CN114651183A - 电池性能预测 - Google Patents

电池性能预测 Download PDF

Info

Publication number
CN114651183A
CN114651183A CN202080077333.8A CN202080077333A CN114651183A CN 114651183 A CN114651183 A CN 114651183A CN 202080077333 A CN202080077333 A CN 202080077333A CN 114651183 A CN114651183 A CN 114651183A
Authority
CN
China
Prior art keywords
data
test
battery
battery performance
determining
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
CN202080077333.8A
Other languages
English (en)
Inventor
R·M·李
友田洋子
A·康德拉科夫
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.)
BASF SE
Original Assignee
BASF SE
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 BASF SE filed Critical BASF SE
Publication of CN114651183A publication Critical patent/CN114651183A/zh
Pending legal-status Critical Current

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]
    • G01R31/367—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
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/003—Measuring mean values of current or voltage during a given time interval
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

提出了用于在测试环境中的电池构造研制期间确定电池性能的测试系统(110)。测试系统(110)包括至少一个通信接口(114)和至少一个处理设备(122)。测试系统(110)被配置用于经由通信接口(114)接收指示至少一个测试协议的操作数据。测试系统(110)被配置用于经由通信接口(114)接收电池性能输入数据。处理设备(122)被配置用于使用至少一个数据驱动模型基于电池性能输入数据和操作数据来确定指示电池性能的至少一个状态变量的至少一个预测时间序列。测试系统(110)被配置用于提供状态变量的预测时间序列的至少部分。

