CN115698737A - 电池容量测量装置和方法,以及包括电池容量测量装置的电池控制系统 - Google Patents
电池容量测量装置和方法,以及包括电池容量测量装置的电池控制系统 Download PDFInfo
- Publication number
- CN115698737A CN115698737A CN202180038792.XA CN202180038792A CN115698737A CN 115698737 A CN115698737 A CN 115698737A CN 202180038792 A CN202180038792 A CN 202180038792A CN 115698737 A CN115698737 A CN 115698737A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- data
- learning
- battery capacity
- 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
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or 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]
- G01R31/3644—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]
- G01R31/367—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]
- G01R31/389—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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]
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
-
- 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
-
- 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
Abstract
本申请涉及一种电池容量测量装置和方法。所述电池容量测量装置包括:学习数据输入单元,其接收在被选作学习目标的单个电池的进行特定时间的充放电过程中测量的电池容量因子学习数据;测量数据输入单元,其接收在被选作预测目标的电池的进行特定时间的充放电过程中选取的电池容量因子测量数据;数据学习单元,其从输入到学习数据输入单元的电池容量因子学习数据导出电池容量分布,并对于从学习数据中导出的电池容量分布的每个电池容量范围进行多个不同的机器学习;以及输出单元,其从输入的电池容量因子测量数据基于多个不同的机器学习的结果计算所述被选作预测目标的电池的容量预测数据,并输出针对从学习数据导出的电池容量分布的每个电池容量范围计算的电池容量预测数据。
Description
技术领域
本申请要求享有于2020年11月13日向韩国知识产权局提交的韩国专利申请第10-2020-0151880号的优先权和权益,其全部内容通过引用方式并入本文。
本申请涉及一种用于测量电池容量的装置和方法。
本申请涉及一种电池管理系统装置,包括用于测量电池容量的装置。
本申请涉及一种包括电池管理系统装置的移动设备。
本申请涉及一种存储在记录介质中的计算机程序,用于执行用于测量电池容量的方法。
背景技术
电动汽车、移动装置等对二次电池的需求正在迅速扩大,对二次电池的状态诊断和质量稳定性的要求也越来越高。
当通过从循环充电/放电过程中产生的电池托盘中采样一定数量的电池并对采样的电池进行连续充电和放电而确定二次电池的容量满足额定容量(其为预定标准)时,做出通过判定。
这样的二次电池的容量表示为在额定容量的上下限范围内具有一定程度以上的偏差的离散形式,根据电池的制造方法和制造条件以及待测量的温度、湿度、充电速率和放电速率的测量条件,结果会出现偏差。
尽管根据这些测量条件会出现偏差,但在充电或放电期间待测量的容量值通常是在与电池规格中规定的操作条件不同的条件下测量的。
此外,即使作为容量测量的结果电池被确定为良品,之后在实际操作或使用(充电和放电)由对应于良品的多个电池组成的模块或组时,仍可能会出现各种情况。
也就是说,即使在实际操作或使用模块或组时,也需要连续的电池容量测量和状况诊断。
但是,与在生产过程中类似,即使对模块或组中使用的电池进行容量测量和状况诊断期间,结果也会因例如待测量的温度、湿度、充电速率和放电速率等的测量条件而出现偏差。
因此,在电池的生产过程和实际操作由多个电池组成的模块或组的过程中,需要一种能够通过实时监测电池的状态来确定电池质量和诊断电池状况,修正因测量条件不同造成的容量测量值之间的偏差,然后测量二次电池的容量的方法,以及能够实现对应的方法的装置。
<专利文献>韩国专利申请公开第10-2004-0051195号
发明内容
【技术问题】
本申请的目的是提供一种能够通过校正电池使用条件的影响来测量电池容量的装置和方法。
【技术方案】
本公开的一个实施方式提供了一种用于测量电池容量的装置,该装置包括:学习数据输入单元,用于接收在被选作学习目标的电池的进行特定时间的充放电过程中的电池容量因子学习数据;测量数据输入单元,用于接收在被选作预测目标的电池的进行特定时间充放电过程中选取的电池容量因子测量数据;数据学习单元,用于从输入到学习数据输入单元的电池容量因子学习数据导出电池容量分布,并对于从学习数据中导出的电池容量分布的每个电池容量范围分别进行多个不同的机器学习;以及输出单元,用于从输入的电池容量因子测量数据计算电池容量预测数据,并输出通过多个不同的机器学习的结果针对从学习数据导出的电池容量分布的每个电池容量范围分别计算的电池容量预测数据。
