CN114450706A - 使用电动车辆充电站的电池性能管理系统和方法 - Google Patents

使用电动车辆充电站的电池性能管理系统和方法 Download PDF

Info

Publication number
CN114450706A
CN114450706A CN202180005576.5A CN202180005576A CN114450706A CN 114450706 A CN114450706 A CN 114450706A CN 202180005576 A CN202180005576 A CN 202180005576A CN 114450706 A CN114450706 A CN 114450706A
Authority
CN
China
Prior art keywords
battery
electric vehicle
battery performance
information
soh
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
CN202180005576.5A
Other languages
English (en)
Inventor
金东明
金炯篒
安炯俊
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.)
LG Energy Solution Ltd
Original Assignee
LG Energy Solution 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
Priority claimed from KR1020210037625A external-priority patent/KR102627949B1/ko
Application filed by LG Energy Solution Ltd filed Critical LG Energy Solution Ltd
Publication of CN114450706A publication Critical patent/CN114450706A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/305—Communication interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/14—Details associated with the interoperability, e.g. vehicle recognition, authentication, identification or billing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Secondary Cells (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

公开了一种使用电动车辆充电站的电池性能管理系统和方法。电池性能管理服务器通过网络从多个充电站收集电池性能评估信息，所述电池性能评估信息包括关于电池的标识信息和操作特性累积信息、关于电动车辆的标识信息和行驶特性累积信息以及关于电池的最新充电特性信息。服务器还接收电池性能评估信息以便通过使用预先学习的人工智能模型确定与所收集的电池性能评估信息相对应的当前健康状况从而输出电池的健康状况。另外，服务器确定与当前健康状况相对应的最新控制因子，并且将最新控制因子通过网络发送到充电站，使得充电站将最新控制因子发送到电动车辆的控制系统以便更新控制因子。