Description

电池性能预测
技术领域
本发明涉及一种用于在测试环境中的电池构造研制期间确定电池性能的测试系统，以及一种被配置用于基于至少一个测试协议对至少一个电池执行至少一项电池性能测试的测试台。本发明进一步涉及一种用于确定至少一个数据驱动模型以便在测试环境中的电池构造研制期间确定电池性能的方法，一种用于在测试环境中的电池构造研制期间确定电池性能的计算机实现方法，以及用于在测试环境中的电池构造研制期间确定电池性能的计算机程序。待测电池可被用于诸如电动汽车的汽车工业，用于诸如智能电话、膝上型计算机等的消费设备，以及用于储存例如从可再生能源中获得的能量的能量存储设备。根据本发明的方法、设备和系统特别可用于确定测试台上的电池的寿命。其他应用是可能的。
背景技术
电池在不同的技术领域中使用，诸如用于加速特别是电动汽车的车辆，用在消费设备中，并且甚至用作用于储存例如从可再生能源获得的能量的能量存储设备。电池性能可能随时间改变。具体而言，电池性能可能取决于充电和放电循环的次数而退化。电池性能的可靠并且快速的预测在所有上述技术领域中都是必须的。
为了开发用于特定应用的新的先进电池材料，特别是阴极材料，通过执行多次实验来测试电池性能。随后，分析实验结果并且待测阴极材料可被分类为“好”或“坏”的阴极材料。所获得的测试结果可用于确定是否需要调整阴极材料。
在电池的开发期间使用用于确定电池性能的已知测试方法需要长的测试时间。具体而言，在测试台上确定电池性能通常需要在电池寿命中的多个充放电循环并且可能持续数月。例如，通常花费六个月直到可以确定所使用的阴极材料是否可以被分类为“好”或“坏”的阴极材料。这花费较长时间并且导致长研制时间。长测试时间甚至可能对测试台容量的逻辑规划造成问题。通常可能管理超过100个通道并且需要测试台的可靠容量预测。
Kristen A.Severson等人的“Data-driven prediction of battery cycle lifebefore capacity degradation”，Nature Energy，https://doi.org/10.1038/s41560-019-0356-8描述了预测锂离子电池的寿命以便加速技术开发。基于早期循环的放电电压曲线被用于展示容量退化，并且描述了机器学习工具以通过循环寿命对电池单元进行预测和分类。
US2019/0115778A1描述了一种探测电池单元测试协议的多维参数空间的方法，该方法包括针对多个待测电池单元定义参数空间，离散化参数空间、收集处于循环到故障的单元的初步集合以便从参数空间中采样策略并且包括策略的多次重复，指定资源超参数、参数空间超参数和算法超参数，选择充电策略的随机子集，测试充电策略的随机子集直到达到电池寿命的早期预测所需的循环次数，将早期预测的循环数据输入早期预测算法中以获得早期预测，将早期预测输入最优实验设计(OED)算法以获得用于运行至少一个下次测试的建议，通过重复上面的随机子集测试步骤运行所建议的测试，以及验证最终的推荐策略。
WO2019/017991A1描述了一种用于车辆的电池管理系统(BMS)，包括用于实时估计可充电电池的状态，诸如其荷电状态的模块。该模块包括用于基于除了所感测的电池的电压、电流和温度之外的对于车辆特有的车辆的使用和相关因素来预测电池状态的学习模型。
待解决的问题
因此希望提供解决上述技术挑战的方法和设备。具体而言，应当提供用于在测试环境中的电池构造研制期间确定电池性能的设备和方法，这确保了电池材料的测试台中的测量时间的减少。此外，应当确保所需实验次数的减少，以便以更少的时间加速对于具体应用的阴极材料的修改。
发明内容
该问题通过具有独立权利要求的特征的用于在测试环境中的电池构造研制期间确定电池性能的测试系统，被配置为用于基于至少一个测试协议对至少一个电池执行至少一项电池性能测试的测试台，用于确定至少一个数据驱动模型以便在测试环境中的电池构造研制期间确定电池性能的方法，用于在测试环境中的电池构造研制期间确定电池性能的计算机实施方法，以及用于在测试环境中的电池构造研制期间确定电池性能的计算机程序来解决。可以以独立方式或以任何任意组合实现的有利实施方案在从属权利要求中列出。
如在下文中使用的，术语“具有”、“包含”或“包括”或其任意语法变体以非排他性方式使用。因此，这些术语既可以指除了由这些术语引入的特征之外，在该上下文中描述的实体中不存在其他特征的情况，也可以指存在一个或多个其他特征的情况。例如，表述“A具有B”、“A包括B”和“A包含B”都可以指除B之外，A中不存在其他元素的情况(即A仅仅并且排他地由B组成的情况)，也可以指除B外，实体A中还存在一个或多个其他元素，例如元素C、元素C和D甚至其他元素的情况。
此外，应注意指示特征或元素可以出现一次或多于一次的术语“至少一个”、“一个或多个”或类似的表述通常在介绍相应特征或元素时仅使用一次。在下文中在大多数情况下，当提及相应的特征或元素时将不重复表述“至少一个”或“一个或多个”，尽管相应的特征或元素可以存在一次或多于一次。
此外，如在下文中使用的，术语“优选地”、“更优选地”、“特别地”、“更特别地”、“具体地”、“更具体地”或类似术语与可选特征结合使用，而不限制替代可能性。因此，由这些术语引入的特征是可选特征并且不旨在以任何方式限制权利要求的范围。如本领域技术人员将认识到的，本发明可以通过使用替代特征来实施。类似地，由“在本发明的实施例中”或类似表述引入的特征旨在是可选特征，而对本发明的替代实施例没有任何限制，对本发明的范围没有任何限制，并且对以这种方式引入的特征与本发明的其他可选或非可选特征相结合的可能性没有任何限制。
在本发明的第一方面，提出了用于在测试环境中的电池构造研制期间确定电池性能的测试系统。测试系统包括至少一个通信接口和至少一个处理设备。测试系统被配置用于经由通信接口接收指示至少一个测试协议的操作数据。测试系统被配置用于经由通信接口接收电池性能输入数据。处理设备被配置用于基于电池性能输入数据和使用至少一个数据驱动模型的操作数据来确定指示电池性能的至少一个状态变量的至少一个预测时间序列。测试系统被配置用于提供状态变量的至少部分的预测时间序列。
在电池开发过程中，关于性能和/或特性和/或行为，特别是充电和放电特性和/或行为随时间的发展，使用和测试不同的材料和材料组合物。这些测试可以在预定义的测试条件(诸如温度条件等)内的测试环境中执行。具体地，测试环境可以是被配置用于将至少一个测试应用于电池，特别是应用于多个电池的测试台。在这些测试期间，待测电池可以按照至少一个测试协议经历多个充电-放电循环。与其中在容量衰减到电池的初始值的80％之前仅确定充电循环次数的电池质量控制相比，电池开发中的电池测试更为复杂。对于在电池开发期间的电池测试，需要确定电池特性的时间特征和随时间的发展。本发明提出了一种测试系统，该测试系统允许在电池开发期间基于电池性能输入数据，无需长期测试而仅通过使用经训练的数据驱动模型来预测电池性能。
如本文所使用的术语“测试系统”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义而不限于专有或定制的含义。该术语具体可以指但不限于包括一个或多个单元的设备，该设备被配置用于确定和/或预测电池性能，特别是充电和放电特性和/或行为随时间的发展。
如本文所使用的术语“电池”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义而不限于专有或定制的含义。该术语具体可以指包括但不限于至少一个阳极、至少一个阴极和至少一种电解质的电化学电池。具体而言，该电池被配置为将化学能转换为电能，反之亦然。该电池可以是能量存储设备。电池可以是可充电电池。如本文所使用的，术语“充电”指将从外部来源提供的电能转换成电池中的化学能。如本文所使用的，术语“放电”指将电池的化学能转化为电能。电池可以选自由以下组成的组：锂离子电池(Li-Ion)；镍镉电池(Ni-Cd)；镍金属氢化物电池(Ni-MH)。例如，电池可以包括选自由以下组成的组中的至少一种阴极材料：LiCoO2(锂钴氧化物)；LiNixMnyCozO2(锂镍锰钴氧化物)和LiFePO4(磷酸铁锂)。例如，电池可以包括选自由以下组成的组中的至少一种阳极材料：石墨、硅。例如，电池可以包含选自由如下组成的组中的至少一种电解质：在诸如碳酸亚乙酯、碳酸二甲酯和碳酸二乙酯的有机溶剂中的LiPF6、LiBF4或LiClO4。
本文中所使用的术语“在电池开发期间的电池性能”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于电池行为随时间的发展。电池性能可以通过一个或多个参数，诸如充电容量、放电容量、放电电流、充电-放电曲线、平均电压、开路电压、微分电容、库仑效率或内部电阻随时间的发展来表征。特别是，通过确定这些参数中的至少一个参数的预测时间序列来确定在电池开发期间的电池性能。如本文所使用的术语“时间序列”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于按时间顺序排列的数据流。
如本文中所使用的术语电池的“容量”指电池在额定电压下传输的电荷量。如本文所使用的术语“充电容量”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于可以被充电到电池的容量。如本文所使用的术语“放电容量”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于可以从电池放电的容量。
如本文所使用的术语“放电电流”(也被标记为C-rate)是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特定或定制的含义。该术语具体可以指但不限于电池相对于其最大容量被放电或充电的速率的度量。
如本文所使用的术语“充电-放电曲线”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于基于电池容量的充电和放电电压的发展。充电和/或放电曲线的形状可以通过预定义的电压间隔上的容量变化来参数化。充电和/或放电曲线的形状可以包含关于电化学和退化机制的信息。
如本文所使用的术语“平均电压”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于其放电循环的中间点的额定电压。
如本文所使用的术语“开路电压”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于未施加负载的电池的端子之间的电压。
如本文所使用的术语“微分电容”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于电容Q对于电压E的一阶导数dQ/dE。
如本文所使用的术语“库仑效率”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于电子通过其转移的充电效率。
如本文所使用的术语“内阻”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于随着电池老化而增加的电池电阻。除此之外，内阻可以给出材料表面的老化程度的度量。
上面列出的参数可用于确定电池性能，特别是预测电池性能随时间的发展。在这些参数和电池性能之间的关系对于本领域技术人员来说通常是已知的。
如本文所使用的术语“确定电池性能”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于对未来值的时间序列和/或至少一个状态变量的随时间发展进行预测、估计和分类中的一个或多个。电池性能的确定可以具有对于时间序列的电池性能的至少一个预测作为输出或结果。为了确定预测的时间序列，可以针对多个未来时间点迭代地确定不同时间点的状态变量的值的预测。如本文所使用的术语“预测”是指状态变量在未来的预期值。电池性能确定的结果可以是状态变量的预测时间序列，诸如示出状态变量随时间发展的直方图。电池性能的确定可以包括预测电池寿命和/或分类。如本文所使用的术语“分类”可以指电池和/或阴极材料的分类，例如作为“好”或“坏”。例如，如果在未来时间点的状态变量满足预定或预定义状态和/或所确定的寿命高于预定或预定义限制，则电池可以被分类为“好”。例如，如果状态变量的预测时间序列不满足预定或预定义条件，则电池可被分类为“坏”。例如，如果在未来时间点的状态变量不满足预定或预定义条件和/或所确定的寿命低于预定或预定义限制，则电池可被分类为“坏”。测试系统可以包括至少一个输出接口，其被配置用于输出至少一个输出，该输出包括关于状态变量的预测时间序列的至少部分的信息。