本公开的另一个实施方式提供了一种用于测量电池容量的方法,该方法包括以下步骤:输入在被选作学习目标的电池的进行特定时间的充放电过程中的电池容量因子学习数据;从输入的电池容量因子学习数据导出电池容量分布;对于从学习数据中导出的电池容量分布的每个电池容量范围分别进行多个不同的机器学习;输入在被选作预测目标的电池的进行特定时间的充放电过程中选取的电池容量因子测量数据;从输入的电池容量因子测量数据计算电池容量预测数据;以及输出通过多个机器学习的结果针对从学习数据导出的电池容量分布的每个电池容量范围分别计算的电池容量预测数据。
本公开的一个实施方式提供了一种电池管理系统装置,包括上述的用于测量电池容量的装置。
本公开的一个实施方式涉及一种包括所述电池管理系统装置的移动设备。
最后,本公开的一个实施方式涉及一种存储在记录介质中的计算机程序,用于执行所述用于测量电池容量的方法。
【有益效果】
根据本申请的实施方式的用于测量电池容量的装置和方法,通过校正电池使用状况的影响,可以提高电池容量测量的准确度,并可以降低工艺中的电池制造和容量测量成本。
根据本申请的实施方式的用于测量电池容量的装置和方法可以通过提高电池容量测量的准确度来提高诊断电池状态和预测电池寿命的准确度。
根据本申请实施方式的用于测量电池容量的装置和方法可以通过提供一种成本划算且准确的容量测量方法并提高电池容量测量的准确性来提高电池产品质量控制的效率和电池活化过程的效率。
当模块、组和托盘形式的多个电池被安装在电动车辆、移动装置等上并用作电源时,根据本申请的实施方式的用于测量电池容量的装置和方法在进行容量匹配和电芯平衡时可以提高测量单个电池容量的准确度,并且可以提高模块、组和托盘形式的电池的寿命。
附图说明
图1是显示应用本申请的用于测量电池容量的装置和方法的过程的图。
图2是示意性地显示本申请的用于测量电池容量的装置的配置的图。
图3和图4分别是显示根据实施例和对比实施例的导出结果的容量分布比较图和箱线图。
具体实施方式
在下文中,将详细描述本公开,使得本领域普通技术人员可以容易地实施本公开。然而,本公开可以体现为各种不同的形式,并不仅限于本文所述的配置。
在本说明书中,如果一个规定部件“包括”一个规定元素,则这意味着可以进一步包括另一元素而不是排除其他元素,除非存在任何特别相反的描述。
在本说明书中,“至少一个”的含义是指一个或多个以及全部以下,例如,“A、B和C中的至少一个”的含义是指包括以下所有情况:有一个如A、B、或C的情况、有两个如A和B、A和C、以及B和C的情况,以及有三个(全部)如A至C的情况。
即,在本说明书中,“学习数据”是指用于机器学习的数据。
此外,在本说明书中,“测量数据”是指为了计算“预测数据”而待输入的数据,而预测数据是指作为反映在输入的测量数据上进行机器学习的结果而待输出的数据。
此外,在本说明书中,“容量因子学习数据”是用于使用机器学习得到准确容量测量结果的学习数据,并且是指通过对应于单个电池额定容量的容量测量值在电池充电、放电和静置状态下测量、收集和存储的数据,包括电池充电电压、电池放电电压、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗、电池温度等。然而,容量因子学习数据不限于包括上述因子,并且可以包括影响电池容量并且可以测量和收集的所有因子。
此外,在本说明书中,“容量因子测量数据”是用于使用机器学习得到准确容量测量结果的测量数据,并且是指在电池充电、放电和静置状态下测量、收集和存储的数据,包括电池充电电压、电池放电电压、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗、电池温度等。容量测量数据不限于包括上述因子的容量因子测量数据,且可以包括所有影响电池容量且可以测量和收集的因子。
本公开的一个实施方式提供了一种用于测量电池容量的装置,该装置包括:学习数据输入单元,用于接收在被选作学习目标的电池的进行特定时间的充放电过程中的电池容量因子学习数据;测量数据输入单元,用于接收在被选作预测目标的电池的进行特定时间的充放电过程中选取的电池容量因子测量数据;数据学习单元,用于从输入到学习数据输入单元的电池容量因子学习数据导出电池容量分布,并对于从学习数据中导出的电池容量分布的每个电池容量范围分别进行多个不同的机器学习;以及输出单元,用于从输入的电池容量因子测量数据计算电池容量预测数据,并输出通过多个不同的机器学习的结果针对从学习数据导出的电池容量分布的每个电池容量范围分别计算的电池容量预测数据。
如下获得电池容量分布。在以区段之间恒定或变化的间隔将整个容量范围区分开之后,测量对每个区段具有相应容量的电池的数量,并以条形图的形式显示。
在本公开的一个实施方式中,被选作学习目标的电池和被选作预测目标的电池可以是指被各自独立地设置在模块、组和托盘上的单个电池。
在此,机器学习是人工智能的一个领域,是指计算机程序通过使用数据和处理经验进行学习来提高信息处理能力的技术,或者与之相关的技术。与机器学习有关的技术在本公开所属的技术领域中是众所周知的。即,将省略对机器学习的具体学习算法的详细描述。
在本说明书中,“对从学习数据导出的电池容量分布的每个电池容量范围分别进行多个不同的机器学习”是指将电池容量范围指定为电池容量分布中的某个标准,并且根据范围各自进行不同的机器学习。
在本公开的一个实施方式中,电池可以是二次电池,但本公开不限于此。
在本说明书中,术语“特定时间”是指进行任意确定的电池的充电和放电过程的时间。例如,当电池的充电和放电过程要进行1小时的情况下,所述特定时间是指1小时。
在本公开的一个实施方式中,用于测量电池容量的装置的电池容量因子学习数据可以包括通过对应于被选作学习目标的单个电池的额定容量的容量测量值在电池充电、放电和静置期间测量的电池充电容量和电池放电容量,且可以进一步包括电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池阻抗和电池温度中的一种或多种,但本公开不限于此,且在此可以包括可能影响电池容量的任何因子。
在本公开的一个实施方式中,用于测量电池容量的装置的电池容量因子学习数据可以包括通过对应于被选作学习目标的单个电池的额定容量的容量测量值在电池充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度。
在本公开的一个实施方式中,用于测量电池容量的装置的电池容量因子测量数据可以包括在被选作预测目标的电池的充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度中的一种或多种。