Description

使用电动车辆充电站的电池性能管理系统和方法
技术领域
本公开涉及电池性能管理系统和方法，并且更具体地，涉及以下系统及其方法：当电动车辆在电动车辆充电站处正被充电时，远程服务器可以收集电池性能评估信息并将其存储在数据库中，通过使用利用大数据训练的人工智能模型确定电池的SOH(健康状况)，并且更新用于控制电池充/放电的控制因子。
本申请要求2020年3月24日在韩国提交的韩国专利申请号10-2020-0035892以及2021年3月23日在韩国提交的韩国专利申请号10-2021-0037625的优先权，其全部内容通过引用并入本文中。
背景技术
电池的使用不仅在诸如蜂窝电话、笔记本电脑、智能手机、智能平板的移动设备上迅速普及，而且在电动车辆(EV、HEV、PHEV)和大容量储能系统(ESS)上也迅速普及。
在电动车辆的电池的情况下，性能劣化的速度根据驾驶员的驾驶习惯或驾驶环境而变化。例如，如果电动车辆频繁地急加速使用或在山区、沙漠地区或寒冷地区操作，则电动车辆的电池劣化速度较快。
电池性能的劣化可以量化为称为SOH(健康状况)的因子。SOH是将电池在MOL(寿命中期)状态下的性能表示为基于BOL(寿命开始)状态下的电池性能的相对比的数值。
作为代表电池性能的指标，使用电池的容量和内阻。随着电池充/放电循环次数的增加，电池容量下降，并且内阻增加。因此，SOH可以通过电池容量下降率或电池内阻增加率来量化。
BOL状态下电池的SOH表示为100％，MOL状态下电池的SOH表示为低于100％的百分比。如果SOH降低到一定水平以下，则电池的性能已经劣化到超出极限，因此需要更换电池。
电池的充/放电控制逻辑必须根据性能的劣化状态而不同地的设置，以尽可能延迟电池的劣化速度，从而延长使用寿命。为此，需要一种方法来以集中方式监测同一型号的多个电池的性能变化，并有效地更新用于电动车辆的电池充电和放电的各种控制逻辑。
发明内容
技术问题
本发明被设计为解决相关技术的问题，因此本公开涉及提供一种电池性能管理系统和方法，该电池性能管理系统和方法可以在电动车辆正在电动车辆充电站处充电时从充电站累积地收集电池性能评估信息，基于所收集的大数据诊断电池的性能(例如，SOH)，并且根据诊断出的性能，以基于平台的方式更新用于控制电池的充/放电的控制因子。
技术方案
在本公开的一个方面，提供了一种使用电动车辆充电站的电池性能管理系统，所述电池性能管理系统包括：电池性能管理服务器，所述电池性能管理服务器通过网络可通信地连接到被安装成分布在一个区域内的多个充电站；以及数据库，所述数据库与所述电池性能管理服务器连接并且被配置为存储电动车辆的SOH信息。
优选地，所述电池性能管理服务器可被配置为通过网络从充电站收集电池性能评估信息(该电池性能评估信息包括电池的标识信息和操作特性累积信息、电动车辆的标识信息和行驶特性累积信息以及电池的最新充电特性信息)，并且将所述电池性能评估信息存储在数据库中，通过使用在接收电池性能评估信息前预先训练的人工智能模型来确定与所收集的电池性能评估信息相对应的当前SOH并输出电池的SOH，在当前SOH比先前的SOH增加参考值或更多时，通过使用SOH与用于控制电池操作的控制因子之间的相关信息，确定与当前SOH相对应的最新控制因子，并通过网络将最新控制因子发送给充电站，使得充电站将最新控制因子发送给电动车辆的控制系统以更新控制因子。
根据一方面，电池的操作特性累积信息可以包括选自由每个电压区间的累积操作时间、每个电流区间的累积操作时间和每个温度区间的累积操作时间组成的组中的至少一个。
根据另一方面，所述电动车辆的行驶特性累积信息可以包括选自由每个速度区间的累积行驶时间、每个行驶区域的累积行驶时间和每个湿度区间的累积行驶时间组成的组中的至少一个。
根据又一方面，最新充电特性信息可以包括选自由在多个时间点测量或估计的电池的SOC、电压、电流和温度数据组成的组中的至少一个。
优选地，每当从多个电动车辆充电站接收到电池性能评估信息时，
当确定最新充电特性信息包括足以确定电池的当前SOH的数据时，电池性能管理服务器可以被配置为：根据最新充电特性信息确定电池的当前SOH，将电池的操作特性累积信息、电动车辆的行驶特性累积信息和最新充电特性信息存储在数据库中作为人工智能模型的训练输入数据，并且将电池的当前SOH存储在数据库中作为人工智能模型的训练输出数据。
优选地，电池性能管理服务器可以被配置为每当超过参考值的训练输入数据和训练输出数据被累积存储在数据库中时，重复训练人工智能模型。
根据一方面，电池性能管理服务器可以被配置为将训练输入数据和训练输出数据与电池的标识信息和/或电动车辆的标识信息和/或电动车辆的行驶区域相匹配地存储在数据库中，并且每当超过参考值的训练输入数据和训练输出数据与电池的标识信息和/或电动车辆的标识信息和/或电动车辆的行驶区域相匹配被累积地存储时，重复训练人工智能模型以与电池的标识信息和/或电动车辆的标识信息和/或电动车辆的行驶区域相对应。
根据另一方面，电池性能管理服务器可以被配置为通过使用训练为与电池的标识信息和/或电动车辆的标识信息和/或电动车辆的行驶区域相对应的人工智能模型分析电池性能评估信息来确定电池的SOH。
在本公开中，电池性能管理服务器可以被配置为通过网络从电池数据提供服务器接收每当对电池执行每个充电/放电循环时测量的每个循环的SOH和每个循环的性能评估信息(所述性能评估信息包括操作特性累积信息和最新充电特性信息)，并将其存储在数据库中。
在这种情况下，电池性能管理服务器还可以包括辅助人工智能模型，所述辅助人工智能模型被训练为通过使用存储在数据库中的每个循环的SOH和每个循环的性能评估信息，根据电池的操作特性累积信息和最新充电特性信息输出SOH。
优选地，当人工智能模型没有完全训练好时，电池性能管理服务器可以被配置为通过将电池性能评估信息中包括的电池的操作特性累积信息和最新充电特性信息输入到辅助人工智能模型中来确定电池的SOH。
此外，电池性能管理服务器可以被配置为通过将电池性能评估信息中包括的电池的操作特性累积信息和最新充电特性信息输入到辅助人工智能模型中来确定电池的SOH，并且确定人工智能模型确定的SOH和辅助人工智能模型确定的SOH的加权平均值作为电池的SOH。
此外，电池性能管理服务器可以被配置为随着人工智能模型的训练量的增加，在计算加权平均值时增大赋予人工智能模型的SOH的权重。
在一实施方式中，人工智能模型可以是人工神经网络。
在本公开中，控制因子可以包括：选自应用于每个SOC区段的充电电流大小、充电上限电压值、放电下限电压值、最大充电电流、最大放电电流、最小充电电流、最小放电电流、最高温度、最低温度、每个SOC的功率图、每个SOC的内阻图中的至少一个；选自脉冲电流占空比(脉冲维持时段与脉冲休止时段的比值)的上限、脉冲电流占空比的下限、脉冲电流持续时间的上限、脉冲电流持续时间的下限、脉冲电流的最大值和脉冲电流的最小值中的至少一个；或选自恒流充电(CC)模式下的电流大小、恒流充电(CC)模式结束时的截止电压和恒压充电(CV)模式下的电压大小中的至少一个。
在本发明的另一实施方式中，电池性能管理服务器可以被配置为将电动车辆的行驶距离、当前SOH和电动车辆的标识信息发送给保险公司服务器，并且保险公司服务器可以被配置为参照电动车辆的标识信息通过使用当前SOH和电动车辆的行驶距离为相应的电动车辆计算保险费。
在本公开的另一方面，还提供了一种使用电动车辆充电站的电池性能管理方法，所述电池性能管理方法包括：在电动车辆正在充电站处充电时，通过网络从充电站收集电池性能评估信息，并且将电池性能评估信息存储在数据库中，所述电池性能评估信息包括电池的标识信息和操作特性累积信息、电动车辆的标识信息和行驶特性累积信息以及电池的最新充电特性信息；通过使用在接收电池性能评估信息前预先训练的人工智能模型来确定与所收集的电池性能评估信息相对应的当前SOH并输出电池的SOH；在当前SOH与先前SOH相比增加参考值或更多时，通过使用SOH和用于控制电池操作的控制因子之间的相关信息，确定与当前SOH相对应的最新控制因子；以及将最新控制因子通过网络发送到充电站，使得充电站将最新控制因子发送到电动车辆的控制系统以更新控制因子。
该技术目标也可以通过计算机设备来实现。计算机设备可以包括：非暂时性存储设备，所述非暂时性存储设备被配置为存储多个处理器执行命令；以及处理器，所述处理器被配置为执行多个处理器执行命令。通过执行处理器执行命令，处理器可以被配置为：通过网络从充电站接收电池性能评估信息，所述电池性能评估信息包括电池的标识信息和操作特性累积信息、电动车辆的标识信息和行驶特性累积信息、电池的最新充电特性信息，(b)训练人工智能模型以根据电池性能评估信息输出电池的SOH，(c)通过使用经训练的人工智能模型确定与所收集的电池性能评估信息相对应的当前SOH，(d)从数据库读取先前的SOH，(e)在当前SOH与先前SOH相比增加参考值或更多时，通过使用SOH和用于控制电池操作的控制因子之间的相关信息，确定与当前SOH相对应的最新控制因子，以及(f)通过网络将最新控制因子发送到充电站。
有益效果
根据本发明，由于使用了与多个充电站联接的基于大数据的人工智能平台系统根据电动车辆的行驶历史和电池的操作历史，对电池的性能进行可靠的评估，并优化用于控制电池充/放电的控制因子，所以不仅可以延长电池的使用寿命，而且还可以提高安全性。
通过为电动车辆用户提供高可靠的电池性能管理服务，可以在合适的时间点引导更换电池，以及提高电池制造商的可靠性。
通过构建反映电动车辆用户驾驶倾向的具有电池性能评估信息的基于大数据的数据库，该数据库可以作为汽车保险公司的准确的保费计算数据。
附图说明
附图示出了本公开的优选实施方式，并且附图与前述公开一起用于提供对本公开的技术特征的进一步理解，因此，本公开不被解释为限于附图。
