健康状态的方法使用递归方法，所以计算非常简单，并且可以仅使用具有几KB的小尺寸的存储单元150来进行计算。此外，因为每当接收到电压值和电流值时都会新更新状态矢量
Figure BDA00032573001100001523
和协方差矩阵P(t)，所以电池110的电压波动和电流波动可以基本实时反映在G参数
Figure BDA00032573001100001517
和H参数
Figure BDA00032573001100001518
上。
微处理器140可以通过使用在操作S120中设定的G参数的初始值G1和最终值Gf以及在操作S140中生成的G参数的当前值
Figure BDA00032573001100001519
来实时估计电池110的健康状态(S150)。微处理器140可以基于G参数的最终值Gf与G参数的当前值
Figure BDA00032573001100001520
之间的差值
Figure BDA00032573001100001521
相对于G参数的最终值Gf与G参数的初始值Gi之间的差值Gf-Gi的百分比值
Figure BDA00032573001100001522
来估计电池110的健康状态。根据示例，电池110的健康状态的值可以被计算为百分比值
Figure BDA0003257300110000161
Figure BDA0003257300110000162
根据另一示例，百分比值
Figure BDA0003257300110000163
可以被定义为健康状态分数，并且可以基于从当前到特定时段的健康状态分数的平均值来估计电池110的健康状态的值。这里，特定时段可以是1周、2周、3周、4周、8周和12周。计算的平均值可以被称为特定时段的移动平均值。根据另一示例，可以基于加权移动平均值来估计电池110的健康状态的值，所述加权移动平均值对在更接近当前的时间(时刻)时获得的健康状态分数给予较高的权重，而对在更接近过去的时间时获得的健康状态分数给予较低的权重。
微处理器140可以在测量电池110的电压值V(t)和电流值I(t)的每个时间段Δt重复执行操作S130至S150。根据实施例，微处理器140可以在每个时间段Δt基于在操作S120中设定的G参数的初始值Gi和最终值Gf以及在操作S140中生成的G参数的当前值
Figure BDA0003257300110000164
来计算电池110的健康状态分数，并且将健康状态分数存储在存储单元150中。微处理器140可以基于在特定时段内存储在存储单元150中的健康状态分数来估计电池110的健康状态的值。例如，微处理器140可以对健康状态分数进行统计处理，并且计算健康状态的值。例如，可以使用移动平均值或加权移动平均值。
图3是示出根据另一实施例的估计电池的健康状态的方法的流程图。
图3的估计电池的健康状态的方法的操作中的一些与图2的估计电池的健康状态的方法基本相同。将不再给出重复的描述。图3中所示的估计电池的健康状态的方法可以由图1的微处理器140执行。
参照图1至图3，微处理器140可以将状态矢量
Figure BDA0003257300110000165
和协方差矩阵P(t)初始化(S210)。状态矢量
Figure BDA0003257300110000166
包括G参数
Figure BDA0003257300110000167
和H参数
Figure BDA0003257300110000168
，协方差矩阵P(t)包括第一值P1(t)和第二值P2(t)。状态矢量
Figure BDA0003257300110000169
可以被初始化为
Figure BDA00032573001100001610
，协方差矩阵P(t)可以被初始化为
Figure BDA00032573001100001611
。作为示例，状态矢量
Figure BDA00032573001100001612
和协方差矩阵P(t)的所有元素已经被初始化为1，但是可以被初始化为诸如0的其它值，并且可以各自被初始化为彼此不同的值。
微处理器140可以设定G参数
Figure BDA00032573001100001613
的初始值Gi和最终值Gf(S220)。操作S220可以比操作S210更早地执行。初始值Gi和最终值Gf可以由管理员输入，通过微处理器140的计算获得，或者从外部接收。初始值Gi对应于当健康状态为100时的G参数的值，最终值Gf对应于当健康状态为0时的G参数的值。
微处理器140可以测量电池110的电压和电流，并且在每个时间段Δt生成电压值和电流值(S230)。例如，可以生成紧接在前的电压值V(t-1)和紧接在前的电流值I(t-1)，并且可以在时间段Δt之后生成当前电压值V(t)和当前电流值I(t)。因为图3的估计电池的健康状态的方法使用RLS，所以也可以通过递归方法在每个时间段Δt更新状态矢量
Figure BDA0003257300110000171
和协方差矩阵P(t)以及G参数
Figure BDA0003257300110000172
和H参数
Figure BDA0003257300110000173
。
微处理器140可以计算当前电流值I(t)与紧接在前的电流值I(t-1)之间的电流差ΔI(S240)。根据示例，电流差ΔI可以是当前电流值I(t)减去紧接在前的电流值I(t-1)的值，即，I(t)-I(t-1)。根据另一示例，电流差ΔI可以是当前电流值I(t)与紧接在前的电流值I(t-1)之间的差，也就是说，其中从当前电流值I(t)中减去紧接在前的电流值I(t-1)的绝对值(即，|I(t)-I(t-1)|)。存储单元150可以存储紧接在前的电流值I(t-1)，以计算电流差ΔI。
微处理器140可以将电流差ΔI与特定范围进行比较(S250)。特定范围可以通过下限值和上限值限定，并且可以由管理员预设。微处理器140可以确定电流差ΔI是否在下限值与上限值之间的范围内。特定范围可以根据电池系统100的充电/放电电流模式来设定。下限值和上限值可以基于电池系统100的充电/放电速率(charge/discharge rate，或被称为充电/放电率或者充电/放电倍率)来设定。例如，下限值可以设定为0.2C，而上限值可以设定为1C。
当电流差ΔI过小或过大时，由于递归法，电压值和电流值的检测误差会导致G参数
Figure BDA0003257300110000174
和H参数
Figure BDA0003257300110000175
的大偏差。特定范围可以适用于准确计算健康状态的值。当电流差ΔI在特定范围内时，微处理器140可以进行到操作S260，以基于当前电压值V(t)和当前电流值I(t)来更新状态矢量
Figure BDA0003257300110000176
和协方差矩阵P(t)。然而，当电流差ΔI超过特定范围时，微处理器140可以进行到操作S230，以在时间段Δt之后生成电压值和电流值。因此，当电流差ΔI超过特定范围时，状态矢量
Figure BDA0003257300110000177