在本公开的一个实施方式中,用于测量电池容量的装置的电池容量因子测量数据可以包括在被选作预测目标的电池的充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度。
即,额定容量的容量测量值可以对应于应变量值,用于估计应变量值的自变量可以被称为容量因子。
在本说明书中,不同的机器学习模型是指不同的机器学习算法,例如,决策树和支持向量机(SVM)。然而,即使使用相同的决策树算法,当表示决策树结构的属性(超参数),例如树的深度、叶子节点的数量等不同时,或者当深度神经网络的结构,例如输入层、隐藏层、输出层、每个节点的权重等彼此不同时,它们被认为是不同的机器学习模型。
在本公开的一个实施方式中,数据学习单元的多个不同的机器学习可以通过选择各自不同的回归模型算法来进行,但机器学习的种类不限于此。
更具体而言,在本公开的一个实施方式中,回归模型算法可以是选自决策树、支持向量机(SVM)、随机森林、偏最小二乘回归、分位数回归、梯度提升机、深度神经网络、以及广义线性/非线性回归中的一种或多种,但本公开不限于此。
由于与机器学习相关的技术在本公开所属的技术领域中是公知的,因此将省略具体学习算法的详细描述。
在本说明书中,电池的容量(Y)与容量因子(X1、X2、...、Xn)的相关性通过机器学习以方程或规则的形式导出。容量因子是指影响电池容量的在电池充电、放电和静置期间测量、收集和存储的包括电压、电流、容量、阻抗、温度等的值。
具体地,通过机器学习获得的导出电池容量(Y)的实施方式可以由方程Y=f(X1,X2,...,Xn)表示。在此,f(X1,X2,...,Xn)是指容量因子(X1,X2,..,Xn)的函数形式,且包括导出等于或约等于电池的容量(Y)的值的所有数学函数的组合。在此,最准确地预测电池容量(Y)的容量因子(X1,X2,...,Xn)的数学函数的组合是作为对于其中测量、收集和存储了电池的容量和容量因子的数据的机器学习的结果而得到的。即,在进行机器学习的过程中,获得了使与容量(Y)的实际值的偏差最小的容量因子的数学函数组合。
作为另一个实施方式,通过机器学习获得的结果可以表示为IF-THEN规则。在此,IF-THEN规则是指如果容量因子满足多个特定条件IF{(X1,X2,...,Xn)},则电池的容量(Y)具有某特定值或特定范围内的值(THEN Y=yi)。在此,所述多个特定条件IF{(X1,X2,...,Xn)}是指每个单独的容量因子(X1,X2,...,Xn)或由若干容量因子组成的函数组合具有特定值或特定范围内的值。表示每个单独的容量因子或由若干容量因子组成的函数组合的特定值或特定范围内的值的多个特定条件IF{(X1,X2,…,Xn)}可以具有条件之间的层次关系结构。即,一些特定条件可以在应用一些其他特定条件之后应用。
此外,当通过应用多个机器学习算法来学习关于电池容量和容量因子测量、收集和存储的数据时,对于一些机器学习方法,可以不分割整个数据进行学习,或者可以通过将整个数据分成几个部分进行学习。
当通过将整个数据分成几个部分进行学习时,可以通过将整个数据分成训练数据集和测试数据集进行学习,该训练数据集用于从机器学习算法中导出数学相关公式或IF-THEN规则,该测试数据集用于评价该数学相关公式或IF-THEN规则。
具体而言,可以将以下方法应用于相应电池的部分或者全部容量范围:在将由用于机器学习的电池容量和容量因子组成的整个学习数据初步分成若干部分,然后使用每个分割的数据集对多个机器学习算法中的每一个进行学习,从而创建与学习算法相同数量的电池容量预测模型之后,在从新输入的容量因子数据预测容量时,通过对应用多个电池容量预测模型推导出的估计容量值进行统计求和以得到一个平均值,并将该平均值确定为最终的电池容量。
此外,放置在模块、组或托盘上的电池的容量值,或设计为具有相同额定容量并在相同制造条件下制造的电池的容量值表示具有方差、标准偏差、上限和下限的分布。基于容量分布的中心(平均值或中值)对称或不对称地应用多个机器学习模型。
例如,如图1所示,可以从容量分布的中心(平均值或中值)到容量值减小的一侧和容量值增大的一侧根据标准差的整数倍或实数倍的容量区间来均等地应用第一至第三机器学习模型,可以相同地应用第一至第三机器学习模型,或者可以向容量值减小的一侧和容量值增大的一侧应用不同的机器学习模型。
具体而言,首先,在学习数据并使用多个机器学习算法对放置在模块、组或托盘上的多个总容量区间创建容量预测模型之后,在数据学习过程中评价每个机器学习算法的预测容量值的准确性和错误减少率,从而通过这样的方法来确定预测模型之间的优先级:选择每个容量区间内最高性能(即准确率和误差减少率)的预测模型作为在相应的容量区间内的最优机器学习模型。
接下来,使用从布置在模块、组或托盘上的单个电池新测量和收集的容量因子测量数据以及从多个机器学习导出的容量预测模型来预测每个电池对于每个预测模型的容量值。之后,根据预测值对应的容量区间,将由预先确定优先级的机器学习预测模型返回的容量值确定为对应电池的最终容量值。
作为此一个实例,如图1中所示,首先,将通过应用第一机器学习模型导出的容量预测值分配为对应电池在从优选的容量分布的中心(平均值或中值)向容量值减小的一侧和容量值增大的一侧的a倍标准差以下的容量区间内的容量值。此外,如图1中所示,将通过应用第二机器学习模型导出的容量预测值分配为对应电池在从通过第一机器学习模型导出的电池的容量范围以外的容量分布的中心(平均值或中值)向容量值减小的一侧和容量值增大的一侧的大于a倍标准差且等于或小于b倍标准差的容量区间内的容量值。
类似地,如图1中所示,可以通过以下方法进行学习:将通过应用第三机器学习模型导出的容量预测值分配为对应电池相对于通过第一和第二机器学习模型分别导出的电池的容量范围的外侧的容量范围和从容量分布的中心(平均值或中值)向容量值减小的一侧和容量值增大的一侧的大于b倍标准差且等于或小于c倍标准差的容量区间的容量值。
在图1所示的实施方式中,可以分别应用随机森林、梯度提升机和分位数回归作为第一至第三机器学习方法,但这仅示例了第一至第三机器学习方法的算法。此外,可以通过应用其他机器学习算法以相同的方式进行学习。
图1中所示的符号的定义如下。
Di=输入数据
Do=输出数据