图1是示出了根据本公开的实施方式的使用电动车辆充电站的电池性能管理系统的配置的框图。
图2至图4是示例性地示出了根据本公开的实施方式的根据电动车辆电池的操作特性累积信息产生的频率分布数据的图表。
图5至图7是示例性地示出了根据本公开的实施方式的根据电动车辆的行驶特性累积信息产生的频率分布数据的图表。
图8是示例性地示出了根据本公开的实施方式的人工神经网络的结构的图。
图9是示例性地示出了根据本公开的实施方式的辅助人工神经网络的结构的图。
图10至图11是用于说明根据本公开的实施方式的使用电动车辆充电站的电池性能管理方法的流程图。
具体实施方式
在下文中，将参照附图来详细地描述本发明的优选实施方式。在描述之前，应该理解，说明书和所附权利要求书中使用的术语不应被解释为限于一般含义和词典含义，而在允许发明人为了最佳解释而适当定义术语的原则的基础上，应基于与本公开的技术方面相对应的含义和概念来解释。因此，本文提出的描述仅是出于说明目的的优选示例，而不旨在限制本公开的范围，因此应当理解，在不脱离本公开的范围的情况下，可以对其做出其他等同替换和修改。
图1是示出了根据本公开的实施方式的使用电动车辆充电站的电池性能管理系统的配置的框图。
参照图1，根据本公开的实施方式的电池性能管理系统10包括多个充电站EVCk和电池性能管理服务器11。k是用于指示由参考符号表示的对象是多个对象的索引。如果充电站EVCk被安装在10,000个地点处，则k为1到10,000。
优选地，充电站EVCk和电池性能管理服务器11可以通过网络12相互可通信地连接。
网络12的类型不受限制，只要它支持充电站EVCk和电池性能管理服务器11之间的通信即可。
网络12包括有线网络、无线网络或其组合。有线网络包括支持TCP/IP协议的局域互联网或广域互联网。无线网络包括基于基站的无线通信网络、卫星通信网络、诸如Wi-Fi的局域网或其组合。
网络12可以包括例如2G(第二代)至5G(第五代)网络、LTE(长期演进)网络、GSM(全球移动通信系统)网络、CDMA(码分多址)网络、EVDO(演进-数据优化)网络、PLM(公共陆地移动)网络和/或其他网络。
作为另一示例，网络12可以包括LAN(局域网)、WLAN(无线局域网)、WAN(广域网)、MAN(城域网)、PSTN(公共交换电话网)、自组织网络、受管理的IP网络、VPN(虚拟专用网络)、内联网、互联网、基于光纤的网络和/或其组合，或其他类型的网络。
充电站EVCk是安装在国内外的充电装置，用于对电动车辆EVn的电池Bn进行充电。n是用于指示由参考符号表示的对象是多个对象的索引。如果电动汽车的数量为100万辆，则n为1到100万。充电站EVCk可以被安装在国内和/或国外的停车场、加油站、公共机构、建筑物、公寓、大厦、私人住宅等。充电站EVCk可以与网络12联接以实现与电池性能管理服务器11的通信。
优选地，电动车辆EVn包括电池Bn和控制系统15。作为计算机设备，控制系统15控制电池Bn的充/放电操作，并且在电池Bn的充/放电期间，测量电池Bn的电压、电流和温度并将其记录在存储装置15a中。控制系统15还可以执行与电动车辆EVn的行驶相关的机械和/或电子机构的控制操作。
存储装置15a是非暂时性存储设备，其是能够写入和/或擦除和/或修改和/或传输数据的计算机存储介质。存储装置15a可以是例如闪存、硬盘、SSD(固态硬盘)或用于数据存储的其他类型的硬件。
电动车辆EVn的控制系统15可以在电池Bn被充电或放电时收集电池Bn的操作特性信息，并将该操作特性信息记录在存储装置15a中。操作特性信息可以包括选自电池Bn的电压、电流和温度中的至少一个。控制系统15可以将电池Bn的操作特性信息连同电池Bn的SOC(充电状态)和/或时间戳一起记录在存储装置15a中。控制系统15可以通过使用本领域已知的安培计数法、OCV法、扩展卡尔曼滤波器等来估计电池Bn的SOC。控制系统15可以电联接到安装在电池Bn处的电压传感器、电流传感器和温度传感器，以便收集电池Bn的操作特性信息。
控制系统15可以将电动车辆EVn的行驶特性信息记录在存储装置15a中。行驶特性信息包括选自由电动车辆EVn的速度、电动车辆EVn的行驶区域及其湿度组成的组中的至少一个。优选地，控制系统15可以将电动车辆EVn的行驶特性信息连同时间戳一起记录在存储装置15a中。控制系统15可以电联接合到速度传感器、GPS传感器和湿度传感器以便收集并存储行驶特性信息。
充电站EVCk通过电动车辆EVn的充电口对电动车辆EVn的电池Bn进行充电，在电池Bn充电时收集电池性能评估信息，并将电池性能评估信息发送到电池性能管理服务器11。此外，充电站EVCk可以从电池性能管理服务器11接收用于控制电池Bn的充/放电的各种控制因子，并将其发送到电动车辆EVn的控制系统15。然后，电动车辆EVn的控制系统15可以更新用于控制电池Bn的充/放电的控制因子。这将在后面描述。
优选地，电池性能管理系统10可以包括与电池性能管理服务器11连接的大容量数据库16。
根据实施方式，当电动车辆EVn在充电站EVCk处充电时，电池性能管理服务器11可以通过网络12从充电站EVCk收集电池性能评估信息，所述电池性能评估信息包括电动车辆EVn的行驶特性累积信息、电池Bn的操作特性累积信息和最新充电特性信息，并将电池性能评估信息存储在数据库16的性能评估信息存储单元16a中。
优选地，电池Bn的操作特性累积信息可以包括选自由每个电压区间的累积操作时间、每个电流区间的累积操作时间和每个温度区间的累积操作时间组成的组中的至少一个。
优选地，所述电动车辆EVn的行驶特性累积信息可以包括选自由每个速度区间的累积行驶时间、每个行驶区域的累积行驶时间和在每个湿度区间的累积行驶时间组成的组中的至少一个。
优选地，最新充电特性信息可以包括选自由作为电池Bn在电池Bn充电时的操作特性信息的、在多个时间点测量或估计的电池的SOC、电压、电流和温度组成的组中的至少一个。
充电站EVCk可以在电动车辆EVn正充电时通过与电动车辆EVn的控制系统15进行通信来交换信息和/或数据。在一个示例中，经由包括在充电电缆中的数据通信线来执行通信。另选地，经由充电站EVCk与电动车辆EVn之间的无线通信执行通信。为此，充电站EVCk和电动车辆EVn可以包括短距离无线通信设备。
充电站EVCk可以根据预定义的通信协议通过网络12将从电动车辆EVn收集的信息和/或数据发送到电池性能管理服务器11。
电池性能管理服务器11可以在电动车辆EVn在充电站EVCk处充电时从充电站EVCk接收电动车辆EVn的标识信息和电池Bn的标识信息以及电池性能评估信息，并将其存储在数据库16的性能评估信息存储单元16a中，所述电池性能评估信息包括电池Bn的操作特性累积信息、电动车辆EVn的行驶特性累积信息和最新充电特性信息。
这里，电动车辆EVn的标识信息可以是车辆型号代码，并且电池Bn的标识信息可以是电池Bn的型号代码。
优选地，充电站EVCk可以在电动车辆EVn充电时从电动车辆EVn的控制系统15接收电动车辆EVn的标识信息和电池Bn的标识信息以及电池性能评估信息，并将接收到的信息和/或数据通过网络12发送到电池性能管理服务器11，所述电池性能评估信息包括电池Bn的操作特性累积信息、电动车辆EVn的行驶特性累积信息和最新充电特性信息。
根据实施方式，电池性能管理服务器11对从充电站EVCk发送的电动车辆EVn的操作特性累积信息进行分析以生成每个操作特性的频率分布数据，并且然后与电动车辆EVn的标识信息和/或电池Bn的标识信息相匹配地将频率分布数据存储在数据库16的训练数据存储单元16b中。
根据实施方式，在操作特性累积信息的频率分布数据中，变量可以是电压、电流或温度，频率可以是电池Bn在每个变量下的累积操作时间。
图2是示出电池Bn的操作特性累积信息中的针对电压的频率分布数据的示例的图表，图3是示出电池Bn的操作特性累积信息中的针对电流的频率分布数据的示例的图表，并且图4是示出电池Bn的操作特性累积信息中的针对温度的频率分布数据的示例的图表。
参照图2至图4，频率分布数据可以提供在电动车辆车EVn运行时电池Bn在每个电压区间的累积操作时间、电池Bn在每个电流区间的累积操作时间和电池Bn在每个温度区间的累积操作时间。频率分布数据代表电动汽车EVn的行驶历史，并且可以用于电池性能管理服务器11训练人工智能模型。这将在后面描述。
根据另一实施方式，电池性能管理服务器11可以对从充电站EVCk发送的电动车辆EVn的行驶特性累积信息进行分析以生成每个操作特性的频率分布数据，并且然后与电动车辆EVn的标识信息和/或电池Bn的标识信息相匹配地将频率分布数据存储在数据库16的训练数据存储单元16b中。
在行驶特性的频率分布数据中，变量为电动车辆EVn的速度、电动车辆EVn的行驶区域或电动车辆EVn正运行的区域的湿度，并且频率可以是电动车辆EVn在每个变量下的累计行驶时间。
图5是示出电动车辆EVn的行驶特性累积信息中的针对速度的频率分布数据的示例的图表，图6是示出电动车辆EVn的行驶特性累积信息中的针对电动车辆EVn的行驶区域的频率分布数据的示例的图表，并且图7是示出电动车辆EVn的行驶特性累积信息中的针对电动车辆EVn正运行的区域的湿度的频率分布数据的示例的图表。
参照图5至图7，频率分布数据可以提供关于在电动车辆EV正运行时在每个速度区间的累积行驶时间、在每个行驶区域的累积行驶时间以及在每个湿度区间的累积行驶时间的信息。所述区域可以是国内和/或国外的行政区域。例如，所述区域可以是城市，但本公开不限于此。频率分布数据可以用于电池性能管理服务器11训练人工智能模型。这将在后面描述。
根据另一实施方式，电池性能管理服务器11可以将从充电站EVCk发送的电动车辆EVn的最新充电特性信息记录在数据库16的性能评估信息存储单元16a中。