如本文所使用的术语“处理装置”是广义术语并且被赋予对于本领域普通技术人员其普通和关于的含义而不限于特殊或定制的含义。该术语具体可以指但不限于被配置用于执行计算机或系统的基本操作的任意逻辑电路，和/或通常被配置用于执行计算或逻辑操作的设备。处理设备可以包括至少一个处理器和/或处理单元。特别地，处理设备可以被配置用于处理驱动计算机或系统的基本指令。例如，处理设备可以包括至少一个算术逻辑单元(ALU)，诸如数学协处理器或数字协处理器的至少一个浮点单元(FPU)，诸如高速缓存的多个寄存器和存储器。特别地，处理设备可以是多核处理器。具体地，处理设备可以是或者可以包括中央处理单元(CPU)。可选择地或附加地，处理设备可以是或可以包括一个或多个专用集成电路(ASIC)和/或一个或多个现场可编程门阵列(FPGA)等。
如本文所使用的术语“通信接口”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于形成被配置用于传递信息的边界的项目或元素。特别地，通信接口可以被配置用于将信息从例如计算机的计算设备传输信息，例如发送或输出信息到例如另一个设备。附加地或作为替代，通信接口可以被配置用于将信息传送到计算设备上，例如到计算机上以诸如接收信息。通信接口可以专门提供用于传输或交换信息的通道。特别地，通信接口可以提供数据传输连接，例如蓝牙、NFC、电感耦合等。作为示例，通信接口可以是或可以包括至少一个端口，该端口包括网络或互联网端口、USB端口和磁盘驱动器中的一个或多个。通信接口可以是至少一个网络接口。
测试系统可以包括至少一个数据库。如本文所使用的术语“数据库”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于信息的任意集合，诸如存储在至少一个数据存储设备中的信息。数据库可以包括具有其中所存储信息的至少一个数据存储设备。特别地，数据库可以包含信息的任意集合。数据库可以是或可以包括选择由以下各项组成的组的至少一个数据库：至少一个服务器，至少一个包括多个服务器的服务器系统，至少一个云服务器或云计算架构。数据库可以包括至少一个存储单元，该存储单元被配置为存储经由通信接口接收的数据。
如本文所使用的术语“操作数据”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于与关于在测试台中的电池上执行的至少一个测试程序的信息有关的数据，特别是操作条件、测试顺序、过程等中的一个或多个。指示至少一个测试协议的操作数据例如包括不同的充电循环和/或放电循环的至少一个序列。如本文所使用的术语“测试协议”是广义术语并且被赋予对于本领域普通技术人员其普通和关于的含义而不限于特殊或定制的含义。该术语可具体指但不限于在测试台中的电池上依据其执行多个不同测试程序的指南。测试协议可以预定义。测试协议可以是已知的。特别地，诸如放电电流和恒定电压操作的持续时间的量可以由测试协议控制和/或定义。可以根据至少一种标准来执行测试协议。测试协议可以对于每个测试设置都是特定的。如将在下文详细概述的，测试协议可以允许预测电池材料的性能，特别是阴极和/或阳极的性能。测试协议可以定义测试程序的顺序和/或测试程序的序列和/或每个测试程序的持续时间。每个测试程序可以包括至少一个充电-放电循环，其中至少两个测试程序的充电-放电循环有区别。测试协议可以包括关于至少一个电池性能测试的信息。电池性能测试可以包括不同的充电循环和/或放电循环的至少一个序列。在电池性能测试中，可以针对每个循环确定放电-充电曲线。电池性能测试可由客户执行。客户可经由通讯接口向测试系统提供电池性能输入数据。测试协议也被称为测试程序，可以包括不同的块以确定不同的材料特性。例如，循环测试协议可以对于每个循环具有充电步骤，然后是放电步骤，其中可以包括步骤之间的可选静止。充电步骤可以对电池单元施加恒定电流直到电池单元电压达到预定阈值，然后保持电压直到电流下降到低于另一预定阈值或达到时间阈值。放电步骤可以保持恒定电流直到电压下降到低于预定阈值。可以连续执行多个这种循环以测量电池单元的老化。
具体而言，数据驱动模型基于指示至少一个测试协议的操作数据和电池性能输入数据而被参数化。数据驱动模型可以使用遵循至少一个测试协议的过去和未来充电-放电循环的知识来预测未来的电池性能。特别地，关于过去和未来充电-放电循环的知识可以用作数据驱动模型的输入。数据驱动模型可以考虑每个时间步骤的先前或前一测量值、由数据驱动模型做出的先前或前一预测以及由至少一个测试协议控制和/或定义的量的未来值。数据驱动模型可以使用过去的充电-放电循环的知识来预测未来，特别是未来的电池性能。数据驱动模型可以使用来自测试协议的未来充电-放电循环的知识来预测未来的电池性能。测试协议可以控制和/或定义诸如放电电流、充电电流、静止步骤、用于开始新循环的阈值等的变量。具体而言，所控制和/或定义的量的未来值的知识用于预测未来的电池性能。特别地，由测试协议预定义的关于电池在某个未来周期期间将承受多大压力的信息可用作预测未来电池性能的附加和有用的信息。因此，本发明特别解决了允许评估未来的电池状态的问题，或者换句话说电池在N个未来操作的循环之后将提供多少电能，其中可以通过循环程序和/或测试协议指定操作的细节。本发明提出特别使用测试协议，并且由此使用经规划的循环程序作为数据驱动模型的输入。在协议中使用未来测试参数的知识的信息可以允许进一步改进性能的预测。特别地，所定义的特别是预定义的和/或已知的测试协议的使用允许拥有和使用过去和未来的充电-放电循环的知识。相比之下，在例如如WO 2019/017991A1中所述的车辆的电池管理系统中，其中电池使用未遵循测试协议，因此只能考虑来自先前的电池使用的数据，特别是非结构化历史数据。WO 2019/017991A1仅预测电池具有当前剩余的某个循环次数，而本发明特别提出如果进一步以遵循测试协议的预定义方式处理电池，则可以预测未来剩余多少循环。本发明可以允许基于或考虑遵循测试协议的使用来预测电池的未来能力。
具体地，数据驱动模型可以具有时间存储器和/或数据驱动模型可以是时间相关模型。可以将输入数据馈送到包括关于在某个时间点获得的测量数据的信息的数据驱动模型中。数据驱动模型可以提供至少一个输出，特别是所谓的“潜在”变量。潜在变量可以包括关于所预测的未来电池行为的信息和/或可以从潜在变量推导出的关于所预测的未来电池行为的信息。对于随后的时间步长，数据驱动模型可以考虑到那时为止获得的附加测量数据和/或至少一个潜在变量，特别是用作输入数据。数据驱动模型可以被配置用于确定各个潜在变量的相关性并且用于将权重分配给潜在变量。数据驱动模型可以考虑加权潜在变量以便进一步预测。可以重复执行相关性的确定和权重的分配。如上所述，数据驱动模型可以进一步考虑通过至少一个测试协议预定义的所控制和/或所定义的量的未来值的知识，特别是用作输入数据。诸如在WO2019/017991A1中描述的已知方法使用被称为“固定窗口”或“固定水平”的方法。他们不使用本发明提出的“时间序列”方法，本发明特别提出具有时间相关的数据驱动模型。本发明特别提出使用通过时间步进并且保留相关记忆的数据驱动模型。相比之下，“固定窗口”或“固定水平”方法使用来自过去的信息，并且看它如何与固定的未来时间的行为相关联。
如本文所使用的术语“电池性能输入数据”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于响应于测试协议生成的包括关于电池行为和/或性能的信息的数据。电池性能输入数据可以包括响应于测试协议生成的数据。电池性能输入数据可以是或可以包括原始数据和/或预处理数据。电池性能输入数据可以通过执行至少一个测试程序来确定，特别是如上遵循至少一个测试协议所概述的。测试程序可以包括确定电池的至少一个放电-充电曲线。测试程序可以在测试台中执行。电池性能输入数据可以经由通信接口实时传输到测试系统或者延迟批量传输。
电池性能输入数据可以包括放电-充电循环数据。如本文所使用的术语“循环”指充电之后的放电序列，反之亦然。放电-充电循环数据可以包括至少一个充电-放电曲线。电池性能输入数据可以包括关于放电容量的信息，关于充电容量的信息；关于充电-放电曲线形状的信息；关于平均电压的信息；关于开路电压的信息，关于微分容量的信息，关于库仑效率的信息；以及关于内阻的信息中的一个或多个。
电池性能输入数据可以包括与阴极材料和电池单元设置中的一个或多个有关的元数据。如本文所使用的术语“元数据”指包括关于放电-充电循环数据的信息的数据。元数据可用于选择适当的经训练模型，例如考虑阴极材料和/或电池单元设置。
处理设备可以被配置用于验证电池性能输入数据。验证可以包括确定所检索的电池性能输入数据是否完整和/或是否包括用于确定电池性能的足够循环。如本文所使用的术语“验证”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于审查、检查或测试电池性能输入数据中的一个或多个的过程。具体而言，验证包括确定所检索的电池性能输入数据是否完整和/或是否包括用于确定电池性能的足够循环。例如，在验证揭示检索到的电池性能输入数据不完整和/或未包含足够循环以用于确定电池性能的情况下，则可以通过使用通信接口向客户发出请求以提供额外的数据。
如本文所使用的术语“状态变量”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于可以表征电池性能的至少一个参数的可量化变量。该状态变量可以从至少一个充电-放电曲线导出或者是可导出的。状态变量可以是选自由以下组成的组的至少一个变量：放电容量；充电容量；充电-放电曲线的形状；平均电压；开路电压；微分电容；库仑效率；以及内阻。对于每个循环，模型可以预测每个可用特征，作为下一个循环的模型输入。
处理设备可以被配置用于取决于其未来发展将被预测的状态变量从电池性能输入数据中选择信息。处理设备可以被配置用于取决于其未来发展将被预测的状态变量对电池性能输入数据进行排序。例如，状态变量可以是放电容量。排序可以如下：来自先前循环的充电容量和/或来自先前循环的放电容量可以被认为是最相关的，因为它们非常接近与将要被预测的状态变量。充电和/或放电曲线的形状以及来自先前循环的内阻可以被认为比来自先前循环的充电容量和/或来自先前循环的放电容量较少相关。对于诸如内阻的其他状态变量，排序可能不同。
此处使用的术语“状态变量的预测时间序列”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于使用至少一个数据驱动模型确定的状态变量的预期时间序列。电池的电池性能输入数据可以是实验数据。通过使用数据驱动模型可以确定，特别是预测状态变量的预测时间序列，其中电池性能输入数据被用作数据驱动模型的输入。电池性能输入数据可以包括实验数据，基于该实验数据预测状态变量的预测时间序列。此外，预测的时间序列根据操作数据确定。测试系统可以包括至少一个存储设备，其中可以存储多个不同的数据驱动模型。例如，存储设备可以包括用于不同测试协议的不同数据驱动模型。特别地，处理设备可以被配置用于基于用于电池测试的测试协议来选择数据驱动模型。附加地或作为替代，数据存储设备可以包括取决于要预测的状态变量的不同数据驱动模型。处理设备可以被配置为确定一个状态变量或多个状态变量的预测时间序列。同时也可以预测状态变量的任意组合的时间序列。