σ=容量标准差,a,b,c=整数或实数
Daσ=在从容量分布的中心(平均值或中值)的a倍标准差范围(aσ)内的容量值数据
Dbσ=在从容量分布的中心(平均值或中值)的b倍标准差范围(bσ)内的容量值数据
Dcσ=在从容量分布的中心(平均值或中值)的c倍标准差范围(cσ)内的容量值数据
即,根据例如设置在模块、组或托盘上电池的种类、电池的制造方法、电池的结构、操作条件等的各种条件,对于容量预测值显示出最佳性能(准确率和误差减少率)的机器学习算法的组合是不同的,并且不仅限于上述实例中呈现的情况。
从机器学习模型得到的预测容量值的应用准则遵循在学习过程中预先确定的机器学习模型的优先级和容量区间。例如,对于每个容量区间,计算决定系数(R平方,R2)、平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等,以确定具有优化值的容量区间的范围。例如,其中决定系数的值变为最大值或平均绝对误差、均方根误差或平均绝对百分比误差成为最小值的容量范围的标准差的整数倍或实数倍,即得到容量分布,且优先应用在每个容量区间内表现出最高准确率和误差减少率的机器学习算法。
当从机器学习模型预测的电池容量值偏离额定容量的上限和下限时,电池被诊断为缺陷。
在本说明书中,“输入单元”是用于接收各种类型的必要数据的接口。具体而言,在本说明书中,输入单元可以分为用于接收学习数据的学习数据输入单元和用于接收测量数据的测量数据输入单元。更具体而言,“输入单元”是用于测量或收集在额定容量条件下测量或收集的容量因子,并将测量或收集的容量因子测量数据传输到参考值存储单元或数据学习单元的接口。学习单元接收和传输数据的方法没有特别限制。
在本说明书中,“数据学习单元”是用于使用输入到学习数据输入单元的学习数据来进行机器学习的接口。
在本说明书中,“输出单元”是用于通过反映机器学习的结果来计算预测数据的接口。输出单元计算数据的方法没有特别限制。
在本公开的一个实施方式中,用于测量电池容量的装置可以进一步包括:参考值存储单元,用于存储在电池额定容量条件下测量的数据;容量状态诊断单元,用于比较输出的电池容量预测数据和在电池额定容量条件下测量的数据的结果,以确定预测数据的可靠性,诊断电池的容量和状态,并根据诊断结果控制电池过程。
在本说明书中,“参考值存储单元”是用于存储在额定容量条件下测量或采集的容量因子测量数据,使用该容量因子测量数据计算容量参考值,并将该容量参考值传输到容量状态诊断单元的接口。参考值存储单元存储数据并传输特定值的方法没有特别限制。
所有输入、传输或计算到根据本公开的测量装置的接口的数据都可以被一体化管理。在此,一体化管理可以包括,例如,通过特定的主计算机或服务器管理所有输入、传输或计算到根据本公开的测量装置的接口的所有数据、从管理的数据计算新值,或者将其作为数据再次输入到输入单元的所有动作。
在本说明书中,“容量状态诊断单元”是用于根据通过比较从参考值存储单元接收到的容量参考值和从数据学习导出的容量预测值得到的诊断结果控制电池的过程,从而确定预测数据的可靠性并诊断电池的容量和状态的接口。
这种结构如图2所示,并且除了如输出单元的下图2中所示的接口之外,还可以另外具有必要的接口。
在本公开的一个实施方式中,用于测量电池容量的装置可以使用箱线图将输出的电池容量预测数据与电池的实际容量数据结果进行比较。
在本公开的一个实施方式中,确定在用于测量电池容量的装置中的电池容量预测数据的可靠性可以是使用存储在参考值存储单元中的电池的实际标准容量分布,决定系数(R平方,R2)、平均绝对误差(MAE)、均方根误差(RMSE)或平均绝对百分比误差(MAPE),但本公开不限于此。
由于本公开所述领域已广泛知晓与比较数据并确定可靠性的方法有关的技术,因此将省略其详细描述。
在本公开的一个实施方式中,在用于测量电池容量的装置中的电池容量分布的电池容量范围可以确定为基于容量分布的中心的标准差(σ)的整数倍或实数倍。
容量分布的中心可以是指容量分布的平均值(Mean)或中值(Median)。
在本公开的一个实施方式中,在用于测量电池容量的装置中的电池容量分布的电池容量范围可以确定为基于容量分布的平均值(Mean)或中值(Median)的标准差(σ)的整数倍或实数倍。
例如,在本实施方式中,在距容量分布的中心为1.5倍标准差的容量区间内使用集合回归法,并在大于1.5倍标准差的容量区间内使用分位数回归法时,预测容量的准确率可能为最大。
在本公开的实施方式中,可以提供一种电池管理系统(BMS)装置,包括根据本公开的用于测量电池容量的装置。换言之,在本公开的实施方式中,用于测量电池容量的装置可以用于电池管理系统(BMS)装置中。
在本公开的实施方式中,可以提供一种电池管理系统装置,包括容量测量装置,该容量测量装置包括:学习数据输入单元;测量数据输入单元;数据学习单元;和输出单元。
在本说明书中,“电池管理系统(BMS)装置”是指包括电池管理系统的所有类型的接口。
在本公开的一个实施方式中,可以提供一种移动设备,包括根据本申请的管理系统装置。
在本说明书中,术语“移动设备”是指可以自行移动或者可以由用户容易携带的设备,所述移动设备的实例可以包括电动汽车、移动装置等。
在本公开的一个实施方式中,可以提供一种电池管理系统装置,其中,学习数据输入单元;测量数据输入单元;数据学习单元;参考值存储单元;以及容量状态诊断单元中的至少一个是被远程控制的。
在本公开的一个实施方式中,可以提供一种电池管理系统装置,其中,学习数据输入单元;测量数据输入单元;数据学习单元;参考值存储单元;以及容量状态诊断单元中的两个以上是被远程控制的。
在本公开的一个实施方式中,可以提供一种电池管理系统装置,其中,学习数据输入单元;测量数据输入单元;数据学习单元;参考值存储单元;以及容量状态诊断单元中的全部都是被远程控制的。
在本说明书中,“被远程控制”的含义是指输入单元、学习单元、输出单元等的接口位于电池管理系统装置之外,从而在通过通信在接口之间发送或接收数据和信号的同时进行它们的功能。例如,远程控制的方法可以包括通过将一些接口放置在云服务器中而在通过通信在接口之间发送或接收数据和信号的同时管理它们功能的执行的方法,但本公开不限于此,并且能够在电池管理系统装置之外进行它们的功能的任何方法都可以应用于本公开的配置。