优选地，最新充电特性信息包括选自包括在电动车辆EVn的电池Bn在充电站EVCk处充电时在多个时间点测量或估计的SOC、电压、电流和温度的组中的至少一个操作特性数据。
在每个测量时间点处测量的操作特性数据可以用四维向量(SOCk、Ik、Vk、Tk)来表示。k是操作特性的测量时间点的索引。如果测量次数为n，则k为1到n之间的自然数，最新充电特性信息中包括的数据的量为n。
当满足预定条件时，电池性能管理服务器11可以通过使用最新充电特性信息中包括的操作特性数据确定电池Bn的SOH，并且将SOH连同电动车辆EVn的标识信息和/或电池Bn的标识信息一起记录在数据库16的训练数据存储单元16b中。
在一个示例中，电池性能管理服务器11确定在预设的SOH估计电压区间中是否收集了最新充电特性信息。为此，电池性能管理服务器11可以检查包括在最新充电特性信息中的电压数据Vk的分布。如果确定为“是”，则电池性能管理服务器11可以通过对在SOH估计电压区间中测量的当前数据进行积分来确定充电容量变化量，并将充电容量变化量与参考充电容量变化量的比率确定为SOH。参考充电容量变化量是在SOH估计电压区间对处于BOL状态的电池Bn进行充电时表示的充电容量变化量，并且参考充电容量变化量可以针对每个电池Bn型号被预先记录在数据库16的参数存储单元16c中。
在另一示例中，电池性能管理服务器11对最新充电特性信息进行分析以确定电池Bn是否在预设的SOH估计电压区间内被充电，并且在可变充电电流条件下测量多个电压数据。为此，电池性能管理服务器11可以检查包括在最新充电特性信息中的电压数据Vk和电流数据Ik的分布。如果确定为是，则电池性能管理服务器11可以对最新充电特性信息中的预设的SOH估计电压区间内测量的多个电流和电压数据执行线性回归分析，以确定|dV/dI|的平均值作为电池Bn的内阻值，并且确定参考内阻值与内阻值的比率作为电池Bn的SOH。在本实施方式中，充电站EVCk可以在电池Bn在预设的SOH估计电压区间内充电时向电池Bn施加具有不同AC充电电流和/或幅值的充电脉冲。然后，可以在可变充电电流条件下测量多个电压数据。参考内阻值是电池Bn在BOL状态下的内阻值，并且可以针对每个电池Bn型号将参考内阻值预先记录在数据库16的参数存储单元16c中。
电池性能管理服务器11可以通过使用人工智能模型根据电池性能评估信息来确定电池Bn的SOH，所述电池性能评估信息包括电池Bn的操作特性累积信息、电动车辆EVn的行驶特性累积信息以及从充电站EVCk发送的最新充电特性信息。
在本公开中，根据最新充电特征信息计算出的SOH构成了用于训练人工智能模型的大数据的一部分。因此，实现本公开的技术目的的SOH确定实际上是由基于大数据训练的人工智能模型执行的。
原因在于，由于根据最新充电特性信息计算出的SOH存在如下限制：只有在满足预定条件且未充分考虑电池Bn的过去使用历史时才能确定，因此通过基于大数据训练的人工智能模型确定的SOH具有更高的精度和可靠性。
优选地，人工智能模型是用编程语言编码的软件算法，并且可以是人工神经网络。然而，本公开并不限于此。
图8是示例性地示出了根据本公开的实施方式的人工神经网络100的结构的图。
参照图8，人工神经网络100包括输入层101、多个隐藏层102和输出层103。输入层101、多个隐藏层102和输出层103包括多个节点。
当电池性能管理服务器11训练人工神经网络100或通过使用人工神经网络100确定电池Bn的SOH时，根据电池Bn的操作特性累积信息产生的频率分布数据、根据电动车辆EVn的行驶特性累积信息产生的频率分布数据以及从充电站EVCk收集的最新充电特性信息中包括的数据可以被输入到输入层101。
输入(分配)到输入层101的节点的操作特性累积信息可以包括每个电压区间的第一累积时间值和/或每个电流区间的第二累积时间值和/或每个温度区间的第三累积时间值。优选地，将第一累积时间值至第三累积时间值基于与电池Bn的保证寿命相对应的总可用时间归一化为比率。在一个示例中，如果特定电压区间中的累积时间值为1000小时并且总可用时间为20,000小时，则归一化累积时间值为1/20(0.05)。
第一累积时间值的数量可以与电压区间的数量相对应，第二累积时间值的数量可以与电流区间的数量相对应，第三累积时间值的数量可以与温度区间的数量相对应。例如，如果电压区间的数量为5，电流区间的数量为9，温度区间的数量为10，则第一累积时间值至第三累积时间值的数量分别为5、9和10。
优选地，输入层101可以包括与第一累积时间值的数量和/或第二累积时间值的数量和/或第三累积时间值的数量相对应的多个节点。
输入(分配)到输入层101的节点的行驶特性累积信息可以包括每个速度区间的第四累积时间值和/或每个行驶区域的第五累积时间值和/或每个湿度区间的第六累积时间值。优选地，基于与电池Bn的保证寿命相对应的总可用时间将第四累积时间值至第六累积时间值归一化为比率。在一个示例中，如果特定速度区间中的累积时间值为2,000小时并且总可用时间为20,000小时，则归一化累积时间值为1/10(0.1)。
第四累积时间值的数量与速度区间的数量相对应，第五累积时间值的数量与电动车辆EVn正运行的区域的数量相对应，第六累积时间值的数量与湿度区间的数量相对应。例如，如果速度区间的数量为8，行驶区域的数量为20，温度区间的数量为6，则第四累积时间值至第六累积时间值的数量分别为8、20和6。
优选地，输入层101可以包括与第四累积时间值的数量和/或第五累积时间值的数量和/或第六累积时间值的数量相对应的多个节点。
输入(分配)到输入层101的节点的最新充电特性信息可以包括电压数据和温度数据。由于针对每个SOC都测量电池Bn的电压和温度，因此可以分配100个节点用于输入电压数据，并且可以分配另外100个节点用于输入温度数据。
这里，100是与SOC从1％至100％相对应的节点数，假设SOC从0％至100％以1％变化。如果在31％至50％的SOC区间中测量电池Bn的电压和温度，则电压数据可能会输入到与31％至50％相对应的20个节点，并且温度数据可能输入到与31％至50％相对应的另外20个节点。另外，电压数据和温度数据可以不输入到与1％至30％区间的SOC和51％至100％区间的SOC相对应的节点，并且可以为其分配0。
另外，在SOC中测量的包括小数点以下的值的电压数据和温度数据可以通过内插法或外推法被转换成没有小数点的附近SOC的电压数据和温度数据。在某些情况下，可以从输入数据中排除温度数据，以减少人工神经网络的训练计算量。在这种情况下，输入层101可以不包括温度数据被输入到的节点。
输出层103可以包括电池Bn的SOH信息被输出到的节点。如图8所示，如果人工神经网络100是基于随机模型设计的，则输出层103可以包括多个节点以输出电池Bn的SOH的概率分布。
在一个示例中，如果人工神经网络100被设计为以1％为单位确定71％和100％之间的SOH，则输出层103总共可以包括30个节点。在这种情况下，可以将30个节点当中与输出概率值最高的节点相对应的SOH确定为电池Bn的SOH。例如，如果从第10个节点输出的概率最高，则可以确定电池Bn的SOH为80％。对于本领域技术人员来说，可以进一步增加节点的数量来提高SOH的精度，这是显而易见的。
另选地，如果人工神经网络100是基于确定性模型设计的，则输出层103可以包括至少一个节点以直接输出电池Bn的SOH。
在输入层101和输出层103之间插入的隐藏层102的数量和包括在每个隐藏层102中的节点的数量可以考虑人工神经网络100的训练量和人工神经网络100的精度和可靠性而适当地选择。
在人工神经网络100中，可以使用S形函数作为激活函数。另选地，可以使用本领域已知的各种激活函数，诸如，SiLU(S形线性单元)函数、ReLu(修正的线性单元)函数、softplus函数、ELU(指数线性单元)函数、SQLU(二次线性单元)函数等。
在人工神经网络100中，可以随机设置节点之间的连接权重和偏差的初始值。此外，在训练人工神经网络的过程中可以优化连接权重和偏差。
在一个实施方式中，人工神经网络可以通过反向传播算法进行训练。另外，在训练人工神经网络的同时，连接权重和偏差可以由优化器优化。
在实施方式中，SGD(随机梯度下降)算法可以用作优化器。另选地，可以使用NAG(Nesterov加速梯度)算法、动量算法、Nadam算法、Adagrad算法、RMSProp算法、Adadelta算法、Adam算法等。
电池性能管理服务器11可以通过使用存储在数据库16的训练数据存储单元16b中的训练数据周期性地重复训练人工神经网络100。
为此，通过使用上述方法，电池性能管理服务器11在多个电动车辆车EVn在多个充电站EVCk处充电时收集训练数据，并将训练数据累积记录在数据库16的训练数据存储单元16b中。
训练数据包括训练输入数据和训练输出数据。训练输入数据可以包括根据电动车辆EVn的行驶特性累积信息生成的频率分布数据、根据电池Bn的操作特性累积信息生成的频率分布数据、以及最新充电特性信息中包括的数据。此外，训练输出数据包括电池Bn的SOH。可以在电动车辆EVn在充电站EVCk处充电时获得训练数据。
优选地，训练数据可以与电动车辆EVn的标识信息和/或电池Bn的标识信息匹配地记录在数据库16的训练数据存储单元16b中。因此，在训练数据存储单元16b中，可以记录从配备有相同型号电池Bn的相同型号电动车辆EVn收集的大量训练数据。此外，由于在充电站EVCk处不断收集训练数据，因此训练数据的量可能会越来越多。
优选地，电池性能管理服务器11可以针对电动车辆EVn的每个型号和/或电池Bn的每个型号单独训练人工神经网络，以通过数据的分布式处理减少人工神经网络100的训练计算载荷并提高人工神经网络100估计的输出的可靠性。