如本文所使用的术语“数据驱动模型”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于经验的预测模型。具体来说，数据驱动模型从对实验数据的分析得到。数据驱动模型可以是机器学习工具。数据驱动模型可以包括至少一个经训练模型。如本文所使用的术语“经训练模型”是广义术语并且被赋予对于本领域普通技术人员其通常和惯用的含义而不限于专用或定制的含义。该术语具体可以指但不限于在至少一个训练数据集(也称为训练数据)上训练的用于预测电池性能的模型。例如，数据驱动模型在至少一个训练数据集上进行训练，其中训练数据集包括至少一个已知电池构造的充电和放电循环的历史数据的时间序列和至少一个已知测试协议。可以按照良好定义的测试协议获得训练数据。训练数据集可以包括多个电池测试的实验结果，例如用于表征电池性能的一个或多个参数。训练数据集可以包括在至少两个时间点(诸如对于不同循环)确定的电池测试的多个实验结果。对于模型的训练，可以使用例如与不同的待测电池相关的多个训练数据集。
数据驱动模型可以是基于特征的模型，其中特征或特征的子集用于预测电池性能。训练数据可用于为经训练模型选择特征。特征选择可以包括选择在模型构建中使用的相关特征的子集，特别是变量和预测器。特征选择可以包括导出在某些时间点的电化学方面信息，诸如相关时间点的充电或放电曲线、内阻、开路电压、微分电容。可以考虑由于材料类别引起的不规则性来选择特征。训练数据可以包括原始数据。特征选择可以包括诸如从每个步骤到每个循环的数据聚合。可以使用电化学知识和/或传统的特征选择方法来选择特征，诸如保留具有与响应高度相关的特征。电化学知识可以包括例如有关电压间隔的信息，在该电压间隔中预期有值得关注的相位转变从而应当从曲线区域中提取特征。
数据驱动模型可以包括至少一个循环神经网络，诸如至少一个回声状态网络。如本文所使用的术语“回声状态网络”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于具有漏集成的离散时间连续值单元的循环神经网络。关于数据驱动模型的更多细节，可以参考如在下文中更详细描述的用于确定至少一个数据驱动模型的方法的描述，该数据驱动模型用于在测试环境中的电池构造研制期间确定电池性能。
处理设备可以被配置用于使用电池性能输入数据作为输入参数，以便采用数据驱动模型确定状态变量的预测时间序列。为了确定待测电池的电池性能，可以处理电池性能输入数据并将其作为输入应用到数据驱动模型。该处理可以包括数据聚合。该处理可以包括选择与表征电池性能的参数中的至少一个参数相关的信息，该参数的时间序列由数据驱动模型预测，也表示为目标状态变量。在这种情况下由数据驱动模型生成的输出可以是目标状态变量或状态变量矩阵的预测时间序列。
处理设备可以被配置用于使用测试协议作为输入参数以便采用数据驱动模型确定状态变量的预测时间序列。具体地，处理设备可以被配置用于基于所接收的电池性能输入数据，诸如基于所接收的关于测试协议和/或不同充电循环和/或放电循环的序列的信息，来选择至少一个合适的数据驱动模型。处理设备可以包括多个数据驱动模型，其中处理设备被配置用于选择一个数据驱动模型以便根据测试协议确定状态变量的预测时间序列。例如，多个数据驱动模型中的每一个可以在通过使用不同测试协议导出的数据上训练。模型可能具有控制模型复杂度的不同的拟合参数和不同的超参数。但是，对于所有模型，通用结构可以是相同的。用于选择最合适的数据驱动模型的其它标准也是可能的。例如，诸如取决于材料特性的不同，处理设备可以包括多个数据驱动模型。处理设备可以被配置用于分析电池性能输入数据，其中分析包括确定至少一种材料特性。处理设备可以被配置用于基于材料特性选择数据驱动模型中的至少一个。关于材料特性的信息可以从诸如元数据的电池性能输入数据中确定。
处理设备可以被配置用于执行至少一个置信度测试，用于将所确定的状态变量与实验测试结果进行比较。如本文所使用的术语“置信度测试”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于对数据驱动模型的输出符合一个或多个实验测试结果进行审查、检查或测试中的一个或多个的过程。在置信度测试中，状态变量的预测时间序列可以与实验测试结果进行比较。不同电池类型或材料的实验结果可存储在至少一个数据存储器中并可用于置信度测试的比较。
测试系统被配置用于提供状态变量的预测时间序列的至少部分。如本文所使用的术语“至少部分”指提供状态变量的完整预测时间序列的实施例和/或提供其中状态变量的预测时间序列的至少一个具体时间范围或时间点的实施例和/或其中与预测时间序列有关的其他信息的实施例。测试系统可以包括至少一个输出接口，其被配置用于输出包括关于状态变量的预测时间序列的至少部分的信息的至少一个输出。输出可以包括示出状态变量在时间上的发展的至少一个直方图中的一个或多个。该输出还可以包括关于电池寿命的至少一个预测和/或至少一个分类的信息。测试系统可以被配置用于取决于状态变量的预测时间序列执行至少一项措施，其中该措施包括以下一项或多项：发出建议；发出警告；发出需要修改电池阴极材料的指示。如本文所使用的术语“措施”指取决于电池性能的确定结果的任意动作。测试系统可以被配置用于向电池的客户提供关于所确定的电池性能的至少一个信息。例如，信息可以由输出接口提供给客户。该信息还可以包括测试台中的电池的排名，电池分类，阴极材料分类，或至少一项建议中的一个或多个。输出可以包括对测试台中的电池的排名和/或可以停止电池测量的建议。通信接口可以被配置为允许监测测试装备的状态。这可以允许基于电池性能的确定结果准备和设计下一实验。
在本发明的另一方面中，提出被配置用于基于用于确定至少一个电池的电池性能的至少一个测试协议对至少一个电池执行至少一个电池性能测试的测试台。
如本文所使用的术语“测试台”是广义术语并且被赋予对于本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于用于测试至少一个电池的特性的环境。测试台可以被配置用于测试多个电池。测试台可以包括用于在测试或测试序列期间存储电池的至少一个存储设备。
电池性能测试包括不同充电循环和/或放电循环的至少一个序列。电池性能测试包括确定每个循环的放电-充电曲线。根据本发明的测试台包括至少一个通信接口，该通信接口被配置为向至少一个测试系统提供指示测试协议的操作数据和电池性能输入数据。关于测试台的定义和实施方式，参考测试系统的描述。
在本发明的另一方面中，提出了用于确定用于在测试环境中的电池构造研制期间确定电池性能的至少一个数据驱动模型的方法。该方法包括采用至少一个训练数据集训练数据驱动模型。训练数据集包括至少一个已知电池构造的充电和放电循环和至少一个已知测试协议的历史数据。关于定义和实施方式的，参考上文的测试系统的描述或如下文进一步的详细描述。
该方法可以包括以下步骤：
-生成至少一个随机动态存储库；
-确定至少一个输入单元和至少一个输出单元；
-生成输入到存储库的连接和输出到存储库的连接；
-选择至少一个输入权重矩阵Win和至少一个存储库权重矩阵W；
-通过采用训练数据训练数据驱动模型来采用训练数据训练模型以便确定输出权重，其中使用回归分析确定输出权重。
例如，数据驱动模型可以是至少一个回声状态网络。可以使用任意神经元模型生成随机动态存储库。数据驱动模型的确定可以包括将训练数据，特别是通过测量表征训练测试电池的电池性能的至少一个参数以在第一时间点实验性地确定的训练数据，作为输入u(n)应用到随机动态储存库。因此，输入u(n)可以作为输入状态填充到输入单元中并且可以应用于储存库使得生成储存库神经元激活向量x(n)。数据驱动模型的确定可以包括生成输出到储存库的连接以允许输出反馈。输出单元可以填充有所谓的训练数据，特别是通过测量表征训练测试电池的电池性能的至少一个参数以在从第一时间点延迟的第二时间点实验性地确定的训练数据的输出y(n)。输出权重Wout可以使用对储存库状态x(n)的教导输出y(n)的回归分析(特别是线性回归)来确定。输出权重Wout用于输出到存储库的连接。训练可以包括多个训练循环，例如诸如针对不同的阴极材料使用不同的训练数据集等。
回声状态网络可以使用以下系统方程：
Figure BDA0003629327760000171
Figure BDA0003629327760000172
其中，u(n)是回声状态网络的输入矩阵，
Figure BDA0003629327760000173
是存储库神经元激活的向量，而
Figure BDA0003629327760000174
是它在时间n的更新，f是激活函数，特别是诸如逻辑sigmoid或tanh函数的sigmoid函数，并且按元素应用，[；]代表垂直向量或矩阵的级联，
Figure BDA0003629327760000175
和
Figure BDA0003629327760000176
分别是输入权重矩阵和循环权重矩阵，α∈(0,1]是泄漏率，参见“APractical Guide to Applying Echo State Networks”，Mantas Lukosevicius，公开于Neural Networks:Tricks of the Trade 2012。DOI:10.1007/978-3-642-35289-8_36以及http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf.教导的输出y(n)可以通过如下公式给出：
y(n)＝g(Woutz(n))，
其中，g是输出激活函数，Wout是输出权重矩阵，而z(n)是扩展系统状态，其中在n时刻的z(n)＝[x(n)；u(n)]是储存库和输入状态的级联。如上所概述的，在训练阶段期间，回声状态网络输出权重Wout可以使用对从训练数据集导出的期望输出的回归分析来确定。训练后，回声状态网络可用于确定待测电池的电池性能。
为了确定待测电池的电池性能，可以处理电池性能输入数据并将其作为输入应用于回声状态网络。该处理可以包括与表征电池性能的参数中的一个或多个相关的信息的数据聚合和/或选择，该电池参数可以由经训练的回声状态网络确定，也表示为目标状态变量。在这种情况下，回声状态网络的输出y(n)可以是某个未来时间点或未来周期的目标状态变量或状态变量矩阵。
在本发明的另一方面中，提出了用于在测试环境中的电池构造研制期间确定电池性能的计算机实现方法。在该方法中，使用至少一个根据本发明的测试系统。因此，关于方法的实施方式和定义，参考上面对测试系统的描述或如下文进一步详细描述。
如本文所使用的术语“计算机实现的”是广义术语并且被赋予本领域普通技术人员其普通和惯用的含义而不限于特殊或定制的含义。该术语具体可以指但不限于通过使用数据处理装置(诸如包括至少一个处理器的数据处理装置)来完全或部分实现的过程。因此，术语“计算机”通常可以指具有至少一个数据处理装置，诸如至少一个处理器的设备或设备的组合或网络。此外，计算机可以包括一个或多个另外的组件，诸如数据存储设备、电子接口或人机接口中的至少一个。
该方法包括以下方法步骤，具体而言，该方法步骤可以以给定顺序执行。不过，不同的顺序也是可以的。还可以完全或部分同时地执行两个或更多个方法步骤。进一步地，方法步骤中的一个或多个甚至全部可以执行一次或者可以重复执行，诸如重复一次或多次。此外，该方法可以包括未列出的附加方法步骤。
该方法包括以下步骤：
a)经由至少一个通信接口检索指示至少一个测试协议的操作数据；
b)经由通信接口检索电池性能输入数据；
c)通过使用处理设备使用数据驱动模型基于电池性能输入数据和操作数据来确定指示电池性能的状态变量的预测时间序列；
d)提供状态变量的预测时间序列的至少部分。
方法步骤a)到d)可以以计算机实现的方式全部或部分地执行。在方法步骤a)和b)中，指示至少一个测试协议的操作数据和电池性能输入数据可以经由通信接口，例如通过网络界面传送到测试系统，特别是在步骤c)中传输到用于分析的处理设备。
在本发明的另一方面中，提出了用于在测试环境中的电池构造研制期间确定电池性能的计算机程序。计算机程序包括指令，当程序由计算机或计算机系统执行时使计算机或计算机系统执行如上文所述或在下文中更详细地描述的用于确定电池性能的方法。特别地，可以通过使用计算机或计算机网络，优选地通过使用计算机程序来执行如上文指示方法的方法步骤a)至d)中的一个、一个以上或甚至所有的方法步骤。因此，对于本文中使用的大多数术语的可能定义，可以参考上述或如下文中进一步详细描述的用于在测试环境中的电池构造研制期间确定电池性能的计算机实现方法。