和协方差矩阵P(t)不会更新，并且当前电压值V(t)和当前电流值I(t)不会影响状态矢量
Figure BDA0003257300110000178
和协方差矩阵P(t)。
微处理器140可以使用RLS方法，以基于电压值和电流值更新状态矢量
Figure BDA0003257300110000179
和协方差矩阵P(t)(S260)。
作为示例，微处理器140可以基于当前电流值I(t)和状态矢量的紧接在前的值
Figure BDA00032573001100001710
来计算电池的当前电压估计
Figure BDA00032573001100001711
。当前电压估计
Figure BDA00032573001100001712
可以被计算为
Figure BDA0003257300110000181
微处理器140可以基于当前电流值I(t)和协方差矩阵的紧接在前的值P(t-1)来更新增益矩阵L(t)。增益矩阵L(t)可以如下计算。
Figure BDA0003257300110000182
微处理器140可以基于当前电流值I(t)、增益矩阵L(t)和协方差矩阵的紧接在前的值P(t-1)来更新协方差矩阵P(t)。协方差矩阵P(t)可以如下计算。
Figure BDA0003257300110000183
这里，λ1是与G参数有关的第一遗忘因子，λ2是与H参数有关的第二遗忘因子。
微处理器140可以基于状态矢量的紧接在前的值
Figure BDA0003257300110000185
、增益矩阵的当前值L(t)和电压误差e(t)来更新状态矢量
Figure BDA0003257300110000186
。状态矢量的当前值
Figure BDA0003257300110000187
可以如下计算。
Figure BDA0003257300110000184
这里，可以基于当前电压值V(t)和当前电压估计
Figure BDA0003257300110000188
来将电压误差e(t)计算为
Figure BDA0003257300110000189
。
通过在操作S260中更新状态矢量
Figure BDA00032573001100001810
，可以生成G参数的当前值
Figure BDA00032573001100001811
和H参数的当前值
Figure BDA00032573001100001812
。上面已经参照图2描述了更新状态矢量
Figure BDA00032573001100001813
和协方差矩阵P(t)的特定方法以及相关等式，因此将不再重复解释。
微处理器140可以通过使用在操作S220中设定的G参数的初始值Gi和最终值Gf以及在操作S260中生成的G参数的当前值
Figure BDA00032573001100001814
来计算电池110的健康状态分数(S270)。健康状态分数可以被计算为G参数的最终值Gf与G参数的当前值
Figure BDA00032573001100001815
之间的差
Figure BDA00032573001100001816
相对于G参数的最终值Gf与G参数的初始值Gi之间的差Gf-Gi的百分比值
Figure BDA00032573001100001817
可以在每个时间段Δt生成健康状态分数。微处理器140可以将在操作S270中计算的健康状态分数存储在存储单元150中。当操作S250中电流差ΔI超过特定范围时，与时间对应的健康状态分数不会存储在存储单元150中，或者与时间对应的空值可以存储在存储单元150中。健康状态分数可以与生成时间相关地存储在存储单元150中。预设数量的健康状态分数可以存储在存储单元150中。
微处理器140可以确定是否满足健康状态检查条件(S280)。因为图3的估计电池的健康状态的方法使用递归方法，所以需要一定量的时间来生成与现实一致的结果。例如，因为状态矢量
Figure BDA0003257300110000191
在操作S210中被初始化，所以G参数值
Figure BDA0003257300110000192
正好在初始化之后可以具有接近初始化值的值。因为初始化值可能对这样的值具有大的影响，所以所述值可能与实际G参数值不同并且可能是不可靠的。可以基于在操作S260中生成的健康状态分数的存储时段来确定健康状态检查条件。例如，健康状态检查条件可以指示在最近的第一时段期间是否已经保存健康状态分数。这里，第一时段可以是特定时段，诸如1周、2周、3周、4周、8周、12周和16周。在状态矢量
Figure BDA0003257300110000193
和协方差矩阵P(t)被初始化之后且在第一时段过去之前计算的健康状态分数可能不反映电池110的实际健康状态。根据另一示例，健康状态检查条件可以指示存储在存储单元150中的健康状态分数的数量是否等于或者大于预设数量。健康状态分数的数量可以对应于递归方法中的周期数。健康状态检查条件可以基于健康状态分数的数量来设定。
当满足健康状态检查条件时，微处理器140可以进行到操作S290，以估计健康状态的值。当不满足健康状态检查条件时，微处理器140可以不估计健康状态的值，并且可以进行到操作S230。
微处理器140可以基于存储在存储单元150中的健康状态分数来估计电池110的健康状态的值(S290)。根据示例，可以基于从第二时段之前到当前存储的健康状态分数来估计健康状态的值。例如，健康状态的值可以被计算为第二时段的健康状态分数的移动平均值。根据另一示例，健康状态的值可以被计算为第二时段的健康状态分数的加权移动平均值。根据示例，第二时段可以与第一时段相同。根据另一示例，第二时段可以比第一时段短。例如，第一时段可以是8周，而第二时段可以是4周。根据另一示例，可以基于最近存储的预设数量的健康状态分数来计算健康状态的值。在这种情况下，可以使用移动平均值或加权移动平均值。
图4是示出根据另一实施例的估计电池的健康状态的方法的流程图。
除了操作S250中的特定范围被划分为n个充电/放电速率段并且存在n个状态矢量、协方差矩阵、G参数的初始值和最终值以及各自的健康状态分数之外，图4的估计电池的健康状态的方法的重要部分与图3的估计电池的健康状态的方法重叠。因此，不再重复上面已经给出的其描述。
上面已经参照图2和图3描述了更新包括G参数和H参数的状态矢量和协方差矩阵的方法以及相关等式。因此，不再重复其描述。在图2和图3中，状态矢量、协方差矩阵、G参数和H参数各自由“
Figure BDA0003257300110000201
”、“P(t)”、“
Figure BDA0003257300110000202
”和“
Figure BDA0003257300110000203
”指示。然而，在关于图4的估计电池的健康状态的方法的描述中，状态矢量由“Θ”指示，协方差矩阵由“P”指示，G参数由“G”指示，并且H参数由“H”指示。尽管如上简要地描述了，但是参照图2和图3的描述，本领域技术人员将容易理解更新由G参数G和H参数H组成的状态矢量Θ以及协方差矩阵P的方式。