也就是说，当电池性能管理服务器11周期性地训练人工神经网络100时，在存储在训练数据存储单元16b中的训练数据当中，电池性能管理服务器11可以提取相同型号的电动车辆EVn和/或相同型号的电池Bn的训练数据，并独立地训练专用于对应型号的电动车辆EVn和/或对应型号的电池Bn的人工神经网络100。此外，如果针对电动车辆EVn的型号和/或电池Bn的型号新收集的训练数据量增加超过参考值，则电池性能管理服务器11可以重新开始训练对应的人工神经网络100以进一步提高人工神经网络100的精度。
另外，如果根据电动车辆EVn的行驶特性累积信息中的每个行驶区域的行驶累积时间信息生成的频率分布数据(见图6)具有太多变量，则可以针对多个区域分组的每个宽区域单独地训练人工神经网络100。
例如，假设电动车辆EVn的型号的数量总共为100个，电动车辆EVn上安装的电池Bn的型号的数量总共为10个，并且电动车辆EVn在国内和国外的1000个城市中运行。在这种情况下，电池性能管理服务器11可以按照预定的标准对城市进行分组，并训练与100*10*(区域组的数量)相对应的数量的人工神经网络。在一个示例中，城市可以在逐个国家的基础上分组。在另一示例中，城市可以以同一国家内的预定数量的相邻城市为单位进行分组。
在这种情况下，当电池性能管理服务器11对人工神经网络100进行训练时，电池性能管理服务器11可以从训练数据存储单元16b中存储的训练数据中仅提取具有相同型号的电池Bn和/或相同型号的电动车辆EVn以及针对行驶区域具有频率分布数据的相同变量(城市)的训练数据，并独立地训练专用于该行驶区域和/或该型号的电动车辆EVn和/或该型号的电池Bn的人工神经网络100。此外，如果相同行驶区域和/或相同型号的电动车辆EVn和/或相同型号的电池Bn的新训练数据量增加超过参考值，则电池性能管理服务器11可以重新开始训练对应的人工神经网络100以进一步提高人工神经网络100的精度。
在本公开中，人工智能模型不限于人工神经网络。因此，除了人工神经网络之外，还可以使用高斯过程模型等。在训练电动车辆EVn的累积行驶特性信息和/或电池Bn的累积操作特性信息和/或最新充电特性数据与SOH之间的相关性时，可以使用SVM(支持向量机)、K-最邻近算法、朴素贝叶斯分类器等。如果用于训练的SOH信息的可靠性存在问题，可以使用K-均值聚类等作为辅助手段获取SOH信息。
另外，电池性能管理服务器11可以包括辅助人工神经网络，所述辅助人工神经网络通过使用电池制造商提供的每个循环的操作特性累积信息和每个循环的最新充电特性信息进行训练。
图9是示例性地示出了根据本公开的实施方式的辅助人工神经网络100’的结构的图。
参照图9，辅助人工神经网络100’包括输入层101’、多个隐藏层102’和输出层103’。除了输入层101’没有与电动车辆EVn的行驶特性累积信息相对应的数据被输入到的节点之外，辅助人工神经网络100'与图8所示的人工神经网络100基本相同，。
当人工神经网络100'没有被充分训练时，辅助人工神经网络100’可用于确定电池Bn的SOH。
电池性能管理服务器11可以通过网络12与电池数据提供服务器17可通信地连接以收集用于训练辅助人工神经网络100'的数据。
优选地，电池数据提供服务器17可以被安装在电池制造商处。电池数据提供服务器17将从安装到电动车辆EVn的电池Bn的充/放电循环实验获得的每个循环的操作特性累积信息、每个循环的最新充电特性信息和每个循环的电池Bn的SOH连同电池Bn的标识信息一起通过网络12发送到电池性能管理服务器11。
充/放电循环实验是指使用被称为充/放电模拟器的设备在各种充/放电条件下将电池Bn反复充放电预定次数的实验。充/放电循环实验是电池制造商在电池Bn商业化之前进行的一项必不可少的实验。期望充/放电条件模拟电动车辆EVn的各种行驶条件(山地行驶、崎岖道路行驶、城市行驶、高速行驶等)和各种气候条件(温度、湿度等)。
充/放电模拟器是由控制计算机、充/放电设备置和温/湿度控制室组合而成的自动化实验设备。每当执行每个循环的充电时，充/放电模拟器可以通过累积每个电压区间的累积工作时间和/或每个电流区间的累积工作时间和/或每个温度区间的累积工作时间，生成操作特性累积计信息，在充电正在进行时测量或估计SOC和/或电压和/或电流和/或温度以产生最新充电特性信息，并将最新的充电特性信息记录在存储装置中。
此外，如果每个循环的充电完成，则充/放电模拟器可以基于充电完成时间点确定电池Bn的SOH。SOH可以根据在预定充电电压区间通过安培计数法确定的充电容量变化量或通过在预定充电电压区间测量的电压和电流数据的线性回归分析获得的电池内阻来计算，如上面已经描述的。
电池数据提供服务器17可以包括存储通过充/放电循环实验获得的数据的数据库18。在电池Bn的每个充/放电循环中，电池数据提供服务器17可以与电池Bn的标识信息相匹配地将每个循环的操作特性累积信息、每个循环的最新充电特性信息以及每个循环的SOH存储在数据库18中。存储在数据库18中的数据可以从充/放电模拟器通过网络发送。
电池数据提供服务器17可以周期性地将数据库18中存储的包括每个循环的操作特性累积信息、每个循环的最新充电特性信息和每个循环的SOH的辅助训练数据连同电池Bn的标识信息一起通过网络12发送到电池性能管理服务器11。辅助训练数据的数量与充/放电循环实验的次数相对应。例如，如果特定型号的电池的充/放电循环实验进行200次，则辅助训练数据的数量为200。
电池性能管理服务器11可以将从电池数据提供服务器17发送的辅助训练数据与电池Bn的标识信息相匹配地记录在数据库16的训练数据存储单元16b中。
优选地，在辅助训练数据中，操作特性累积信息中包括的与每个电压区间的累积操作时间和/或每个电流区间的累积操作时间和/或每个温度区间的累积操作时间有关的信息可以被转换成频率分布数据并被存储在数据库16的训练数据存储单元16b中。
在将辅助训练数据存储到数据库16中后，电池性能管理服务器11可以通过使用辅助训练数据针对每个电池型号训练辅助人工神经网络100'。
辅助人工神经网络100’的结构类似于图8所示的人工神经网络100的结构，但是不同之处在于根据电动车辆EVn的行驶特性累积信息生成的频率分布数据被输入到的节点被停用。然而，辅助人工神经网络100’的训练方法和其他特征与上述基本相同。
通过互补地使用由从电池数据提供服务器17发送的辅助训练数据训练的辅助人工神经网络100'和由从多个充电站EVCk发送的数据训练的人工神经网络100，电池性能管理服务器11可以确定电动车辆EVn在充电站EVCk处充电后的电池Bn的SOH，并且将用于根据所确定的SOH控制电池Bn的充/放电的控制因子提供给电动车辆EVn的控制系统15。
在下文中，参照图10和图11，下面将详细描述在电动车辆EVn在充电站EVCk处充电时收集人工智能模型的训练数据的过程、确定电池Bn的SOH的过程以及更新用于根据SOH控制电池Bn的充/放电的控制因子的过程。
参照图10，在步骤S10中，电池性能管理服务器11在电动车辆EVn在充电站EVCk处正充电时或在充满电后，通过网络12从充电站EVCk接收电池Bn的标识信息和电动车辆EVn的标识信息以及电池性能评估信息，所述电池性能评估信息包括电动车辆EVn的行驶特性累积信息、电池Bn的操作特性累积信息和最新充电特性信息。在步骤S10中，电池性能管理服务器11可以将通过网络12发送的电池性能评估价信息记录在数据库16的性能评估信息存储单元16a中。
在步骤S20中，电池性能管理服务器11参照最新充电特性信息中包括的电压数据Vk和/或电流数据Ik，确定是否满足允许计算SOH的条件。
在一个示例中，当在预设的SOH估计电压区间内对电池Bn进行充电时测量电压数据Vk时，可以建立SOH计算允许条件。在另一示例中，当电池Bn在预设的SOH估计电压区间内充电并且在可变充电电流条件下测量多个电压数据Vk时，可以建立SOH计算允许条件。
如果步骤S20的确定为是，则执行步骤S30，并且如果步骤S20的确定为否，则执行步骤S60。
在步骤S30中，电池性能管理服务器11通过使用最新充电特性信息中包括的电压数据Vk和/或电流数据Ik来确定电池Bn的SOH。SOH确定方法已经在上面进行了描述。在步骤S30之后，进行步骤S40。
在步骤S40中，电池性能管理服务器11根据电池Bn的操作特性累积信息生成电压和/或电流和/或温度的频率分布数据，并且根据电动车辆EVn的行驶特性累积信息生成速度和/或行驶区域和/或湿度的频率分布数据。在步骤S40之后，进行步骤S50。
在步骤S50中，电池性能管理服务器11将根据操作特性累积信息生成的频率分布数据、根据行驶特性累积信息生成的频率分布数据、最新充电特性信息和步骤S30中确定的电池Bn的SOH与电池Bn的标识信息和/或电动车辆EVn的标识信息相匹配地存储在数据库16的训练数据存储单元16b中。这里，根据操作特性累积信息生成的频率分布数据、根据行驶特性累积信息生成的频率分布数据、最新充电特性信息与训练输入数据相对应，并且电池Bn的SOH与训练输出数据相对应。在步骤S50之后，进行步骤S60。
在步骤S60中，电池性能管理服务器11参照电池Bn的标识信息和/或电动车辆EVn的标识信息，确定是否准备好与电池Bn的型号和/或电动车辆EVn的型号相对应的经训练的人工神经网络100。
作为示例，假设电池Bn的型号为BBB001，并且电动车辆车EVn的型号为EV001。在这种情况下，电池性能管理服务器11确定是否存在通过使用在配备BBB001型号电池的EV001型号电动车辆在充电站EVCK处正充电时收集的超过参考值的数据训练的人工神经网络100。例如，参考值可以是几百到几千。