具体地，计算机程序中的一个或者两者可以存储在计算机可读数据载体和/或计算机可读存储介质上。如本文所使用的术语“计算机可读数据载体”和“计算机可读存储介质”具体可以指非暂态数据存储装置，诸如在其上存储有计算机可执行指令的硬件存储介质。计算机可读数据载体或存储介质具体可以是或可以包括诸如随机存取存储器(RAM)和/或只读存储器(ROM)的存储介质。
在本文进一步公开和提出的是具有程序代码部件的计算机程序产品，以便当程序在计算机或计算机网络上执行时执行用于在根据本文公开的一个或多个实施例中的本发明的在测试环境中的电池构造研制期间确定电池性能的方法。具体来说，程序代码部件可以存储在计算机可读数据载体和/或计算机可读存储介质上。根据本文公开的一个或多个实施例，本文进一步公开和提出的是在其上存储有数据结构的数据载体，在数据结构加载到计算机或计算机网络之后，诸如加载到计算机或计算机网络的工作存储器或主存储器之后，可以执行根据在此公开的一个或多个实施例的用于在测试环境中的电池构造研制期间确定电池性能的方法。
本文进一步公开和提出的是具有存储在机器可读载体上的程序代码部件的计算机程序产品，以便当程序在计算机或计算机网络上运行时，执行在根据在本文公开的一个或多个实施例的用于在测试环境中的电池构造研制期间确定电池性能的方法。如本文所使用的计算机程序产品指作为可交易产品的程序。该产品通常可以以任意格式存在，诸如以纸的格式存在，或者存在于计算机可读数据载体上。具体地，计算机程序产品可以分布在数据网络上。
在本发明的另一方面中，提出了用于根据本发明在测试环境中的电池构造研制期间确定电池性能的计算机实现方法用于优化合成和/或制造参数，诸如电池材料和/或电池几何形状的用途。
在本发明的另一方面中，提供向系统提供通过用于根据本发明在测试环境中的电池构造研制期间确定电池性能的计算机实现方法所确定的状态变量的预测时间序列的至少部分以便优化电池材料和/或电池几何形状的方法。
优化可以包括执行至少一个模拟。
本发明的方法、系统和程序与本领域已知的方法、系统和程序相比具有许多优点。特别是，本文公开的方法、系统和程序可以允许将电池材料研制期间在测试台上的测量时间从数月减少到数周。此外，如果进一步通过如至少一个测试协议所定义地处理电池，本发明的方法、系统和程序不仅可以允许预测电池的健康状态，而且还可以附加地预测电池的未来特性。
总结并且不排除进一步的可能实施例，可以设想以下实施例：
实施例1：用于在测试环境中的电池构造研制期间确定电池性能的测试系统，该测试系统包括至少一个通信接口和至少一个处理设备，其中测试系统被配置用于经由通信接口接收指示至少一个测试协议的操作数据，其中测试系统被配置用于经由通信接口接收电池性能输入数据，其中处理设备被配置用于使用至少一种数据驱动模型基于电池性能输入数据和操作数据确定指示电池性能的至少一个状态变量的至少一个预测时间序列，其中测试系统被配置用于提供状态变量的预测时间序列的至少部分。
实施例2：根据前述实施例的测试系统，其中数据驱动模型包括至少一个循环神经网络，诸如至少一个回声状态网络。
实施例3：根据前述实施例中任一项所述的测试系统，其中状态变量从至少一个充电-放电曲线导出，其中状态变量是选自由以下各项组成的组中的至少一个变量：放电容量，充电容量，充电-放电曲线的形状，平均电压，开路电压，微分电容，库仑效率，以及内阻。
实施例4：根据前述实施例中任一项所述的测试系统，指示至少一个测试协议的操作数据包括不同的充电循环和/或放电循环的至少一个序列。
实施例5：根据前述实施例中任一项所述的测试系统，其中所述数据驱动模型在至少一个训练数据集上进行训练，其中训练数据集包括至少一个已知电池构造的充电和放电循环的历史数据的时间序列和至少一个已知的测试协议。
实施例6：根据前述实施例中任一项所述的测试系统，其中处理设备被配置为使用测试协议作为输入参数以用于采用数据驱动模型确定状态变量的预测时间序列，和/或其中处理设备包括多个数据驱动模型，其中处理设备被配置用于选择数据驱动模型中的一个以便根据测试协议确定状态变量的预测时间序列。
实施例7：根据前述实施例中任一项所述的测试系统，其中所述处理设备被配置为使用电池性能输入数据作为输入参数以用于采用数据驱动模型确定状态变量的预测时间序列。
实施例8：根据前述实施例的测试系统，其中处理设备包括多个数据驱动模型，其中处理设备被配置用于分析电池性能输入数据，其中分析包括确定至少一个材料特性，其中基于材料特性选择数据驱动模型中的至少一个。
实施例9：根据前述实施例中任一项所述的测试系统，其中电池性能输入数据包括响应于测试协议而生成的数据。
实施例10：根据前述实施例中任一项所述的测试系统，其中测试协议是预定义的。
实施例11：根据前述实施例中任一项所述的测试系统，其中数据驱动模型基于指示至少一个测试协议的操作数据和电池性能输入数据而被参数化。
实施例12：根据前述实施例的测试系统，其中数据驱动模型使用遵循至少一个测试协议的过去和未来充电-放电循环的知识来预测未来的电池性能。
实施例13：根据前述实施例中任一项所述的测试系统，其中数据驱动模型具有时间记忆和/或数据驱动模型是时间相关模型。
实施例14：根据前述实施例中任一项所述的测试系统，其中测试协议包括关于至少一个电池性能测试的信息，其中电池性能测试包括不同的充电循环和/或放电循环的至少一个序列，其中在电池性能测试中针对每个循环确定放电-充电曲线。
实施例15：根据前述实施例所述的测试系统，其中电池性能测试由客户执行，其中客户经由通信接口向测试系统提供电池性能输入数据，其中测试系统被配置用于至少向客户提供状态变量的预测时间序列的至少部分。
实施例16：根据前述实施例中任一项所述的测试系统，其中测试系统包括被配置用于输出至少一个输出的至少一个输出接口，所述输出包括关于状态变量的预测时间序列的至少部分的信息。
实施例17：根据前述实施例的测试系统，其中输出包括示出状态变量随时间的发展的至少一个直方图中的一个或多个，其中输出还包括关于电池寿命的至少一个预测和/或至少一个分类。
实施例18：根据前述实施例中任一项所述的测试系统，其中测试系统被配置用于取决于状态变量的预测时间序列执行至少一个测量，其中测量包括以下一项或多项：发出建议；发出警告；发出需要修改电池的阴极材料的指示。
实施例19：根据前述任一实施例所述的测试系统，其中电池性能输入数据包括放电-充电循环数据，其中放电-充电循环数据包括至少一个充电-放电曲线。
实施例20：根据前述实施例中任一项所述的测试系统，其中电池性能输入数据包括关于放电容量的信息，充电容量信息，关于充电-放电曲线的形状的信息，关于平均电压的信息，关于开路电压的信息，关于微分电容的信息，关于库仑效率的信息，以及关于内阻的信息中的一个或多个。
实施例21：根据前述实施例中任一项所述的测试系统，其中电池性能输入数据包括与阴极材料和电池设置中的一个或多个有关的元数据。
实施例22：根据前述实施例中任一项所述的测试系统，其中处理设备被配置用于验证电池性能输入数据，其中验证包括确定所检索的电池性能输入数据是否完整和/或是否包括用于确定电池性能的足够循环。
实施例23：根据前述实施例中任一项所述的测试系统，其中处理设备被配置用于执行至少一个置信度测试，其中在置信度测试中将所确定的状态变量与实验测试结果进行比较。
实施例24：一种被配置用于基于至少一个测试协议对至少一个电池执行至少一个电池性能测试的测试台，其中电池性能测试包括不同充电循环和/或放电循环的至少一个序列，其中电池性能测试包括确定每个循环的放电-充电曲线，其中测试台包括至少一个通信接口，该通信接口被配置用于向根据前述实施例中的任一项所述的至少一个测试系统提供指示测试协议的操作数据和电池性能输入数据。
实施例25：一种用于确定用于在测试环境中的电池构造研制期间确定电池性能的至少一个数据驱动模型的方法，其中该方法包括采用至少一个训练数据集训练数据驱动模型，其中训练数据集包括至少一个已知电池构造的充电和放电循环的历史数据和至少一个已知测试协议。
实施例26：根据前述实施例所述的方法，其中方法包括以下步骤：
-生成至少一个随机动态存储库；
-确定至少一个输入单元和至少一个输出单元；
-生成输入到存储库的连接和输出到存储库的连接；
-选择至少一个输入权重矩阵和至少一个存储库权重矩阵；
-通过采用训练数据训练数据驱动模型来确定输出权重，其中使用回归分析确定输出权重。
实施例27：一种用于在测试环境中的电池构造研制期间确定电池性能的计算机实现方法，其中在该方法中使用根据涉及测试系统的前述实施例中的任一项所述的至少一个测试系统，该方法包括以下步骤：
a)经由至少一个通信接口检索指示至少一个测试协议的操作数据；
b)经由通信接口检索电池性能输入数据；
c)通过使用处理设备使用数据驱动模型基于电池性能输入数据和操作数据确定指示电池性能的状态变量的预测时间序列；
d)提供状态变量的预测时间序列的至少部分。
实施例28：用于在测试环境中的电池构造研制期间确定电池性能的计算机程序，该计算机程序被配置用于当在计算机或计算机网络上执行时使计算机或计算机网络完全或部分地执行根据前述实施例所述的用于在测试环境中的电池构造研制期间确定电池性能的方法，其中计算机程序被配置为执行根据前述实施例所述的用于在测试环境中的电池构造研制期间确定电池性能方法的至少步骤a)至d)。
实施例29：在根据实施例27所述的用于在测试环境中的电池构造研制期间确定电池性能的计算机实施方法用于优化电池材料和/或电池几何形状的用途。
实施例30：将由实施例27所述的方法确定的状态变量的预测时间序列的至少部分提供给用于优化电池材料和/或电池几何形状的系统的方法。
附图说明
附图的简短描述
进一步的可选特征和实施例将在随后的实施例描述中优选结合从属权利要求更详细地公开。其中，如本领域技术人员将意识到的，相应的可选特征可以以孤立的方式以及以任意可行的组合来实现。本发明的范围不受优选实施例的限制。实施例在附图中示意性地示出。其中，这些图中相同的附图标记指代相同或功能上可比的元素。
在附图中：
图1示意性示出根据本发明的测试系统和测试台的实施例；
图2示意性示出根据本发明的用于在测试环境中的电池构造研制期间确定电池性能的方法的实施例；
图3示出使用根据本发明的方法的实验结果和预测的比较；
图4A和4B示出示例性充电-放电曲线和电池性能输入数据的提取。
具体实施方式
图1高度示例性地示出用于在测试中的电池构造研制期间确定电池性能的测试系统110的实施例。示出示例性的电池112。电池112可以是可充电电池。电池112可以选自由以下组成的组：锂离子电池(Li-Ion)，镍镉电池(Ni-Cd)，镍金属氢化物电池(Ni-MH)。例如，电池可以包括选自由以下组成的组中的至少一种阴极材料：LiCoO2(锂钴氧化物)，LiNixMnyCozO2(锂镍锰钴氧化物)和LiFePO4(磷酸铁锂)。例如，电池可以包括选自由以下组成的组中的至少一种阳极材料：石墨，硅。例如，电池可包含选自由以下组成的组中的至少一种电解质：诸如碳酸亚乙酯、碳酸二甲酯和碳酸二乙酯的有机溶剂中的LiPF6、LiBF4或LiClO4。
测试系统110包括至少一个通信接口114。测试系统110被配置用于经由通信接口114接收电池112的电池性能输入数据。通信接口114可以包括被配置为存储电池性能输入数据的至少一个数据存储设备。通信接口114可以具体地提供用于传送或交换信息的部件。特别地，通信接口114可以提供数据传输连接，例如蓝牙、NFC、感应耦合等。作为示例，通信接口114可以是或可以包括至少一个端口，该端口包括网络或互联网端口，USB端口和磁盘驱动器中的一个或多个。通信接口114可以是至少一个网络接口。通信接口114可以是或可以包括选自由以下各项组成的组的至少一个数据库：至少一个服务器，至少一个包括多个服务器的服务器系统，至少一个云服务器或云计算架构。通信接口114可以包括被配置为存储所接收的电池性能输入数据的至少一个存储单元。