图4中所示的估计电池的健康状态的方法可以由图1的微处理器140执行。根据图4的估计电池的健康状态的方法，在操作S250中，其中比较电流差ΔI的特定范围可以被划分为彼此不重叠的n个充电/放电速率段。这里，n可以是自然数。例如，n可以是3。然而，n可以是小于3的自然数(例如，1或2)，或者可以是大于3的自然数(例如，4、5或6)。n可以基于微处理器140的性能和存储单元150的容量来设定。当微处理器140的性能优异并且存储单元150的容量大时，n可以设定为尽可能大的值。n可以根据电池系统100的充电/放电电流模式来设定。当充电/放电电流的波动大时，n可以设定为大，但是当充电/放电电流的波动小时，n可以设定为小。
为了定义n个充电/放电速率段，可以定义第一阈值至第n+1阈值th1、th2、……、thn+1。第一充电/放电速率段可以定义为大于或者等于第一阈值th1且小于第二阈值th2。第二充电/放电速率段可以被定义为大于或者等于第二阈值th2且小于第三阈值th3。以这种方式，第n充电/放电速率段可以定义为大于或者等于第n阈值thn且小于第n+1个阈值thn+1。
第一阈值至第n+1阈值(th1、th2、……、thn+1)可以根据电池110的容量来设定。例如，第一阈值th1可以设定为与0.1C的充电/放电速率对应的电流值。例如，当电池110的容量为100Ah时，第一阈值th1可以设定为与0.1C的充电/放电速率对应的10A。例如，第二阈值th2可以设定为与0.2C的充电/放电速率对应的电流值。例如，第n+1阈值thn+1可以设定为与0.1C的充电/放电速率对应的电流值。上述值仅是示例，并且它们不限制本公开。
可以准备第一状态矢量至第n状态矢量Θ1、Θ2、……、Θn和第一协方差矩阵至第n协方差矩阵P1、P2、……、Pn。存储单元150可以存储第一状态矢量至第n状态矢量Θ1、Θ2、……、Θn和第一协方差矩阵至第n协方差矩阵P1、P2、……、Pn。第一状态矢量至第n状态矢量Θ1、Θ2、……、Θn可以分别包括第一G参数至第n G参数G1、G2、……、Gn和第一H参数至第n H参数H1、H2、……、Hn。
微处理器140可以将第一状态矢量至第n状态矢量Θ1、Θ2、……、Θn和第一协方差矩阵至第n协方差矩阵P1、P2、……、Pn初始化(S310)。第一状态矢量至第n状态矢量Θ1、Θ2、……、Θn和第一协方差矩阵至第n协方差矩阵P1、P2、……、Pn的所有元素可以被初始化为任何数(例如，1)。
微处理器140可以分别设定第一G参数至第n G参数G1、G2、……、Gn的初始值G1 i、G2 i、……、Gn i和最终值G1 f、G2 f、……、Gn f(S320)。操作S320可以比操作S310更早地执行。初始值G1 i、G2 i、……、Gn i和最终值G1 f、G2 f、……、Gn f可以由管理员输入，通过微处理器140的计算获得，或者从外部接收。
微处理器140可以测量电池110的电压和电流，并且在每个时间段Δt生成电压值和电流值(S330)。例如，可以生成紧接在前的电压值V(t-1)和紧接在前的电流值I(t-1)，并且可以在时间段Δt之后生成当前电压值V(t)和当前电流值I(t)。因为图4的估计电池的健康状态的方法使用RLS，所以可以通过递归方法更新第一状态矢量至第n状态矢量Θ1、Θ2、……、Θn中的一个和对应的第一协方差矩阵至第n协方差矩阵P1、P2、……、Pn中的一个。
微处理器140可以计算当前电流值I(t)与紧接在前的电流值I(t-1)之间的电流差ΔI(S340)。
微处理器140可以确定电流差ΔI属于第一充电/放电速率段至第n充电/放电速率段之中的哪个充电/放电速率段。
可以确定电流差ΔI是否属于大于或者等于第一阈值th1且小于第二阈值th2的第一充电/放电速率段(S350a)。当电流差ΔI属于第一充电/放电速率段时，微处理器140可以更新与第一充电/放电速率段对应的第一状态矢量Θ1和第一协方差矩阵P1(S360a)。通过更新第一状态矢量Θ1，可以生成第一G参数的当前值G1(t)和第一H参数的当前值H1(t)。
当电流差ΔI不属于第一充电/放电速率段时，微处理器140可以确定电流差ΔI是否属于大于或者等于第二阈值th2且小于第三阈值th3的第二充电/放电速率段(S350b)。当电流差ΔI属于第二充电/放电速率段时，微处理器140可以更新与第二充电/放电速率段对应的第二状态矢量Θ2和第二协方差矩阵P2(S360b)。通过更新第二状态矢量Θ2，可以生成第二G参数的当前值G2(t)和第二H参数的当前值H2(t)。
当电流差ΔI不属于第二充电/放电速率段时，微处理器140可以确定电流差ΔI是否属于第三充电/放电速率段。以这种方式，可以确定电流差ΔI是否属于剩余的充电/放电速率段。当电流差ΔI属于大于或者等于第j阈值thj且小于第j+1阈值thj+1的第j充电/放电速率段时，微处理器140可以更新第j状态矢量和第j协方差矩阵，并且通过更新第j状态矢量，可以生成第j G参数的当前值Gj(t)和第j H参数的当前值Hj(t)。当电流差ΔI不属于第一充电/放电速率段至第n-1充电/放电速率段时，微处理器140可以确定电流差ΔI是否属于大于或者等于第n阈值thn且小于第n+1阈值thn+1的第n充电/放电速率段(S350c)。
当电流差ΔI属于第n充电/放电速率段时，微处理器140可以更新第n状态矢量Θn和第n协方差矩阵Pn(S360c)。通过更新第n状态矢量Θn，可以生成第n G参数的当前值Gn(t)和第n H参数的当前值Hn(t)。当电流差ΔI不属于第一充电/放电速率段至第n充电/放电速率段时，也就是说，当电流差ΔI小于第一阈值th1或者大于或等于第n+1阈值thn+1时，微处理器140可以进行到操作S330，并且可能不使用电流差ΔI来更新第一状态矢量至第n状态矢量Θ1、Θ2、……、Θn和第一协方差矩阵至第n协方差矩阵P1、P2、……、Pn。
将解释更新第j状态矢量Θj和第j协方差矩阵Pj的方法。可以基于当前电流值I(t)和第j状态矢量的最近值Θj'来计算电池110的当前电压估计
Figure BDA0003257300110000221
。第j状态矢量的最近值Θj'表示存储在存储单元150中的第j状态矢量Θj的值。可以基于当前电流值I(t)和第j协方差矩阵的最近值Pj'来计算增益矩阵L。第j协方差矩阵的最近值Pj'表示存储在存储单元150中的第j协方差矩阵Pj的值。
可以基于当前电流值I(t)、增益矩阵L和第j协方差矩阵的最近值Pj'来计算第j协方差矩阵Pj。即使当计算增益矩阵L和第j协方差矩阵Pj时，也可以应用与第j G参数Gj相关的第一遗忘因子λ1和与第j H参数Hj相关的第二遗忘因子λ2。通过从当前电压值V(t)减去当前电压估计
Figure BDA0003257300110000222
来计算电压误差e。可以基于第j状态矢量的最近值Θj'、较早计算的增益矩阵L和电压误差e来计算第j状态矢量Θj。
上面已经参照图2描述了用于计算当前电压估计