在步骤S60中，电池性能管理服务器11可以确定是否存在通过从具有相同型号电池Bn的电动车辆EVn和/或相同型号的电动车辆EVn以及参照在步骤S40中生成的行驶区域的频率分布数据的相同的行驶区域收集的数据训练的人工神经网络100。
作为示例，假设电池Bn的型号为BBB001，电动车辆EVn的型号为EV001，并且根据电动车辆EVn的行驶区域产生的频率分布数据的区域变量为韩国的城市。在这种情况下，电池性能管理服务器11确定是否准备好使用在配备BBB001型号电池的EV001型号电动车辆在充电站EVCK处正充电时收集的超过参考值的数据训练的人工神经网络100。例如，参考值可以是几百到几千。
如果步骤S60的确定为是，则进行步骤S70。
在步骤S70中，电池性能管理服务器11将根据电动车辆EVn的行驶特性累积信息生成的频率分布数据、根据电池Bn的操作特性累积信息生成的频率分布数据以及电池Bn的最新充电特性信息中包括的电压数据Vk和温度数据Tk输入到人工神经网络100的输入层101。由于人工神经网络100处于被大于参考值的训练数据训练的状态，所以如果数据通过输入层101输入，则电池Bn的SOH通过输出层103输出。然后，电池性能管理服务器11可以通过人工神经网络100确定电池Bn的当前SOH。在步骤S70之后，进行步骤S80。
此外，如果步骤S60的确定为否，则在步骤S70'中，电池性能管理服务器11可以通过将根据电池Bn的操作特性累积信息生成的频率分布数据(参见图2至图4)以及电池Bn的最新充电特性信息中包括的电压数据Vk和温度数据Tk输入到辅助人工神经网络100’的输入层101’来确定电池Bn的当前SOH。辅助人工神经网络100’是使用从电池数据提供服务器17提供的电池Bn的充/放电循环实验数据预先训练的人工神经网络，并且其训练方法在上文已经描述过。
如果在步骤S70或步骤S70’中确定了电池Bn的当前SOH，则进行图11的步骤S80。
在步骤S80中，电池性能管理服务器11将通过人工神经网络100或辅助人工神经网络100'确定的SOH连同时间戳一起与电动车辆EVn的标识信息和/或电池Bn的标识信息相匹配地存储在数据库16的SOH信息存储单元16d中。在步骤S80之后，进行步骤S90。
在步骤S90中，电池性能管理服务器11通过将在数据库16的SOH信息存储单元16d中记录的电池Bn的先前SOH与当前SOH进行比较来确定当前SOH是否增加超过参考值。
参考值是预先设定的值，并且用于确定是否针对控制电池Bn的充/放电所使用的各种控制因子执行更新逻辑。作为示例，参考值可以是3％至5％。
在一个示例中，控制因子可以是选自应用于每个SOC区段的充电电流大小、充电上限电压值、放电下限电压值、最大充电电流、最大放电电流、最小充电电流、最小放电电流、最高温度、最低温度、每个SOC的功率图、每个SOC的内阻图中的至少一个。
在另一示例中，当电池Bn被脉冲充/放电时，控制因子可以包括选自脉冲电流占空比的上限(脉冲维持时段与脉冲休止时段的比率)、脉冲电流占空比的下限、脉冲电流持续时间的上限、脉冲电流持续时间的下限、脉冲电流的最大值和脉冲电流的最小值中的至少一个。
在又一示例中，当电池Bn被逐步充电时，控制因子可以包括应用于每个SOC区间的充电电流大小。
在又一示例中，当电池Bn以CC/CV模式充电时，控制因子可以包括选自恒流充电(CC)模式下的电流大小、恒流充电(CC)模式结束时的截止电压和恒压充电(CV)模式下的电压大小中的至少一个。
如果步骤S90的确定为是，则进行步骤S100。
在步骤S100中，电池性能管理服务器11参照数据库16的控制因子存储单元16e读取与电池Bn的当前SOH相对应的最新控制因子，并且通过网络12将包括当前SOH和最新控制因子的电池性能评估结果发送到充电站EVCk。
控制因子存储单元16e包括为电池Bn的每个SOH定义控制因子信息的查找表。与电池Bn的标识信息和/或电动车辆EVn的标识信息相匹配地记录查找表。因此，控制因子优选地从与电池Bn的型号和/或电动车辆EVn的型号相对应的查找表中读取。在步骤S100之后，进行步骤S110。
在步骤S110中，充电站EVCk通过网络12接收包括电池Bn的当前SOH和对应的最新控制因子的电池性能评估结果，并且然后通过充电线缆的通信线或短距离无线通信将电池性能评估结果发送到电动车辆EVn的控制系统15。在步骤S110之后，进行步骤S120。
在步骤S120中，电动车辆EVn的控制系统15参照考电池性能评估结果中包括的最新控制因子更新用于控制电池Bn的充/放电的先前控制因子。因此，在充电站EVCk处的充电完成之后，控制系统15可以通过使用根据电池Bn的SOH最优更新的最新控制因子来安全地控制电池Bn的充/放电。
此外，如果步骤S90的确定为否，则进行步骤S130。
在步骤S130中，由于电池Bn的当前SOH没有增加超过参考值，所以电池性能管理服务器11将包括当前SOH的电池性能评估结果连同指示不需要更新控制因子的消息一起通过网络12发送到充电站EVCk。在步骤S130之后，进行步骤S140。
在步骤S140中，如果接收到电池性能评估结果，则充电站EVCk将电池性能评估结果通过充电线缆或短距离无线通信发送到电动车辆EVn的控制系统15。在步骤S140之后，进行步骤S150。
在步骤S150中，电动车辆EVn的控制系统15根据电池性能评估结果检查指示不需要更新先前控制因子的消息，并维持用于控制电池Bn的充/放电的控制因子不变。
虽然图中未示出，但是即使在人工神经网络100被完全训练之后，电池性能管理服务器11也可以在确定电池Bn的SOH时补充地利用辅助人工神经网络100'，。
也就是说，在步骤S70中通过使用人工神经网络100确定电池Bn的SOH(第一值)后，电池性能管理服务器11还可以执行步骤S70'通过使用辅助人工神经网络100’来确定电池Bn的SOH(第二值)。然后，可以将第一值和第二值的加权平均值确定为电池Bn的SOH。在这种情况下，随着用于训练人工神经网络100的训练数据量的增加，被赋予第一值的权重可以比被赋予第二值的权重逐渐增加。
作为示例，被赋予第一值的权重可以被确定为用于训练人工神经网络100的数据与用于训练人工神经网络100和辅助人工神经网络100'的数据总量的比率。
根据上述修改实施方式，随着人工神经网络100被重复训练，电池Bn的SOH收敛到人工神经网络100确定的SOH(第一值)。相反，如果用于训练人工神经网络100的训练数据量小，则电池Bn的SOH收敛到由辅助人工神经网络100确定的SOH(第二值)。
在本公开中，电动车辆EVn的控制系统15可以通过安装在电动车辆EVn上的集成控制显示面板使用图形用户界面向驾驶员提供包括在从充电站EVCk发送的电池性能评估结果中的电池Bn的当前SOH。优选地，图形用户界面可以包括指示SOH的数字仪表和/或图形仪表。
另外，如上所述根据本公开的实施方式的电池性能管理系统10还可以包括保险公司服务器19，该保险公司服务器19通过网络12可通信地连接到电池性能管理服务器11。
在这种情况下，电池性能管理服务器11可以被配置为将SOH以及电动车辆EVn的总行驶距离和电动车辆EVn的标识信息发送到保险公司服务器19。当电动车辆EVn在充电站EVCk处充电时，电动车辆EVn的总行驶距离可以从电动车辆EVn的控制系统15通过充电站EVCk发送。
保险公司服务器19可以被配置为通过使用SOH信息参照电动车辆EVn的标识信息计算对应电动车辆EVn的保险费。
也就是说，保险公司服务器19可以通过随着电池Bn的SOH更高而增加电动车辆EVn的折旧率来计算电动车辆EVn的价格。另外，如果电池Bn的SOH与电动车辆EVn的总行驶距离相比大于平均值，则保险公司服务器19可以假设驾驶员的驾驶习惯不好，并由于提高了因车祸导致的风险率而增加保险费。
显然，保险公司服务器19计算出的保费可以存储在保险公司服务器19的数据库(未示出)中，然后在为电动车辆EVn续保时参考。
根据本公开的实施方式的使用电动车辆充电站的电池性能管理方法可以用多个处理器执行命令进行编码，然后被存储在提供给电池性能管理服务器11的非暂时性存储设备11a(图1)中。处理器执行命令可以允许包括在电池性能管理服务器11中的处理器11b(图1)执行至少一些上述步骤。另选地，可以在电池性能管理服务器11中提供硬件逻辑电路以代替处理器执行命令执行上述步骤中的至少一些。硬件逻辑电路可以是ASIC(专用集成电路)或FPGA(现场可编程门阵列)。然而，对于本领域技术人员来说显而易见的是，上述实施方式的步骤不仅可以由特定的处理器执行命令、特定的硬件电路或它们的组合来执行，还可以由其他众所周知的软件、硬件电路或其组合来执行。
根据本发明，由于使用了与多个充电站联接的基于大数据的人工智能平台系统根据电动车辆的行驶历史和电池的操作历史，对电池的性能进行可靠地评估，并优化用于控制电池充/放电的控制因子，所以不仅可以延长电池的使用寿命，而且还可以提高安全性。
通过为电动车辆用户提供高可靠的电池性能管理服务，可以在合适的时间点引导更换电池，以及提高电池制造商的可靠性。
通过构建反映电动车辆用户驾驶倾向的具有电池性能评估信息的基于大数据的数据库，该数据库可以作为汽车保险公司准确的保费计算数据。
在本公开的各种示例性实施方式的描述中，应当理解，被称为“服务器”的元件在功能上而非物理上是有区别的。因此，每个元件可以选择性地与其他元件素集成，或者每个元件可以被划分为子元件以有效实现控制逻辑。然而，对于本领域技术人员来说显而易见的是，如果能够确认集成或分离的元件的功能同一性，则集成或分离的元件落入本公开的范围内。
已经详细地描述了本公开。然而，应当理解，尽管指示本公开的优选实施方式，但是详细描述和具体示例仅仅是通过例示给出，因为本公开的范围内的各种变化和修改从此详细描述中将对于本领域技术人员变得明显。