电池性能输入数据可以是包括响应于测试协议生成的关于电池的行为和/或性能的信息的数据。电池性能输入数据可以包括响应于至少一个测试协议而生成的数据。电池性能输入数据可以是或可以包括原始数据和/或预处理数据。电池性能输入数据可以通过执行至少一个测试程序来确定。测试程序可以包括确定电池112的至少一个放电-充电曲线。测试程序可以在测试台116中执行。电池性能输入数据可以经由通信接口114实时传输或延迟批量传输到测试系统110。
电池性能输入数据可以包括放电-充电循环数据。放电-充电循环数据可以包括至少一个充电-放电曲线。电池性能输入数据可以包括关于放电容量的信息，充电容量的信息，关于充电-放电曲线形状的信息，关于平均电压的信息，关于开路电压的信息，关于微分电容的信息，关于库仑效率的信息，以及关于内阻的信息中的一个或多个。电池性能输入数据可以包括与阴极材料和电池单元设置中的一个或多个有关的元数据。元数据可用于选择适当的经训练模型，例如考虑阴极材料和/或电池单元设置。
测试系统110被配置用于经由通信接口114接收指示测试协议的操作数据。操作数据可以包括关于在测试台116中的电池112上执行的至少一个测试程序的信息，特别是操作条件、测试顺序、过程等中的一个或多个。测试台116可以包括被配置为在测试期间容纳电池的电池存储设备118以及被配置为对电池应用多个充电-放电循环的循环机器120。循环机器120可以被配置为记录电池性能输入数据。指示至少一个测试协议的操作数据包括例如不同的充电循环和/或放电循环的至少一个序列。测试协议可以定义测试程序的顺序和/或测试程序的序列和/或每个测试程序的持续时间。每个测试程序可以包括至少一个充电-放电循环，其中至少两个测试程序的充电-放电循环是不同的。测试协议可以包括关于至少一个电池性能测试的信息。电池性能测试可以包括至少一个不同的充电循环和/或放电循环序列。在电池性能测试中，可以针对每个循环确定放电-充电曲线。电池性能测试可由客户执行。客户可以经由通信接口114向测试系统110提供电池性能输入数据。
测试系统110包括至少一个处理设备122。处理设备122可以被配置用于验证电池性能输入数据。处理设备122被配置用于使用如图1中的参考标记124所示的至少一个数据驱动模型基于电池性能输入数据和操作数据来确定指示电池性能的至少一个状态变量的至少一个预测时间序列。验证可以包括确定所检索的电池性能输入数据是否完整和/或是否包括用于确定电池性能的足够循环。验证可以包括对电池性能输入数据进行审查、检查或测试中的一个或多个。具体地，验证包括确定所检索到的电池性能输入数据是否完整和/或是否包括用于确定电池性能的足够循环。例如，在验证揭示所检索到的电池性能输入数据不完整和/或没有包括用于确定电池性能的足够循环的情况下，则可以向客户发出请求以通过使用通信接口114来提供附加数据。
状态变量可以从至少一个充电-放电曲线导出或是可导出的。状态变量可以是选自由以下各项组成的组中的至少一个变量：放电容量，充电容量，充电-放电曲线的形状，平均电压，开路电压，微分电容，库仑效率，以及内阻。状态变量可以同时使用。
处理设备122可被配置用于取决于将要预测其未来发展的状态变量来从电池性能输入数据选择信息。处理设备122可以被配置用于取决于要预测其未来发展的状态变量对电池性能输入数据进行排名。例如，状态变量可以是放电容量。排名可以是如下方式：来自前一循环的充电容量和/或来自前一循环的放电容量可以被认为是最相关的，因为它们非常接近要预测的状态变量。来自前一循环的充电和/或放电曲线的形状和内阻可以被认为与来自前一循环的充电容量和/或来自前一循环的放电容量相比不太相关。对于诸如内阻的其他状态变量，排名可能不同。
状态变量的预测时间序列可以是使用至少一个数据驱动模型确定的状态变量的预期时间序列。电池的电池性能输入数据可以是实验数据。可以通过使用数据驱动模型来确定，特别是预测状态变量的预测时间序列，其中电池性能输入数据用作数据驱动模型的输入。电池性能输入数据可以包括基于其预测状态变量的预测时间序列的实验数据。此外，所预测的时间序列根据操作数据确定。测试系统110可以包括至少一个存储设备，其中可以存储多个不同的数据驱动模型。例如，存储设备可以包括用于不同测试协议的不同数据驱动模型。特别地，处理设备122可以被配置用于基于用于电池测试的测试协议来选择数据驱动模型。附加地或作为替代，数据存储设备可以包括取决于要预测状态变量的不同数据驱动模型。处理设备122可以被配置为确定一个状态变量或多个状态变量的预测时间序列。同时也可以预测状态变量的任意组合的时间序列。
数据驱动模型可以从实验数据的分析得出。数据驱动模型可以是机器学习工具。数据驱动模型可以包括至少一个经训练模型。例如，数据驱动模型在至少一个训练数据集上进行训练，其中训练数据集包括至少一个已知电池构造的充电和放电循环的历史数据的时间序列和至少一个已知测试协议。训练数据集可以包括多个电池测试的实验结果，例如用于表征电池性能的一个或多个参数。训练数据集可以包括在至少两个时间点(诸如对于不同循环)确定的电池测试的多个实验结果。对于模型的训练，可以使用例如与不同的待测电池有关的多个训练数据集。
数据驱动模型可以是基于特征的模型，其中特征或特征子集用于预测电池性能。训练数据可用于选择用于经训练模型的特征。特征选择可以包括选择特别是变量和预测器的相关特征的子集以用于模型构建。特征选择可以包括在诸如充电或放电曲线、内阻、开路电压、微分电容的相关时间点的某些时间点导出电化学方面的信息。可以考虑由于材料类别引起的不规则性来选择特征。训练数据可以包括原始数据。特征选择可以包括诸如每个步骤到每个循环的数据聚合。可以使用电化学知识和/或传统的特征选择方法来选择特征，诸如保留与响应高度相关的特征。电化学知识可以包括例如关于电压间隔的信息，在该电压间隔中预期有值得关注的相位转变从而应当从此曲线区域提取特征。
数据驱动模型可以包括至少一个循环神经网络，诸如至少一个回声状态网络。
处理设备122可以被配置为使用电池性能输入数据作为输入参数以用于采用数据驱动模型确定状态变量的预测时间序列。为了确定待测电池112的电池性能，可以处理电池性能输入数据并将其作为输入应用到数据驱动模型。该处理可以包括数据聚合。该处理可以包括选择与由数据驱动模型预测其时间序列的表征电池性能的参数中的至少一个参数相关的信息，也表示为目标状态变量。在这种情况下，数据驱动模型生成的输出可以是目标状态变量或状态变量矩阵的预测时间序列。
处理设备122可以被配置为使用测试协议作为输入参数以用于采用数据驱动模型确定状态变量的预测时间序列。更具体地说，处理设备可以被配置用于基于所接收的电池性能输入数据，诸如基于所接收的关于测试协议和/或不同充电循环和/或放电循环的序列的信息来选择至少一个合适的数据驱动模型。处理设备122可以包括多个数据驱动模型，其中处理设备122被配置为选择用于取决于测试协议确定状态变量的预测时间序列的数据驱动模型中的一个。例如，多个数据驱动模型中的每一个可以在通过使用不同测试协议得到的数据上进行训练。模型可以具有控制复杂度的不同拟合参数和不同超参数。但是，通用结构对于所有模型可以是相同的。选择最合适的数据驱动模型的其他标准也是可能的。例如取决于材料特性，处理设备122可以包括多个数据驱动模型。处理设备122可以被配置用于分析电池性能输入数据，其中分析包括确定至少一个材料特性。处理设备122可以被配置用于基于材料特性选择数据驱动模型中的至少一个。可以从诸如元数据的电池性能输入数据确定关于材料特性的信息。
处理设备122可以被配置用于执行至少一个置信度测试，其中将所确定的状态变量与实验测试结果进行比较。在置信度测试中，状态变量的预测时间序列可以与实验测试结果进行比较。不同的电池类型或材料的实验结果可存储在至少一个数据存储器中并可用于在置信度测试中的比较。测试系统110被配置用于提供状态变量的预测时间序列的至少部分。测试系统110可以包括至少一个输出接口126，其被配置用于输出包括关于状态变量的预测时间序列的至少部分的信息的至少一个输出。在图1中，通信接口114和输出接口126是相同的。输出可以包括示出状态变量随时间的发展的至少一个直方图中的一个或多个。该输出还可以包括关于电池寿命的至少一个预测和/或至少一个分类的信息。测试系统110可以被配置用于取决于状态变量的预测时间序列执行至少一种措施，其中措施包括以下一项或多项：发出建议，发出警告，发出需要修改电池的阴极材料的指示。测试系统110可以被配置用于向电池112的客户提供关于所确定的电池性能的至少一个信息。例如，该信息可以由输出接口126提供给客户。该信息还可以包括对测试台116中的电池的排名，电池分类，阴极材料的分类或至少一个建议中的一个或多个。输出可以包括对测试台116中的电池的排名和/或可以停止电池测量的建议。通信接口114可以被配置为允许监测测试台116的状态。这可以允许基于电池性能的确定结果来准备和设计下一实验。
在图2中示意性示出了用于在测试环境中的电池构造研制期间确定电池性能的计算机时间方法的实施例。
该方法包括以下步骤：
-(采用参考标记128表示)经由至少一个通信接口检索指示至少一种测试协议的操作数据以及经由通信接口检索电池性能输入数据；
-(采用参考标记130表示)通过使用处理设备122使用数据驱动模型基于电池性能输入数据和操作数据确定指示电池性能的状态变量的预测时间序列。
该方法还可以包括决策制定步骤132，其中取决于测试系统110的输出，客户可以决定电池112和所使用的阴极材料被认为是“好”还是“坏”。在阴极材料被认为是“坏”的情况下，客户可以继续更换或修改阴极材料并且重新开始方法步骤a)。因此，方法步骤a)和b)可以执行一次或可以重复执行，诸如重复一次或多次，特别是对于不同的电池112和/或不同的阴极材料。
图3示出使用根据本发明的方法的实验结果和预测的比较。特别地，针对训练数据集134和预测136描绘作为以天为单位的时间t的函数的电池容量c。对于此处所示的预测，使用早期数据138作为输入。可以观察到预测和测量的良好一致性。在图3中，在模型和实验之间的偏差在未来的200次循环中约为2％，其大约为3周。
图4A示出示例性充电-放电曲线，特别是在测试台116中确定的作为容量的函数的电压。充电-放电曲线可用于确定指示诸如放电容量的电池性能的几个参数，用箭头a表示。此外，示出被用于计算内阻的用箭头b表示的电压下降。此外，在图4中，示出采用c表示的平均电压，采用d表示的dQ/dV曲线，采用e表示的放电开路电压，采用用f表示的充电开路电压。图4A示出采用g表示的充电容量，其中细虚线表示恒定充电容量，粗虚线表示恒定电压充电容量。
图4B示出从2130次充电和放电测试中确定的实验数据中提取电池性能输入数据。具体地，描述电压和电流随时间的发展。细实线显示以阶梯方式改变的电流，因为对于每个充电和放电步骤中的大部分都保持恒定电流。以电压曲线为中心的双箭头示出可被用作模型输入的一些特征。它们对应于在充电期间在预定电压间隔上的容量变化，由图4B中的水平线给出。电流下降对应于恒定电压和剩下的步骤，其中允许电池松弛至平衡状态。
参考标记列表：
110 测试系统
112 电池
114 通信接口
116 测试台
118 电池存储设备
120 循环机器
122 处理设备
124 数据驱动模型
126 输出接口
128 检索数据
130 确定预测
132 决策制定
134 训练数据集
136 预测
138 早期数据
参考文献
Kristen A.Severson等人，“Data-driven prediction of battery cycle lifebefore capacity degradation”，Nature Energy，https://doi.org/10.1038/s41560-019-0356-8
US2019/0115778A1
“A Practical Guide to Applying Echo State Networks”，MantasLukosevicius，公开于Neural Networks:Tricks of the Trade 2012。DOI:10.1007/978-3-642-35289-8_36以及http://minds.jacobs-university.de/uploads/papers/PracticalESN.pdf
WO2019/017991A1