当装置的部分或全部接口被远程控制时,可以减轻电池管理系统装置的重量,从而使其易于应用于移动设备,以及,使用特定的主计算机或云服务器,从而使其易于一体化管理在使用该装置的过程中产生的数据等。
此外,当装置的一些接口被远程控制时,可以通过降低与计算机硬件(H/W)相关的用于数据存储的存储器、计算、信息处理等所需的规格并简化配置而降低与安装在移动设备中的计算机硬件相关的成本。
进一步地,在本公开的一个实施方式中,可以在移动设备中嵌入电池管理系统装置的学习数据输入单元;测量数据输入单元;数据学习单元;输出单元;参考值存储单元;以及容量状态诊断单元中的至少一个。
进一步地,在本公开的一个实施方式中,可以在移动设备中嵌入电池管理系统装置的学习数据输入单元;测量数据输入单元;数据学习单元;输出单元;参考值存储单元;以及容量状态诊断单元中的两个以上。
进一步地,在本公开的一个实施方式中,可以在移动设备中嵌入电池管理系统装置的学习数据输入单元;测量数据输入单元;数据学习单元;输出单元;参考值存储单元;以及容量状态诊断单元中的全部。
在本公开的一个实施方式中,可以提供一种移动设备,其中,在该移动设备中嵌入了学习数据输入单元;测量数据输入单元;数据学习单元;输出单元;参考值存储单元;以及容量状态诊断单元中的至少一个。
在本公开的一个实施方式中,可以提供一种移动设备,其中,在该移动设备中嵌入了电池管理系统装置的学习数据输入单元;测量数据输入单元;数据学习单元;输出单元;参考值存储单元;以及容量状态诊断单元中的两个以上。
在本公开的一个实施方式中,可以提供一种移动设备,其中,在该移动设备中嵌入了学习数据输入单元;测量数据输入单元;数据学习单元;参考值存储单元;以及容量状态诊断单元中的全部。
在本说明书中,术语“被嵌入在移动设备中”是指上述输入单元、学习单元、输出单元等的接口对应于移动设备的组件之一。
当所述装置部分地或全部地被嵌入在移动设备中时,其优点在于不会出现由于通信问题引起的安全问题。
在本公开的一个实施方式中,构成电池管理系统装置的用于测量电池容量的装置可以进一步包括上述参考值存储单元;以及容量状态诊断单元,所述参考值存储单元和所述容量状态诊断单元可以部分地被嵌入在远程控制或移动设备中。如果有可用的附加接口,则每个接口都可以被嵌入在远程控制或移动设备中。
更具体而言,在电池管理系统被安装在电动汽车、移动设备等上并被用作电源时,电池管理系统是指进行容量匹配和电芯平衡,控制电池的充电或放电,以及控制和管理电池的整体状态,例如电池的剩余电量、电池故障等的系统。电池管理系统(BMS)可以被应用于一个或多个电池。即,它通常应用于多个电池,但也可以应用于一个电池,并且电池管理系统可以单独应用于每个电池。
由电池管理系统装置产生的数据也可以如上所述被一体化管理。
在根据本公开的用于测量电池容量的装置被应用于电池管理系统装置时,可以提高电池容量测量的准确性,从而可以相应地提高诊断电池状态和预测电池寿命的准确性。即,由于一个或多个电池安装在电动车辆、移动装置等上并用作电源,在进行诸如容量匹配,电芯平衡等的整体电池管理时,可以通过电池管理系统更准确和有效地管理电池。
在本公开的一个实施方式中,其提供了一种用于测量电池容量的方法,该方法包括以下步骤:输入在被选作学习目标的电池的进行特定时间的充放电过程中的电池容量因子学习数据;从输入的电池容量因子学习数据导出电池容量分布;对于从学习数据中导出的电池容量分布的每个电池容量范围分别进行多个不同的机器学习;输入在被选作预测目标的电池的进行特定时间的充放电过程中选取的电池容量因子测量数据;从输入的电池容量因子测量数据计算电池容量预测数据;以及输出通过多个机器学习的结果针对从学习数据导出的电池容量分布的每个电池容量范围分别计算的电池容量预测数据。
在本公开的一个实施方式中,用于测量电池容量的方法的电池容量因子学习数据可以包括通过对应于被选作学习目标的单个电池的额定容量的容量测量值在电池充电、放电和静置期间测量的电池充电容量和电池放电容量,且可以进一步包括电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池阻抗和电池温度中的一种或多种,但本公开不限于此,且在此可以包括可能影响电池容量的任何因子。
在本公开的一个实施方式中,用于测量电池容量的方法的电池容量因子学习数据可以包括通过对应于被选作学习目标的单个电池的额定容量的容量测量值在电池充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度。
在本公开的一个实施方式中,用于测量电池容量的方法的电池容量因子测量数据可以包括被选作预测目标的电池在充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度中的一种或多种。
在本公开的一个实施方式中,用于测量电池容量的方法的电池容量因子测量数据可以包括被选作预测目标的电池在充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度。
在本公开的一个实施方式中,对输入学习数据进行机器学习的步骤可以通过选自决策树、支持向量机(SVM)、随机森林、偏最小二乘回归、分位数回归、梯度提升机、深度神经网络、以及广义线性/非线性回归中的一种或多种来进行,但本公开不限于此。例如,在本实施方式中,在距容量分布的中心1.5倍标准差的的容量区间内使用集合回归法,并在大于1.5倍标准差的容量区间内使用分位数回归法时,预测容量的准确率可变得最大。
在本公开的一个实施方式中,用于测量电池容量的方法可进一步包括以下步骤:存储电池的实际容量数据;将输出的电池容量预测数据与电池的实际容量数据结果进行比较以确定电池容量预测数据的可靠性。
在本公开的一个实施方式中,在用于测量电池容量的方法中,可以使用箱线图比较输出的电池容量预测数据与电池的实际容量数据结果,但本公开不限于此。
在本公开的一个实施方式中,确定电池容量预测数据的可靠性的步骤可以使用存储在参考值存储单元中的电池的实际标准容量分布,决定系数(R平方,R2)、平均绝对误差(MAE)、均方根误差(RMSE)或平均绝对百分比误差(MAPE),但本公开不限于此。
在本公开的一个实施方式中,在用于测量电池容量的方法中的电池容量分布的电池容量范围可以确定为基于容量分布的中心的标准差(σ)的整数倍或实数倍。