Figure BDA0003257300110000223
、增益矩阵L、第j协方差矩阵Pj和第j状态矢量Θj的等式，因此将不再重复解释。
微处理器140可以使用在操作S320中生成的第一G参数至第n G参数G1、G2、……、Gn中的每个的初始值G1 i、G2 i、……、Gn i和最终值G1 f、G2 f、……、Gn f以及在操作S360a至操作S360c中生成的第一G参数至第n G参数G1、G2、……、Gn的当前值G1(t)、G2(t)、……、Gn(t)来计算第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn。第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn可以分别对应于第一充电/放电速率段至第n充电/放电速率段，并且可以基于第一G参数至第n G参数G1、G2、……、Gn中的每个的初始值G1 i、G2 i、……、Gn i和最终值G1 f、G2 f、……、Gn f以及第一G参数至第n G参数G1、G2、……、Gn的当前值G1(t)、G2(t)、……、Gn(t)来计算。因此，可以基于第j G参数的初始值Gj i和最终值Gj f以及第j G参数的当前值Gj(t)来计算第j健康状态分数SOHj。
微处理器140可以基于第一G参数的初始值G1 i、最终值G1 f和当前值G1(t)来计算第一健康状态分数SOH1(S370a)。例如，时间t的第一健康状态分数SOH1[t]可以被计算为SOH1[t]＝(G1 f-G1(t))/(G1 f-G1 i)×100。
微处理器140可以基于第二G参数的初始值G2 i、最终值G2 f和当前值G2(t)来计算第二健康状态分数SOH2(S370b)。例如，时间t的第二健康状态分数SOH2[t]可以被计算为SOH2[t]＝(G2 f-G2(t))/(G2 f-G2 i)×100。
以这种方式，微处理器140可以基于第n G参数的初始值Gn i、最终值Gn f和当前值Gn(t)来计算第n健康状态分数SOHn(S370c)。例如，时间t的第n健康状态分数SOHn[t]可以被计算为SOHn[t]＝(Gn f-Gn(t))/(Gn f-Gn i)×100。
特定时间t的电流差ΔI可以属于任何一个充电/放电速率段，或者可以不属于任何充电/放电速率段。当特定时间t的电流差ΔI属于第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn中的第k充电/放电速率段时，可以计算与第k充电/放电速率段对应的第k健康状态分数SOHk。当特定时间t的电流差ΔI不属于任何充电/放电速率段时，在特定时间t不生成第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn。
例如，当紧接在前的时间t-1的电流差ΔI属于第一充电/放电速率段时，可以在紧接在前的时间t-1计算第一健康状态分数SOH1，并且可以在紧接在前的时间t-1将空值(null，或被称为零值)存储在第二健康状态分数至第n健康状态分数SOH2、……、SOHn中。当当前时间t的电流差ΔI属于第j充电/放电速率段时，可以在当前时间t计算第j健康状态分数SOHj，并且可以将空值存储在当前时间t的第一健康状态分数至第j-1健康状态分数以及第j+1健康状态分数至第n健康状态分数SOH1、……、SOHj-1、SOHj+1、……、SOHn中。
根据另一示例，因为在特定时间t计算第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn中的任何一个，所以可以将在紧接在前的时间t-1计算的第一健康状态分数SOH1和在当前时间t计算的第j健康状态分数SOHj作为一个健康状态分数SOH进行管理。例如，第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn在特定时段期间可能不存储在存储器中，并且特定时段的健康状态分数SOH可以存储在存储器中。在这种情况下，在紧接在前的时间t-1计算的第一健康状态分数SOH1可以是健康状态分数SOH[t-1]，并且在当前时间t计算的第j健康状态分数SOHj可以是健康状态分数SOH[t]。
在每个时间段Δt，第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn中的任何一个健康状态分数SOH可以随时间被存储在存储单元150中。第一健康状态分数至第n健康状态分数SOH1、SOH2、……、SOHn可以根据生成的时间t作为健康状态分数SOH存储在存储单元150中。例如，当在第一时间t1计算第一健康状态分数SOH1[t1]，在第二时间t2计算第n健康状态分数SOHn[t2]，并且在第三时间t3计算第二健康状态分数SOH2[t3]时，第一时间t1的健康状态分数SOH[t1]＝SOH1[t1]、第二时间t2的健康状态分数SOH[t2]＝SOHn[t2]以及第三时间t3的健康状态分数SOH[t3]＝SOH2[t3]可以被存储在存储单元150中。预设数量的健康状态分数SOH可以存储在存储单元150中。
微处理器140可以确定是否满足健康状态检查条件(S380)。可以基于每个时间段Δt在操作S370a至S370c中存储生成的健康状态分数SOH的时段来确定健康状态检查条件。例如，健康状态检查条件可以指示在最近的第一时段期间是否已经保存健康状态分数。这里，第一时段可以是特定时段，诸如1周、2周、3周、4周、8周、12周和16周。根据另一示例，健康状态检查条件可以指示存储在存储单元150中的健康状态分数SOH的数量是否等于或者大于预设数量。
当满足健康状态检查条件时，微处理器140可以基于存储在存储单元150中的健康状态分数SOH来估计电池110的健康状态SOH(t)的值(S390)。当不满足健康状态检查条件时，微处理器140不会估计健康状态的值，并且可以进行到操作S330。根据示例，健康状态SOH(t)的值可以被计算为存储在存储单元150中的健康状态分数SOH的平均值。例如，健康状态SOH(t)的值可以被计算为存储在存储单元150中的预设数量的健康状态分数SOH的平均值。根据另一示例，健康状态SOH(t)的值可以被计算为在第一时段期间存储在存储单元150中的健康状态分数SOH的平均值。
根据另一示例，微处理器140可以计算第二时段的存储在存储单元150中的健康状态分数SOH的移动平均值或加权移动平均值，并且可以基于计算的移动平均值或加权移动平均值的平均值来估计健康状态SOH(t)的值。健康状态SOH(t)的值可以被计算为第二时段的存储在存储单元150中的健康状态分数SOH的移动平均值或加权移动平均值的平均值。第二时段可以与第一时段相同，或者可以比第一时段短。
将参照图5至图8解释将充电/放电速率段划分为三个段并执行本公开的估计电池的健康状态的方法的结果。
图5是示出作为执行本公开的估计电池的健康状态的方法的结果的第一G参数至第三G参数的值的曲线图。