Claims (24)

1.一种用于在测试环境中的电池构造研制期间确定电池性能的测试系统(110)，所述测试系统(110)包括至少一个通信接口(114)和至少一个处理设备(122)，其中所述测试系统(110)被配置用于经由所述通信接口(114)接收指示至少一个测试协议的操作数据，其中所述测试系统(110)被配置用于经由所述通信接口(114)接收电池性能输入数据，其中所述处理设备(122)被配置用于使用至少一个数据驱动模型基于所述电池性能输入数据和所述操作数据确定指示电池性能的至少一个状态变量的至少一个预测时间序列，其中所述测试系统(110)被配置用于提供所述状态变量的所述预测时间序列的至少部分。
2.根据前述权利要求所述的测试系统(110)，其中所述数据驱动模型包括至少一个循环神经网络，诸如至少一个回声状态网络。
3.根据前述权利要求中任一项所述的测试系统(110)，其中所述状态变量从至少一个充电-放电曲线可导出，其中所述状态变量是选自由以下各项组成的组的至少一个变量：放电容量，充电容量，充电-放电曲线的形状，平均电压，开路电压，微分电容，库仑效率以及内阻。
4.根据前述权利要求中任一项所述的测试系统(110)，其中指示至少一个测试协议的所述操作数据包括不同的充电循环和/或放电循环的至少一个序列。
5.根据前述权利要求中任一项所述的测试系统(110)，其中所述数据驱动模型在至少一个训练数据集上训练，其中所述训练数据集包括至少一个已知电池构造的充电和放电循环的历史数据的时间序列和至少一个已知的测试协议。
6.根据前述权利要求中任一项所述的测试系统(110)，其中所述处理设备(122)被配置为使用所述测试协议作为输入参数以用于采用所述数据驱动模型确定所述状态变量的所述预测时间序列，和/或其中所述处理设备(122)包括多个数据驱动模型，其中所述处理设备(122)被配置用于选择用于取决于所述测试协议确定所述状态变量的所述预测时间序列的所述数据驱动模型中的一个。
7.根据前述权利要求中任一项所述的测试系统(110)，其中所述处理设备(122)被配置为使用所述电池性能输入数据作为输入参数以用于采用所述数据驱动模型确定所述状态变量的所述预测时间序列。
8.根据前述权利要求所述的测试系统(110)，其中所述处理设备(122)包括多个数据驱动模型，其中所述处理设备(122)被配置用于分析所述电池性能输入数据，其中分析包括确定至少一个材料特性，其中基于所述材料特性选择所述数据驱动模型中的至少一个。
9.根据前述权利要求中任一项所述的测试系统(110)，其中所述电池性能输入数据包括响应于所述测试协议生成的数据。
10.根据前述权利要求中任一项所述的测试系统(110)，其中所述测试协议是预定义的。
11.根据前述权利要求中任一项所述的测试系统(110)，其中所述数据驱动模型基于指示所述至少一个测试协议的操作数据和电池性能输入数据而被参数化。
12.根据前述权利要求所述的测试系统(110)，其中所述数据驱动模型使用遵循所述至少一个测试协议的过去和未来的充电-放电循环的知识来预测未来的电池性能。
13.根据前述权利要求中任一项所述的测试系统(110)，其中所述数据驱动模型具有时间记忆和/或所述数据驱动模型是时间相关模型。
14.根据前述权利要求中任一项所述的测试系统(110)，其中所述测试协议包括关于至少一个电池性能测试的信息，其中所述电池性能测试包括不同的充电循环和/或放电循环的至少一个序列，其中在电池性能测试中针对每个循环确定放电-充电曲线。
15.根据前述权利要求中任一项所述的测试系统(110)，其中所述电池性能输入数据包括放电-充电循环数据，其中所述放电-充电循环数据包括至少一个充电-放电曲线。
16.根据前述权利要求中任一项所述的测试系统(110)，其中所述电池性能输入数据包括关于放电容量的信息，充电容量的信息，关于充电-放电曲线的形状的信息，关于平均电压的信息，关于开路电压的信息，关于微分电容的信息，关于库仑效率的信息，以及关于内阻的信息中的一个或多个。
17.根据前述权利要求中任一项所述的测试系统(110)，其中所述电池性能输入数据包括与阴极材料和电池单元设置中的一个或多个有关的元数据。
18.一种测试台(116)，被配置用于基于至少一个测试协议对至少一个电池(112)执行至少一个电池性能测试，其中所述电池性能测试包括不同的充电循环和/或放电循环的至少一个序列，其中所述电池性能测试包括针对每个循环确定放电-充电曲线，其中所述测试台(116)包括至少一个通信接口，该通信接口被配置用于向根据前述权利要求中任一项所述的至少一个测试系统提供指示所述测试协议的操作数据和电池性能输入数据。
19.一种用于确定用于在测试环境中的电池构造研制期间确定电池性能的至少一个数据驱动模型的方法，其中该方法包括采用至少一个训练数据集训练所述数据驱动模型，其中所述训练数据集包括至少一个已知的电池构造的充电和放电循环的历史数据和至少一个已知的测试协议。
20.根据前述权利要求所述的方法，其中所述方法包括以下步骤：
-生成至少一个随机动态存储库；
-确定至少一个输入单元和至少一个输出单元；
-生成输入到存储库的连接和输出到存储库的连接；
-选择至少一个输入权重矩阵和至少一个存储库权重矩阵；
-通过采用所述训练数据训练所述数据驱动模型来确定输出权重，其中使用回归分析确定所述输出权重。
21.一种用于在测试环境中的电池构造研制期间确定电池性能的计算机实现方法，其中在该方法中使用根据权利要求1至17中任一项所述的至少一个测试系统(110)，该方法包括以下步骤：
a)经由至少一个通信接口(114)检索指示至少一个测试协议的操作数据；
b)经由所述通信接口(114)检索电池性能输入数据；
c)通过使用处理设备(122)使用数据驱动模型基于所述电池性能输入数据和所述操作数据确定指示电池性能的状态变量的预测时间序列；
d)提供所述状态变量的所述预测时间序列的至少部分。
22.一种用于在测试环境中的电池构造研制期间确定电池性能的计算机程序，该计算机程序被配置为当在计算机或计算机网络上执行时使所述计算机或计算机网络执行根据前述权利要求的用于在测试环境中的电池构造研制期间确定电池性能的方法，其中所述计算机程序被配置为执行根据前述权利要求所述的用于在测试环境中的电池构造研制期间确定电池性能的方法的至少步骤a)至d)。
23.根据权利要求21所述的用于在测试环境中的电池构造研制期间确定电池性能的计算机实现方法用于优化电池材料和/或电池几何形状的用途。
24.一种将由权利要求21所述的方法确定的状态变量的预测时间序列的至少部分提供给用于优化电池材料和/或电池几何形状的系统的方法。
CN202080077333.8A 2019-11-07 2020-11-06 电池性能预测 Pending CN114651183A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19207777.4 2019-11-07
EP19207777 2019-11-07
PCT/EP2020/081300 WO2021089786A1 (en) 2019-11-07 2020-11-06 Battery performance prediction