容量分布的中心可以是指容量分布的平均值(Mean)或中值(Median)。
在本公开的一个实施方式中,在用于测量电池容量的方法中的电池容量分布的电池容量范围可以确定为基于容量分布的平均值(Mean)或中值(Median)的标准差(σ)的整数倍或实数倍。
在本公开的实施方式中,多个机器学习可以并行连接。
在本公开的实施方式中,用于测量电池容量的方法可以是在电池管理系统(BMS)中使用的方法。也就是说,在本公开的实施方式中,电池管理系统可以通过使用根据本公开的用于测量电池容量的方法来进行上述的电池管理系统的功能。
在此情况下,同样如上所述,由于一个或多个电池安装在电动车辆、移动装置等上并用作电源,在进行诸如容量匹配,电芯平衡等的整体电池管理时,可以通过电池管理系统更准确和有效地管理电池。
在本说明书中,应用于根据本公开的实施方式的用于测量电池容量的装置的描述也可以应用于根据本公开的实施方式的用于测量电池容量的方法。
根据本申请的用于测量电池容量的装置和方法将多种机器学习方法中能够最大程度地提高准确性的方法应用于每个容量区间的电池容量因子学习数据,使得可以提高电池容量预测的准确性和精度。如此,可以提高电池状态诊断和质量控制的效率,并可以最终提高过程优化和生产效率。
当模块、组和托盘形式的多个电池被安装在电动车辆、移动装置等上并用作电源时,根据本申请的实施方式的用于测量电池容量的装置和方法在进行容量匹配和电芯平衡时可以提高单个电池的容量测量准确度,结果可以提高模块、组和托盘形式的电池的寿命。
本公开的实施方式提供了一种存储在记录介质中的计算机程序,用于执行根据本公开的用于测量电池容量的方法。上述对用于测量电池容量的方法的描述可以以相同的方式应用,不同之处在于用于测量电池容量的方法的每个步骤以计算机程序的形式存储在记录介质中。
下面将更详细地描述用于测量电池容量的方法的过程。
<实施例>
在将一个或多个待学习电池放置在模块、组和托盘上,并通过对应于额定容量的容量测量值进行电池的充电和放电过程的同时测量和收集所放置的电池的如充电电压、放电电压、开路电压(OCV)、充电电流、放电电流、充电容量、放电容量、阻抗和温度等的电池容量因子之后,将这些值作为容量因子学习数据存储在存储介质中。
此后,由测量和收集的容量因子学习数据导出容量分布,对从学习数据导出的容量分布的每个电池容量范围使用第一至第三机器学习模型进行机器学习,并由此导出三个电池容量预测模型。
具体而言,将通过应用第一机器学习模型导出的容量预测值分配为基于容量分布中心的1.5倍标准差范围内的对应电池的容量值,并将通过第二机器学习模型导出的容量预测值分配为相对于通过第一机器学习模型导出的电池容量范围的对应电池的容量值,即,在基于所述容量分布中心的1.5倍标准差范围以外的情况。更具体而言,应用第二机器学习模型的电池容量范围是指1.5至2倍标准差的范围。
类似的,当通过应用第一和第二机器学习模型导出的电池容量超出该范围时,即,当其偏离两倍标准差时,通过应用第三机器学习模型导出的容量预测值被分配为相应电池的容量值。
更具体而言,在基于容量分布中心的1.5倍标准差范围内应用随机森林(第一机器学习模型),在基于容量分布中心的1.5至2倍标准差的范围应用梯度提升机(第二机器学习模型)算法。
最后,对于基于容量分布中心偏离两倍标准差的范围应用分位数回归(第三机器学习模型)算法。
此外,在此过程中使用了bagging算法和boosting算法两种集成方法。
此时,在从分布中心到1.5至2倍标准差的容量区间应用bagging和boosting算法时,准确率达到最大值,并且在其外部的容量区间中应用分位数回归法时,准确率达到最大值。
之后,在将一个或多个待预测容量的电池放置在模块、组和托盘上,并在进行所述电池的充电和放电过程的同时测量和收集所放置电池的如充电电压、放电电压、开路电压(OCV)、充电电流、放电电流、充电容量、放电容量、阻抗和温度等的电池容量因子之后,将所述值作为容量因子测量数据学习数据存储在存储介质中。
此后,通过将所述三个导出的电池容量测量模型应用到容量因子测量数据来计算电池容量预测数据。
接着,通过对于从容量因子学习数据导出的容量分布的每个容量范围输出计算出的电池容量预测数据,导出电池容量分布以预测电池容量。
<对比实施例>
此外,除了应用线性回归方程作为单一机器学习算法之外,以相同方式导出电池容量预测数据(对比实施例)。
根据实施例和对比实施例的推导结果通过图3的容量分布比较图和图4的箱线图显示。
在图3和图4中的(a)到(d)的含义如下。
(a)额定容量
(b)通过单一机器学习(ML)方法计算的容量
(c)通过多种机器学习(ML)方法计算的容量(本公开的实施例)
(d)由线性回归方程计算的容量
可以从图3和图4的结果视觉上确认,在根据本申请实施方式的用于测量电池容量的装置和方法的情况下,测量数据和预测数据之间的差异不大,且准确性优异。
最后,将电池的实际容量数据与输出的电池容量预测数据进行比较,以通过推导R2来确定电池容量预测数据的可靠性。
此外,除了应用单一机器学习算法以外,通过以相同方式导出R2来导出电池容量预测数据以确定其可靠性。
作为结果,其确认了根据本申请的实施方式的用于测量电池容量的装置和方法,与除了应用单一机器学习方法以外以相同方式测量电池容量的情况相比,R2提高了20%以上。
Claims (21)
1.一种用于测量电池容量的装置,该装置包括:
学习数据输入单元,用于接收在被选作学习目标的单个电池的进行特定时间的充放电过程中测量的电池容量因子学习数据;
测量数据输入单元,用于接收在被选作预测目标的电池的进行特定时间的充放电过程中选取的电池容量因子测量数据;
数据学习单元,用于从输入到学习数据输入单元的电池容量因子学习数据导出电池容量分布,并对于从学习数据中导出的电池容量分布的每个电池容量范围分别进行多个不同的机器学习;以及
输出单元,用于从输入的电池容量因子测量数据通过多个不同的机器学习的结果计算所述被选作预测目标的电池的容量预测数据,并输出针对从学习数据导出的电池容量分布的每个电池容量范围分别计算的电池容量预测数据。
2.根据权利要求1所述的装置,其中,电池容量因子学习数据包括通过对应于被选作学习目标的单个电池的额定容量的容量测量值在电池的充电、放电和静置期间测量的电池充电容量和电池放电容量,且进一步包括电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池阻抗和电池温度中的一种或多种。