图5的结果是使用图4的第一充电/放电速率段至第三充电/放电速率段的结果。因此，在图4的方法中，n预设为3。第一充电/放电速率段预设为大于或者等于0.2C且小于0.3C，第二充电/放电速率段预设为大于或者等于0.3C且小于0.5C，第三充电/放电速率段预设为大于或者等于0.5C且小于1C。电池110具有50Ah的容量，第一阈值th1为10A，第二阈值th2为15A，第三阈值th3为25A，第四阈值th4为50A。
可以看出，示出指示电池的端子电压对施加电流的变化的灵敏度的状态量的第一G参数值、第二G参数值和第三G参数值随时间近似线性地增大。
图6是示出基于图5中所示的第一G参数至第三G参数的值计算的第一健康状态分数至第三健康状态分数的曲线图。
在本示例中，第一G参数的初始值G1 i和最终值G1 f分别设定为1.26mΩ和2.06mΩ，第二G参数的初始值G2 i和最终值G2 f分别设定为1.15mΩ和1.95mΩ，第三G参数的初始值G3i和最终值G3f分别设定置为1.03mΩ和1.83mΩ。
如图6中所示，第一健康状态分数SOH1、第二健康状态分数SOH2和第三健康状态分数SOH3随时间减小。图6示出了健康状态的实际值SOH(Real)。计算为第一健康状态分数SOH1、第二健康状态分数SOH2和第三健康状态分数SOH3中的每个与健康状态的实际值SOH(Real)之间的均方根误差(RMSE，root mean square error)的误差等于或者小于1.12％。
图7是图6的A部分的放大图。
参照图7，可以看出，第一健康状态分数SOH1、第二健康状态分数SOH2和第三健康状态分数SOH3是随时间生成的。第一健康状态分数SOH1、第二健康状态分数SOH2和第三健康状态分数SOH3可能不总是生成，并且当作为当前电流值I(t)与紧接在前的电流值I(t-1)之间的差的电流差ΔI属于第一充电/放电速率段时，可以生成第一健康状态分数SOH1，当电流差ΔI属于第二充电/放电速率段时，可以生成第二健康状态分数SOH2，当电流差ΔI属于第三充电/放电速率段时，可以生成第三健康状态分数SOH3，并且当电流差ΔI不属于任何充电/放电速率段时，可以不生成第一健康状态分数至第三健康状态分数SOH1、SOH2、SOH3中的任何一个。也就是说，当电流值I(t)恒定或突然改变时，会不生成健康状态分数。
图8是示出基于图6的第一健康状态分数至第三健康状态分数估计的健康状态的值的曲线图。
在本示例中，根据本公开的健康状态的估计值SOH(Estimated)被计算为第一健康状态分数SOH1的4周移动平均值、第二健康状态分数SOH2的4周移动平均值和第三健康状态分数SOH3的4周移动平均值的平均值。计算为健康状态的估计值SOH(Estimated)与健康状态的实际值SOH(Real)之间的均方根误差(RMSE)的误差为0.59％。误差减小了约50％。
本公开的精神不限于上述实施例，并且等同于权利要求或与权利要求等同地改变以及描述的权利要求的所有范围都属于本公开的精神的范围。

Claims (20)

1.一种估计电池的健康状态的方法，所述方法包括以下步骤：
测量使用中的电池的电压和电流，以周期性地生成电压值和电流值；
使用自适应滤波器根据电压值和电流值周期性地实时更新指示电池的当前状态的G参数的值和H参数的值；以及
使用预设的G参数的初始值和最终值以及G参数的当前值来实时估计电池的健康状态，
其中，G参数是表示电池的电压对电流的变化的灵敏度的参数，并且
H参数是表示由电池内部的局部平衡电位分布和电阻分布确定的有效电位的参数。
2.根据权利要求1所述的方法，其中，基于G参数的最终值与G参数的当前值之间的差相对于G参数的最终值与G参数的初始值之间的差的百分比值来估计电池的健康状态。
3.根据权利要求1所述的方法，其中，自适应滤波器是使用递归最小二乘方法的滤波器。
4.根据权利要求3所述的方法，所述方法还包括以下步骤：
将由G参数和H参数组成的状态矢量以及协方差矩阵初始化；以及
设定G参数的初始值和最终值，其中，
周期性地生成电压值和电流值的步骤包括：
生成紧接在前的电压值和紧接在前的电流值；以及
在预设时间段之后生成当前电压值和当前电流值。
5.根据权利要求4所述的方法，所述方法还包括以下步骤：
计算当前电流值与紧接在前的电流值之间的电流差；以及
将电流差与预设范围进行比较，其中，
当电流差在预设范围内时，使用当前电压值和当前电流值更新G参数的值和H参数的值，并且
当电流差超过预设范围时，不更新G参数的值和H参数的值。
6.根据权利要求4所述的方法，其中，实时更新G参数的值和H参数的值的步骤包括：
基于当前电流值和状态矢量的紧接在前的值来计算电池的当前电压估计；
基于当前电流值和协方差矩阵的紧接在前的值来更新增益矩阵和协方差矩阵；
计算当前电压值与当前电压估计之间的电压误差；以及
基于状态矢量的紧接在前的值、增益矩阵的当前值和电压误差来更新状态矢量，以生成G参数的当前值和H参数的当前值。
7.根据权利要求6所述的方法，其中，当前电压估计被计算为通过将H参数的紧接在前的值与当前电流值和G参数的紧接在前的值的乘积相加而获得的值。
8.根据权利要求6所述的方法，其中，状态矢量的当前值被计算为通过将增益矩阵的当前值和电压误差的乘积与状态矢量的紧接在前的值相加而获得的值。
9.根据权利要求6所述的方法，其中，在更新增益矩阵和协方差矩阵的情况下，应用与G参数相关的第一遗忘因子和与H参数相关的第二遗忘因子。
10.根据权利要求9所述的方法，其中，
增益矩阵通过以下等式计算，
Figure FDA0003257300100000021
并且，协方差矩阵通过以下等式计算，
Figure FDA0003257300100000022
其中，L(t)是增益矩阵的当前值，L(t-1)是增益矩阵的紧接在前的值，P(t)是协方差矩阵的当前值，P(t-1)是协方差矩阵的紧接在前的值，I(t)是当前电流值，λ1是第一遗忘因子，并且λ2是第二遗忘因子。
11.根据权利要求6所述的方法，其中，实时估计电池的健康状态的步骤包括：
存储基于G参数的初始值、最终值和当前值计算的电池的健康状态分数；
检测健康状态检查条件；以及
基于健康状态分数来估计电池的健康状态的值。
12.根据权利要求11所述的方法，其中，
健康状态检查条件是基于在最近的第一时段期间是否已经保存健康状态分数来设定的，并且
电池的健康状态的值是基于第二时段的健康状态分数的移动平均值来生成的。
13.根据权利要求3所述的方法，所述方法还包括以下步骤：
设定彼此不重叠的第一充电/放电速率段至第n充电/放电速率段，其中，n为自然数；
将第一状态矢量至第n状态矢量以及第一协方差矩阵至第n协方差矩阵初始化，第一状态矢量至第n状态矢量分别包括第一G参数至第n G参数和第一H参数至第n H参数；
设定第一G参数至第n G参数中的每个的初始值和最终值；
生成紧接在前的电压值和紧接在前的电流值，并且在预设时间段之后生成当前电压值和当前电流值；