Claims (17)

1.一种使用电动车辆充电站的电池性能管理系统，所述电池性能管理系统包括:
电池性能管理服务器，所述电池性能管理服务器通过网络能通信地连接到被安装成分布在一个区域内的多个充电站；以及
数据库，所述数据库与所述电池性能管理服务器连接并被配置为存储电动车辆的SOH信息，
其中，所述电池性能管理服务器被配置为：
通过所述网络从所述充电站收集电池性能评估信息，并且将所述电池性能评估信息存储在所述数据库中，所述电池性能评估信息包括电池的标识信息和操作特性累积信息、所述电动车辆的标识信息和行驶特性累积信息以及所述电池的最新充电特性信息，
通过使用在接收所述电池性能评估信息前预先训练的人工智能模型来确定与所收集的电池性能评估信息相对应的当前SOH并输出所述电池的SOH，
在所述当前SOH与先前SOH相比增加参考值或更多时，通过参照所述数据库使用所述SOH与用于控制电池操作的控制因子之间的相关信息，确定与所述当前SOH相对应的最新控制因子，并且
将所述最新控制因子通过所述网络发送到所述充电站，使得所述充电站将所述最新控制因子发送到所述电动车辆的控制系统以更新所述控制因子。
2.根据权利要求1所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池的操作特性累积信息包括选自由每个电压区间的累积操作时间、每个电流区间的累积操作时间和每个温度区间的累积操作时间组成的组中的至少一个。
3.根据权利要求1所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电动车辆的所述行驶特性累积信息包括选自由每个速度区间的累积行驶时间、每个行驶区域的累积行驶时间和每个湿度区间的累积行驶时间组成的组中的至少一个。
4.根据权利要求2或3所述的使用电动车辆充电站的电池性能管理系统，
其中，所述最新充电特性信息包括选自由在多个时间点测量或估计的电池的SOC数据、电压数据、电流数据和温度数据组成的组中的至少一个。
5.根据权利要求1所述的使用电动车辆充电站的电池性能管理系统，
其中，每当从多个电动车辆充电站接收到所述电池性能评估信息时，当确定所述最新充电特性信息包括足以确定所述电池的当前SOH的数据时，所述电池性能管理服务器被配置为：根据所述最新充电特性信息确定所述电池的所述当前SOH，将所述电池的所述操作特性累积信息、所述电动车辆的所述行驶特性累积信息和所述最新充电特性信息存储在所述数据库中作为所述人工智能模型的训练输入数据，并且将所述电池的所述当前SOH存储在所述数据库中作为所述人工智能模型的训练输出数据。
6.根据权利要求5所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池性能管理服务器被配置为每当超过参考值的训练输入数据和训练输出数据被累积存储在所述数据库中时，重复训练所述人工智能模型。
7.根据权利要求5所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池性能管理服务器被配置为：
将所述训练输入数据和所述训练输出数据与所述电池的标识信息和/或所述电动车辆的标识信息和/或所述电动车辆的行驶区域相匹配地存储在所述数据库中，并且
每当超过参考值的训练输入数据和训练输出数据与所述电池的标识信息和/或所述电动车辆的标识信息和/或所述电动车辆的行驶区域相匹配地被累积存储时，将所述人工智能模型重复训练为与所述电池的标识信息和/或所述电动车辆的标识信息和/或所述电动车辆的行驶区域相对应。
8.根据权利要求7所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池性能管理服务器被配置为通过使用训练为与所述电池的标识信息和/或所述电动车辆的标识信息和/或所述电动车辆的行驶区域相对应的人工智能模型分析所述电池性能评估信息来确定所述电池的SOH。
9.根据权利要求1所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池性能管理服务器被配置为通过所述网络从所述电池数据提供服务器接收每当对所述电池执行每个充/放电循环时测量的每个循环的SOH和每个循环的性能评估信息，将每个循环的SOH和每个循环的性能评估信息存储在所述数据库中，所述性能评估信息包括所述操作特性累积信息和所述最新充电特性信息，并且
其中，所述电池性能管理服务器还包括辅助人工智能模型，所述辅助人工智能模型被训练为通过使用存储在所述数据库中的每个循环的SOH和每个循环的性能评估信息，根据所述电池的所述操作特性累积信息和所述最新充电特性信息输出SOH。
10.根据权利要求9所述的使用电动车辆充电站的电池性能管理系统，
其中，当所述人工智能模型没有完全训练好时，所述电池性能管理服务器被配置为通过将所述电池性能评估信息中包括的所述电池的所述操作特性累积信息和所述最新充电特性信息输入到所述辅助人工智能模型中来确定所述电池的SOH。
11.根据权利要求9所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池性能管理服务器被配置为：
通过将所述电池性能评估信息中包括的所述电池的所述操作特性累积信息和所述最新充电特性信息输入到所述辅助人工智能模型中来确定所述电池的SOH，并且
确定由所述人工智能模型确定的SOH和由所述辅助人工智能模型确定的SOH的加权平均值作为所述电池的SOH。
12.根据权利要求11所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池性能管理服务器被配置为随着所述人工智能模型的训练量的增加，在计算所述加权平均值时增大赋予给所述人工智能模型的SOH的权重。
13.根据权利要求1所述的使用电动车辆充电站的电池性能管理系统，
其中，所述人工智能模型是人工神经网络。
14.根据权利要求1所述的使用电动车辆充电站的电池性能管理系统，
其中，所述控制因子包括：
选自应用于每个SOC区段的充电电流大小、充电上限电压值、放电下限电压值、最大充电电流、最大放电电流、最小充电电流、最小放电电流、最高温度、最低温度、每个SOC的功率图、每个SOC的内阻图中的至少一个；
选自脉冲电流占空比(脉冲维持时段与脉冲休止时段的比值)的上限、脉冲电流占空比的下限、脉冲电流持续时间的上限、脉冲电流持续时间的下限、脉冲电流的最大值和脉冲电流的最小值中的至少一个；或者
选自恒流充电(CC)模式下的电流大小、所述恒流充电(CC)模式结束时的截止电压和恒压充电(CV)模式下的电压大小中的至少一个。
15.根据权利要求1所述的使用电动车辆充电站的电池性能管理系统，
其中，所述电池性能管理服务器被配置为将所述电动车辆的行驶距离、当前SOH和所述电动车辆的标识信息发送到保险公司服务器，并且
其中，所述保险公司服务器被配置为参照所述电动车辆的标识信息通过使用所述电动车辆的所述当前SOH和所述行驶距离为相应的电动车辆计算保险费。
16.一种使用电动车辆充电站的电池性能管理方法，所述电池性能管理方法包括：
在电动车辆在充电站处充电时，通过网络从所述充电站收集电池性能评估信息，并且将所述电池性能评估信息存储在数据库中，所述电池性能评估信息包括电池的标识信息和操作特性累积信息、所述电动车辆的标识信息和行驶特性累积信息以及所述电池的最新充电特性信息；
通过使用在接收所述电池性能评估信息前预先训练的人工智能模型来确定与所收集的电池性能评估信息相对应的当前SOH并输出所述电池的SOH；
在所述当前SOH与先前SOH相比增加参考值或更多时，通过使用SOH与用于控制电池操作的控制因子之间的相关信息，确定与所述当前SOH相对应的最新控制因子；以及
将所述最新控制因子通过所述网络发送到所述充电站，使得所述充电站将所述最新控制因子发送到所述电动车辆的控制系统以更新所述控制因子。
17.一种计算机设备，所述计算机设备包括：
非暂时性存储设备，所述非暂时性存储设备被配置为存储多个处理器执行命令；以及
处理器，所述处理器被配置为执行多个处理器执行命令，
其中，通过执行所述处理器执行命令，所述处理器被配置为：
(a)通过网络从充电站接收电池性能评估信息，所述电池性能评估信息包括电池的标识信息和操作特性累积信息、电动车辆的标识信息和行驶特性累积信息以及所述电池的最新充电特性信息，
(b)根据所述电池性能评估信息来训练人工智能模型以输出所述电池的SOH，
(c)使用经训练的人工智能模型确定与所收集的电池性能评估信息相对应的当前SOH，
(d)从数据库读取所述电池的先前SOH，
(e)在所述当前SOH与所述先前SOH相比增加参考值或更多时，通过使用所述SOH与用于控制电池操作的控制因子之间的相关信息，确定与所述当前SOH相对应的最新控制因子，并且
(f)通过所述网络向所述充电站发送所述最新控制因子。
CN202180005576.5A 2020-03-24 2021-03-24 使用电动车辆充电站的电池性能管理系统和方法 Pending CN114450706A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
KR10-2020-0035892 2020-03-24
KR20200035892 2020-03-24
KR10-2021-0037625 2021-03-23
KR1020210037625A KR102627949B1 (ko) 2020-03-24 2021-03-23 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
PCT/KR2021/003673 WO2021194267A1 (ko) 2020-03-24 2021-03-24 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법