Publications (1)

Publication Number Publication Date
CN114651183A true CN114651183A (zh) 2022-06-21

Family

ID=68502957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080077333.8A Pending CN114651183A (zh) 2019-11-07 2020-11-06 电池性能预测

Country Status (6)

Country Link
US (1) US20220373601A1 (zh)
EP (1) EP4055399A1 (zh)
JP (2) JP2023501995A (zh)
KR (1) KR20220073829A (zh)
CN (1) CN114651183A (zh)
WO (1) WO2021089786A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116148681A (zh) * 2023-04-24 2023-05-23 北京和瑞储能科技有限公司 一种铁-铬液流电池性能预测方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023283341A2 (en) * 2021-07-08 2023-01-12 The Regents Of The University Of Michigan Early-life diagnostics for fast battery formation protocols and their impacts to long-term aging
EP4123320B1 (de) * 2021-07-23 2024-03-13 Siemens Aktiengesellschaft Verfahren zum bestimmen eines kapazitätsverlusts eines batteriespeichers, vorrichtung und computerprogrammprodukt
EP4123319B1 (de) 2021-07-23 2024-02-14 Siemens Aktiengesellschaft Verfahren, vorrichtung und computerprogrammprodukt zur lebensdauerabschätzung von batteriespeichern
EP4123321A1 (de) 2021-07-23 2023-01-25 Siemens Aktiengesellschaft Verfahren, vorrichtung und computerprogrammprodukt zur restwertbestimmung von batteriespeichern
US20230117908A1 (en) * 2021-10-14 2023-04-20 Arm Limited Battery cell monitoring systems, battery packs, and methods of operation of the same
CN114966413B (zh) * 2022-05-27 2023-03-24 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
KR20230167664A (ko) * 2022-06-02 2023-12-11 주식회사 엘지에너지솔루션 배터리 셀 수명 진단 장치 및 그것의 동작 방법
CN117725389A (zh) * 2024-02-08 2024-03-19 宁德时代新能源科技股份有限公司 电池出站方法及电池出站系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100936892B1 (ko) * 2007-09-13 2010-01-14 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
US10191116B2 (en) * 2015-10-15 2019-01-29 Johnson Controls Technology Company Battery test system for predicting battery test results
US11691518B2 (en) 2017-07-21 2023-07-04 Quantumscape Battery, Inc. Predictive model for estimating battery states
US10992156B2 (en) 2017-10-17 2021-04-27 The Board Of Trustees Of The Leland Stanford Junior University Autonomous screening and optimization of battery formation and cycling procedures
US11226374B2 (en) * 2017-10-17 2022-01-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven model for lithium-ion battery capacity fade and lifetime prediction
US11171498B2 (en) * 2017-11-20 2021-11-09 The Trustees Of Columbia University In The City Of New York Neural-network state-of-charge estimation

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116148681A (zh) * 2023-04-24 2023-05-23 北京和瑞储能科技有限公司 一种铁-铬液流电池性能预测方法

Also Published As

Publication number Publication date
US20220373601A1 (en) 2022-11-24
JP2023501995A (ja) 2023-01-20
KR20220073829A (ko) 2022-06-03
EP4055399A1 (en) 2022-09-14
WO2021089786A1 (en) 2021-05-14
JP2024059625A (ja) 2024-05-01

Similar Documents

Publication Publication Date Title
CN114651183A (zh) 电池性能预测
Park et al. LSTM-based battery remaining useful life prediction with multi-channel charging profiles
Wei et al. Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression
Chen et al. A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms
Chen et al. State of health estimation for lithium-ion batteries based on fusion of autoregressive moving average model and elman neural network
US20220239122A1 (en) Server-side characterisation of rechargeable batteries
CN107290679B (zh) 用于电动汽车共享充电桩的智能化电池健康状态检测方法
CN109100655B (zh) 一种动力电池的数据处理方法和装置
Mamo et al. Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries
KR20210116801A (ko) 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치
US10992156B2 (en) Autonomous screening and optimization of battery formation and cycling procedures
CN109800446B (zh) 一种锂离子电池放电过程电压不一致性估计方法及装置
CN110806540B (zh) 电芯测试数据处理方法、装置、系统和存储介质
Wong et al. Li-ion batteries state-of-charge estimation using deep lstm at various battery specifications and discharge cycles
Eleftheriadis et al. Bayesian hyperparameter optimization of stacked long short-term memory neural network for the state of charge estimation
Lin et al. Li-ion battery state of health prediction based on long short-term memory recurrent neural network
Vatani et al. Cycling lifetime prediction model for lithium-ion batteries based on artificial neural networks
CN115267586A (zh) 锂电池soh评估方法
CN110927584B (zh) 一种基于神经网络的电池寿命延长预测方法
Meis et al. Guide for the Focused Utilization of Aging Models for Lithium-Ion Batteries-An Automotive Perspective
Zhao et al. Lithium-ion battery state-of-health estimation method using isobaric energy analysis and pso-lstm
Fouka et al. A Machine Learning Framework for Li-Ion Battery Lifetime Prognostics
Sánchez et al. Informed weak supervision for battery deterioration level labeling
Liu et al. An end-to-end learning framework for early prediction of battery capacity trajectory
Basia et al. Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries

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