计算当前电流值与紧接在前的电流值之间的电流差；
将电流差与第一充电/放电速率段至第n充电/放电速率段中的每个进行比较；
基于第一G参数至第n G参数中的每个的初始值、最终值和当前值来计算第一健康状态分数至第n健康状态分数中的每个；以及
基于第一健康状态分数至第n健康状态分数来实时估计电池的健康状态的值。
14.根据权利要求13所述的方法，其中，当电流差属于第一充电/放电速率段至第n充电/放电速率段之中的第j充电/放电速率段时，使用当前电压值和当前电流值来更新第j G参数的值和第j H参数的值，并且使用第j G参数的初始值、最终值和当前值来计算电池的第j健康状态分数，其中，j是小于或者等于n的自然数。
15.根据权利要求14所述的方法，其中，通过下面的步骤实时更新第j G参数的值和第jH参数的值：
基于当前电流值和第j状态矢量的紧接在前的值来计算电池的当前电压估计；
基于当前电流值和第j协方差矩阵的紧接在前的值来更新增益矩阵和第j协方差矩阵；
计算当前电压值与当前电压估计之间的电压误差；以及
基于第j状态矢量的紧接在前的值、增益矩阵的当前值和电压误差来更新第j状态矢量。
16.一种估计电池的健康状态的方法，所述方法包括以下步骤：
将在递归最小二乘滤波器中使用的第一状态矢量至第三状态矢量以及第一协方差矩阵至第三协方差矩阵初始化，其中，第一状态矢量至第三状态矢量中的每个包括第一G参数至第三G参数以及第一H参数至第三H参数；
设定第一G参数的初始值和最终值、第二G参数的初始值和最终值以及第三G参数的初始值和最终值；
随着周期性地测量使用中的电池的电压和电流的操作，生成紧接在前的电压值和紧接在前的电流值，并且在预设时间段之后，生成当前电压值和当前电流值；
计算当前电流值与紧接在前的电流值之间的电流差；
当电流差大于或者等于第一阈值且小于第二阈值时，更新第一状态矢量和第一协方差矩阵，当电流差大于或者等于第二阈值且小于第三阈值时，更新第二状态矢量和第二协方差矩阵，并且当电流差大于或者等于第三阈值且小于第四阈值时，更新第三状态矢量和第三协方差矩阵；
基于第一G参数的初始值、最终值和当前值来计算第一健康状态分数，基于第二G参数的初始值、最终值和当前值来计算第二健康状态分数，并且基于第三G参数的初始值、最终值和当前值来计算第三健康状态分数；以及
基于第一健康状态分数至第三健康状态分数来实时估计电池的健康状态。
17.根据权利要求16所述的方法，所述方法包括：基于在最近的第一时段内是否已经存储了第一健康状态分数至第三健康状态分数来检测健康状态检查条件。
18.根据权利要求17所述的方法，其中，实时估计电池的健康状态的步骤包括：
计算第二时段的第一健康状态分数的第一移动平均值；
计算第二时段的第二健康状态分数的第二移动平均值；
计算第二时段的第三健康状态分数的第三移动平均值；以及
基于第一移动平均值至第三移动平均值的平均值来计算电池的健康状态的值。
19.根据权利要求16所述的方法，其中，更新第k状态矢量和第k协方差矩阵的步骤包括：
基于当前电流值和第k状态矢量的最近值来计算电池的当前电压估计；
基于当前电流值和第k协方差矩阵的最近值来更新增益矩阵和第k协方差矩阵；
计算当前电压值与当前电压估计之间的电压误差；以及
基于第k状态矢量的最近值、增益矩阵的当前值和电压误差来更新第k状态矢量，其中，k为1、2或3。
20.根据权利要求19所述的方法，其中，在更新增益矩阵和第k协方差矩阵的情况下，应用与第k G参数相关的第一遗忘因子和与第k H参数相关的第二遗忘因子。
CN201980093958.0A 2019-03-12 2019-11-28 用于估计电池的健康状态的方法 Active CN113557439B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2019-0028155 2019-03-12
KR1020190028155A KR102629463B1 (ko) 2019-03-12 2019-03-12 배터리 건강 상태 추정 방법
PCT/KR2019/016610 WO2020184812A1 (ko) 2019-03-12 2019-11-28 배터리 건강 상태 추정 방법

Publications (2)

Publication Number Publication Date
CN113557439A true CN113557439A (zh) 2021-10-26
CN113557439B CN113557439B (zh) 2024-08-27

Family

ID=72427594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980093958.0A Active CN113557439B (zh) 2019-03-12 2019-11-28 用于估计电池的健康状态的方法

Country Status (6)

Country Link
US (1) US12050251B2 (zh)
EP (2) EP3940405B1 (zh)
JP (1) JP7292404B2 (zh)
KR (1) KR102629463B1 (zh)
CN (1) CN113557439B (zh)
WO (1) WO2020184812A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500482A (zh) * 2023-06-26 2023-07-28 安徽锐能科技有限公司 磷酸铁锂电池soh的估测方法及可读存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102682497B1 (ko) * 2019-11-26 2024-07-08 현대자동차주식회사 차량 및 차량의 제어 방법
KR102619797B1 (ko) 2021-03-05 2023-12-29 연세대학교 산학협력단 Bms, 이를 위한 적응형 모델 제공 장치 및 방법
CN116587916B (zh) * 2023-05-19 2023-10-24 杭州天卓网络有限公司 电动车的智能充电方法、充电桩、计算机设备和存储介质
CN117040068B (zh) * 2023-08-20 2024-07-30 广东技术师范大学 锂离子电池组的远程控制方法和系统
CN117007896B (zh) * 2023-10-07 2023-12-12 深圳市森瑞普电子有限公司 一种应用于导电滑环故障检测的数据处理方法
CN117890815B (zh) * 2024-01-16 2024-07-12 北京绿能环宇低碳科技有限公司 一种电池模组组装质量检测方法及系统