Publications (1)

Publication Number Publication Date
CN114450706A true CN114450706A (zh) 2022-05-06

Family

ID=77892775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180005576.5A Pending CN114450706A (zh) 2020-03-24 2021-03-24 使用电动车辆充电站的电池性能管理系统和方法

Country Status (6)

Country Link
US (1) US20220281345A1 (zh)
EP (1) EP4064174A4 (zh)
JP (2) JP7269437B2 (zh)
KR (1) KR20240010078A (zh)
CN (1) CN114450706A (zh)
WO (1) WO2021194267A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210136496A (ko) * 2020-05-08 2021-11-17 현대자동차주식회사 빅데이터를 이용한 배터리 수명 예측 시스템
KR20210142875A (ko) 2020-05-19 2021-11-26 현대자동차주식회사 빅데이터를 이용한 차량 파워 제어 시스템
KR20210144171A (ko) 2020-05-21 2021-11-30 현대자동차주식회사 분산 클라우딩을 이용한 차량 제어 시스템
US11615048B2 (en) * 2021-03-05 2023-03-28 Aspeed Technology Inc. Adaptive serial general-purpose input output interface and signal receiver thereof
KR20230157115A (ko) * 2022-05-09 2023-11-16 주식회사 에이젠글로벌 e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하기 위한 배터리 포트폴리오 설정 방법 및 이러한 방법을 수행하는 장치
KR20230159013A (ko) * 2022-05-13 2023-11-21 주식회사 에이젠글로벌 e-모빌리티 배터리 가치 판단 결과를 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
CN117200393B (zh) * 2023-09-12 2024-04-26 陕西太瓦时代能源科技有限公司 一种储能电站的运行数据处理方法及系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4252909B2 (ja) 2004-02-13 2009-04-08 株式会社日立製作所 車両診断システム
JP4661250B2 (ja) 2005-02-09 2011-03-30 富士電機ホールディングス株式会社 予測方法、予測装置および予測プログラム
US20110082621A1 (en) * 2009-10-02 2011-04-07 Eric Berkobin Method and system for predicting battery life based on vehicle battery, usage, and environmental data
KR20130082959A (ko) * 2011-12-26 2013-07-22 주식회사 케이티 전기자동차 관리 서비스 시스템 및 이를 이용한 서비스 방법
JP5362930B1 (ja) 2013-07-04 2013-12-11 レスク株式会社 電動車両用バッテリ交換システム及びプログラム
KR102215450B1 (ko) * 2014-06-24 2021-02-15 삼성전자주식회사 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
SG11202005953UA (en) * 2017-12-27 2020-07-29 Future Science Res Inc Secondary battery management device and secondary battery management program
CN111630399A (zh) * 2018-03-20 2020-09-04 本田技研工业株式会社 电池
WO2019235645A1 (ja) * 2018-06-08 2019-12-12 パナソニックＩｐマネジメント株式会社 バッテリ管理システム及びバッテリ管理方法
KR20200011828A (ko) * 2018-07-25 2020-02-04 주식회사 아이비스 보험료 관리시스템 및 그 관리방법
US20210181256A1 (en) * 2018-07-31 2021-06-17 Honda Motor Co., Ltd. Estimation system, estimation device, estimation method, program, and storage medium
CN112534671A (zh) 2018-08-28 2021-03-19 本田技研工业株式会社 提示装置、提示方法以及程序
KR102297688B1 (ko) 2018-09-27 2021-09-06 연세대학교 산학협력단 후각 검사용 키트
KR20190100114A (ko) * 2019-08-09 2019-08-28 엘지전자 주식회사 배터리 장치 및 그 제어 방법
CN111416997B (zh) 2020-03-31 2022-11-08 百度在线网络技术（北京）有限公司 视频播放方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
JP2023103268A (ja) 2023-07-26
JP7487380B2 (ja) 2024-05-20
KR20240010078A (ko) 2024-01-23
WO2021194267A1 (ko) 2021-09-30
JP2022547002A (ja) 2022-11-10
JP7269437B2 (ja) 2023-05-08
EP4064174A4 (en) 2023-01-11
EP4064174A1 (en) 2022-09-28
US20220281345A1 (en) 2022-09-08

Similar Documents

Publication Publication Date Title
KR102627949B1 (ko) 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법
CN114450706A (zh) 使用电动车辆充电站的电池性能管理系统和方法
JP7381742B2 (ja) バッテリーサービス提供システム及び方法
CN111612204B (zh) 用于优化电池组的性能的系统、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
US20210373082A1 (en) Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store
JP2019122253A (ja) 使用状況に基づいてバッテリを管理するためのシステムおよび方法
KR102527334B1 (ko) 배터리 관리 장치 및 방법
CN101903786B (zh) 基于远程信息处理的用于车队的电池寄生负载确认的方法和系统
JP2013516614A (ja) 電池の劣化度を取得するための方法及びそのシステム
CN112368198A (zh) 车辆动力管理系统和方法
CN114600298A (zh) 用于对电池的老化状态进行预测的方法
EP3862764B1 (en) Battery deterioration judging system, battery deterioration judging method, and battery deterioration judging program
JP2014013245A (ja) 電池劣化度モデルの生成及び更新方法
CN116700296A (zh) 基于深度学习的自主充电无人电动车智能规划方法及系统
KR20220075123A (ko) 전기 버스의 배터리 상태 분석 서비스 시스템
JP7380585B2 (ja) 蓄電素子評価装置、コンピュータプログラム、蓄電素子評価方法、学習方法及び生成方法
US20220099752A1 (en) Method and Apparatus for Machine-Individual Improvement of the Lifetime of a Battery in a Battery-Operated Machine
CN114325397A (zh) 用于训练基于人工智能的状态模型的方法和装置
Helmus et al. SEVA: A data driven model of electric vehicle charging behavior
US20230213587A1 (en) Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin
CN116542377A (zh) 一种电动汽车充电站的规划方法
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
US20220099751A1 (en) Method and Apparatus for Operating a System for Providing States of Health of Electrical Energy Stores for a Multiplicity of Devices with the Aid of Machine Learning Methods
WO2023032042A1 (ja) 情報処理装置、情報処理方法、及び管理システム

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