3.根据权利要求1所述的装置,其中,电池容量因子测量数据包括在被选作预测目标的电池的充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度中的一种或多种。
4.根据权利要求1所述的装置,其中,数据学习单元的多个不同的机器学习通过选择各自不同的回归模型算法来进行。
5.根据权利要求4所述的装置,其中,所述回归模型算法是选自决策树、支持向量机(SVM)、随机森林、偏最小二乘回归、分位数回归、梯度提升机、深度神经网络、以及广义线性/非线性回归中的一种或多种。
6.根据权利要求1所述的装置,其进一步包括:
参考值存储单元,用于存储在电池额定容量条件下测量的数据;以及
容量状态诊断单元,用于比较输出的电池容量预测数据和在电池额定容量条件下测量的数据的结果,以确定电池容量预测数据的可靠性,诊断电池的容量和状态,并根据诊断结果控制电池过程。
7.根据权利要求6所述的装置,其中,使用存储在参考值存储单元中的在电池额定容量条件下测量的容量分布,决定系数(R平方,R2)、平均绝对误差(MAE)、均方根误差(RMSE)或平均绝对百分比误差(MAPE)确定电池容量预测数据的可靠性。
8.根据权利要求1所述的装置,其中,通过基于容量分布的平均值(Mean)或中值(Median)的标准差(σ)的整数倍或实数倍来确定电池容量分布的电池容量范围。
9.一种用于测量电池容量的方法,该方法包括以下步骤:
输入在被选作学习目标的电池的进行特定时间的充放电过程中的电池容量因子学习数据;
从输入的电池容量因子学习数据导出电池容量分布;
对于从学习数据中导出的电池容量分布的每个电池容量范围分别进行多个不同的机器学习;
输入在被选作预测目标的电池的进行特定时间的充放电过程中选取的电池容量因子测量数据;
通过多个机器学习的结果,从输入的电池容量因子测量数据计算被选作预测目标的电池的容量预测数据;以及
输出针对从学习数据导出的电池容量分布的每个电池容量范围分别计算的电池容量预测数据。
10.根据权利要求9所述的方法,其中,电池容量因子学习数据包括通过对应于被选作学习目标的单个电池的额定容量的容量测量值在电池的充电、放电和静置期间测量的电池充电容量和电池放电容量,且进一步包括电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池阻抗和电池温度中的一种或多种。
11.根据权利要求9所述的方法,其中,电池容量因子测量数据包括在被选作预测目标的电池的充电、放电和静置期间测量的电池充电电压、电池放电电压、电池开路电压(OCV)、电池充电电流、电池放电电流、电池充电容量、电池放电容量、电池阻抗和电池温度中的一种或多种。
12.根据权利要求9所述的方法,其中,对输入的学习数据进行多个不同的机器学习的步骤通过选择各自不同的回归模型算法来进行。
13.根据权利要求12所述的方法,其中,所述不同的回归模型算法是选自决策树、支持向量机(SVM)、随机森林、偏最小二乘回归、分位数回归、梯度提升机、深度神经网络、以及广义线性/非线性回归中的一种或多种。
14.根据权利要求9所述的方法,其进一步包括以下步骤:
存储和更新在电池额定容量条件下测量的电池容量数据;以及
将输出的电池容量预测数据与在电池额定容量条件下测量的电池容量数据结果进行比较,以确定电池容量预测数据的可靠性。
15.根据权利要求14所述的方法,其中,确定电池容量预测数据的可靠性的步骤是使用存储在参考值存储单元中的在电池额定容量条件下测量的容量分布,决定系数(R平方,R2)、平均绝对误差(MAE)、均方根误差(RMSE)或平均绝对百分比误差(MAPE)进行的。
16.根据权利要求9所述的方法,其中,通过基于容量分布的平均值(Mean)或中值(Median)的标准差(σ)的整数倍或实数倍来确定电池容量分布的电池容量范围。
17.一种电池管理系统(BMS)装置,其包括根据权利要求1至8中任一项所述的用于测量电池容量的装置。
18.根据权利要求17所述的电池管理系统装置,其中,学习数据输入单元;测量数据输入单元;数据学习单元;输出单元;参考值存储单元;以及容量状态诊断单元中的至少一个是被远程控制的。
19.一种移动设备,其包括根据权利要求17所述的电池管理系统装置。
20.根据权利要求19所述的移动设备,其中,在移动设备中嵌入电池管理系统装置的学习数据输入单元;测量数据输入单元;数据学习单元;输出单元;参考值存储单元;以及容量状态诊断单元中的至少一个。
21.一种存储在记录介质中的计算机程序,用于执行根据权利要求9至16中任一项所述的用于测量电池容量的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0151880 | 2020-11-13 | ||
KR20200151880 | 2020-11-13 | ||
PCT/KR2021/016484 WO2022103185A1 (ko) | 2020-11-13 | 2021-11-12 | 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115698737A true CN115698737A (zh) | 2023-02-03 |
Family
ID=81601488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180038792.XA Pending CN115698737A (zh) | 2020-11-13 | 2021-11-12 | 电池容量测量装置和方法,以及包括电池容量测量装置的电池控制系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230213586A1 (zh) |
EP (1) | EP4141460A4 (zh) |
JP (1) | JP7408843B2 (zh) |
KR (1) | KR20220065709A (zh) |
CN (1) | CN115698737A (zh) |