CN117686937B (zh) * 2024-02-02 2024-04-12 河南科技学院 一种用于电池系统内单体电池的健康状态估计方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006058114A (ja) * 2004-08-19 2006-03-02 Toyota Motor Corp 制御システムおよび推定システムならびにそれを用いた電池の残存容量推定システムおよび残存容量推定方法
CN102119338A (zh) * 2008-08-08 2011-07-06 株式会社Lg化学 基于电池电压变化模式估计电池健康状态的方法及装置
JP2012063251A (ja) * 2010-09-16 2012-03-29 Calsonic Kansei Corp フィルタによるパラメータ推定装置
KR20130126231A (ko) * 2012-05-11 2013-11-20 주식회사 엘지화학 배터리 수명 추정 장치 및 배터리 수명 추정 방법
CN105334465A (zh) * 2015-09-15 2016-02-17 重庆长安汽车股份有限公司 一种锂离子电池健康状态估算方法
CN105974329A (zh) * 2016-07-22 2016-09-28 深圳市沃特玛电池有限公司 一种估算电池组soh的方法
CN106054080A (zh) * 2016-06-06 2016-10-26 电子科技大学 一种动力电池荷电状态与健康状态的联合估计方法
US9658291B1 (en) * 2012-10-06 2017-05-23 Hrl Laboratories, Llc Methods and apparatus for dynamic estimation of battery open-circuit voltage
US20170242077A1 (en) * 2016-02-19 2017-08-24 Johnson Controls Technology Company Systems and methods for real-time estimation of capacity of a rechargeable battery
US20180017628A1 (en) * 2015-02-19 2018-01-18 Mitsubishi Electric Corporation Battery state estimation device
US20180111599A1 (en) * 2016-10-20 2018-04-26 Deqiang Wang Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
KR20180115817A (ko) * 2013-02-21 2018-10-24 로베르트 보쉬 게엠베하 리튬-이온 배터리 시스템의 개개의 전극들의 용량 및 총 용량을 추정하기 위한 방법 및 시스템
CN109061508A (zh) * 2018-09-11 2018-12-21 上海电力学院 一种电动汽车锂电池soh的估计方法
CN109154635A (zh) * 2016-04-15 2019-01-04 Saft公司 用于确定与电池的蓄电池状态有关的参数值的方法、电池和电子电池管理系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
JP2011122951A (ja) 2009-12-11 2011-06-23 Honda Motor Co Ltd 二次電池の充電状態推定装置および劣化状態推定装置
US10664562B2 (en) * 2013-02-24 2020-05-26 Fairchild Semiconductor Corporation and University of Connecticut Battery state of charge tracking, equivalent circuit selection and benchmarking
US10393813B2 (en) * 2013-08-27 2019-08-27 The Regents Of The University Of Michigan On-board state of health monitoring of batteries using incremental capacity analysis
KR101835376B1 (ko) 2016-08-30 2018-03-08 조선대학교산학협력단 배터리 건강상태 추정 장치 및 그 방법
KR101835375B1 (ko) 2016-08-30 2018-03-08 조선대학교산학협력단 배터리 집단군 건강상태 추정 장치 및 그 방법
JP2018096953A (ja) * 2016-12-16 2018-06-21 三菱自動車工業株式会社 電池状態推定装置
KR102650965B1 (ko) 2018-04-23 2024-03-25 삼성에스디아이 주식회사 배터리 상태 추정 방법
CN108896926B (zh) 2018-07-18 2021-01-01 湖南宏迅亿安新能源科技有限公司 一种锂电池健康状态的评估方法、评估系统及相关组件
KR20210000207A (ko) 2019-06-24 2021-01-04 삼성에스디아이 주식회사 내부 단락 셀 검출 방법
KR20210000206A (ko) 2019-06-24 2021-01-04 삼성에스디아이 주식회사 이상 배터리 셀 검출 방법
KR102471890B1 (ko) 2020-08-03 2022-11-29 삼성에스디아이 주식회사 배터리 팩의 시뮬레이션 방법

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006058114A (ja) * 2004-08-19 2006-03-02 Toyota Motor Corp 制御システムおよび推定システムならびにそれを用いた電池の残存容量推定システムおよび残存容量推定方法
CN102119338A (zh) * 2008-08-08 2011-07-06 株式会社Lg化学 基于电池电压变化模式估计电池健康状态的方法及装置
JP2012063251A (ja) * 2010-09-16 2012-03-29 Calsonic Kansei Corp フィルタによるパラメータ推定装置
KR20130126231A (ko) * 2012-05-11 2013-11-20 주식회사 엘지화학 배터리 수명 추정 장치 및 배터리 수명 추정 방법
US9658291B1 (en) * 2012-10-06 2017-05-23 Hrl Laboratories, Llc Methods and apparatus for dynamic estimation of battery open-circuit voltage
KR20180115817A (ko) * 2013-02-21 2018-10-24 로베르트 보쉬 게엠베하 리튬-이온 배터리 시스템의 개개의 전극들의 용량 및 총 용량을 추정하기 위한 방법 및 시스템
US20180017628A1 (en) * 2015-02-19 2018-01-18 Mitsubishi Electric Corporation Battery state estimation device
CN105334465A (zh) * 2015-09-15 2016-02-17 重庆长安汽车股份有限公司 一种锂离子电池健康状态估算方法
US20170242077A1 (en) * 2016-02-19 2017-08-24 Johnson Controls Technology Company Systems and methods for real-time estimation of capacity of a rechargeable battery
CN109154635A (zh) * 2016-04-15 2019-01-04 Saft公司 用于确定与电池的蓄电池状态有关的参数值的方法、电池和电子电池管理系统
CN106054080A (zh) * 2016-06-06 2016-10-26 电子科技大学 一种动力电池荷电状态与健康状态的联合估计方法
CN105974329A (zh) * 2016-07-22 2016-09-28 深圳市沃特玛电池有限公司 一种估算电池组soh的方法
US20180111599A1 (en) * 2016-10-20 2018-04-26 Deqiang Wang Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique
US20180143257A1 (en) * 2016-11-21 2018-05-24 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
CN109061508A (zh) * 2018-09-11 2018-12-21 上海电力学院 一种电动汽车锂电池soh的估计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500482A (zh) * 2023-06-26 2023-07-28 安徽锐能科技有限公司 磷酸铁锂电池soh的估测方法及可读存储介质
CN116500482B (zh) * 2023-06-26 2023-10-24 安徽锐能科技有限公司 磷酸铁锂电池soh的估测方法及可读存储介质

Also Published As

Publication number Publication date
EP3940405A4 (en) 2022-12-21
WO2020184812A1 (ko) 2020-09-17
CN113557439B (zh) 2024-08-27
US20220082626A1 (en) 2022-03-17
KR20200109092A (ko) 2020-09-22
JP2022524827A (ja) 2022-05-10
JP7292404B2 (ja) 2023-06-16
KR102629463B1 (ko) 2024-01-25
EP4438394A2 (en) 2024-10-02
EP3940405A1 (en) 2022-01-19
US12050251B2 (en) 2024-07-30
EP3940405B1 (en) 2024-09-11

Similar Documents

Publication Publication Date Title
CN113557439B (zh) 用于估计电池的健康状态的方法
CN107819339B (zh) 充电模式制作装置、充电控制装置、充电模式制作方法及蓄电系统
KR101846690B1 (ko) Ｗｌｓ 기반 ｓｏｈ 추정 시스템 및 방법
US11366171B2 (en) Battery state estimation method
JP6383500B2 (ja) 蓄電池制御装置、制御方法、プログラム、蓄電システム、電力システム
KR102156404B1 (ko) 배터리 셀 성능 테스트 장치 및 방법
US20190033391A1 (en) Secondary battery deterioration estimation device and secondary battery deterioration estimation method
KR102572652B1 (ko) 배터리의 충전상태를 추정하는 방법
US11143710B2 (en) Device for estimating degradation of secondary cell, and method for estimating degradation of secondary cell
US20220196754A1 (en) Method for detecting abnormal battery cell
US11846683B2 (en) Method for detecting internal short-circuited cell
EP4033585A1 (en) Estimation device, estimation method, and computer program
JPWO2019003377A1 (ja) 蓄電池残量推定装置、蓄電池残量推定方法、およびプログラム
CN110687460A (zh) 一种soc预估方法
CN115380221A (zh) 二次电池诊断设备及方法
JP7169917B2 (ja) 二次電池の制御装置及び二次電池の制御方法
CN110579710A (zh) 一种soc预估装置
Serdechnyy et al. Improving accuracy of determining the state of charge level of a lithium-ion energy storage device
EP4400853A1 (en) Method and apparatus for estimating internal state of battery by using electrochemical model of battery
JP2024118013A (ja) 二次電池の分析方法、充電装置、二次電池分析装置および二次電池パック
KR20240054157A (ko) 배터리 수명 추정 장치 및 그의 동작 방법
KR20230164474A (ko) 배터리의 충전 상태를 추정하는 방법

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