WO (1) | WO2022103185A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027204A (zh) * | 2023-02-20 | 2023-04-28 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
CN116559681A (zh) * | 2023-07-12 | 2023-08-08 | 安徽国麒科技有限公司 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
CN116680992A (zh) * | 2023-07-28 | 2023-09-01 | 宁德时代新能源科技股份有限公司 | 建立电芯容量预测模型的方法、装置、计算机设备及介质 |
CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024010175A1 (en) * | 2022-07-07 | 2024-01-11 | Samsung Electronics Co., Ltd. | Method and electronic device for forecasting remaining useful life (rul) of battery |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040051195A (ko) | 2002-12-12 | 2004-06-18 | 주식회사 팬택 | 배터리 잔량 측정 장치 및 방법 |
KR100911316B1 (ko) * | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
US9316699B2 (en) * | 2012-04-05 | 2016-04-19 | Samsung Sdi Co., Ltd. | System for predicting lifetime of battery |
US10006967B2 (en) * | 2015-10-16 | 2018-06-26 | Samsung Electronics Co., Ltd. | Battery management system for predicting life of a reconfigurable battery pack |
US10371754B2 (en) | 2016-02-19 | 2019-08-06 | Cps Technology Holdings Llc | Systems and methods for real-time estimation of capacity of a rechargeable battery |
CA3031092C (en) | 2016-07-22 | 2023-01-17 | Eos Energy Storage, Llc | Battery management system |
KR20180055192A (ko) * | 2016-11-16 | 2018-05-25 | 삼성전자주식회사 | 배터리 상태를 추정하는 방법 및 장치 |
CN107367699A (zh) | 2017-09-14 | 2017-11-21 | 南京林业大学 | 一种基于分数阶模型的锂电池soc估算新方法 |
CN108845268A (zh) | 2018-06-29 | 2018-11-20 | 深圳市科列技术股份有限公司 | 一种动力电池的老化趋势判断方法和装置 |
US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
JP6988728B2 (ja) * | 2018-07-31 | 2022-01-05 | トヨタ自動車株式会社 | 電池情報処理システム、二次電池の容量推定方法、および、組電池の製造方法 |
JP7153196B2 (ja) * | 2018-12-26 | 2022-10-14 | トヨタ自動車株式会社 | 電池特性評価装置、および電池特性評価方法 |
CN113297129A (zh) | 2021-04-28 | 2021-08-24 | 北京天启鸿源新能源科技有限公司 | 一种储能系统的soc计算方法及系统 |
CN115201683A (zh) | 2022-07-11 | 2022-10-18 | 易事特集团股份有限公司 | 具有自适应权重的混合模型soc估计方法 |
-
2021
- 2021-11-12 WO PCT/KR2021/016484 patent/WO2022103185A1/ko unknown
- 2021-11-12 JP JP2022566490A patent/JP7408843B2/ja active Active
- 2021-11-12 KR KR1020210155354A patent/KR20220065709A/ko active Search and Examination
- 2021-11-12 CN CN202180038792.XA patent/CN115698737A/zh active Pending
- 2021-11-12 US US18/018,629 patent/US20230213586A1/en active Pending
- 2021-11-12 EP EP21892352.2A patent/EP4141460A4/en active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027204A (zh) * | 2023-02-20 | 2023-04-28 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
CN116027204B (zh) * | 2023-02-20 | 2023-06-20 | 山东大学 | 基于数据融合的锂电池剩余使用寿命预测方法及装置 |
CN116559681A (zh) * | 2023-07-12 | 2023-08-08 | 安徽国麒科技有限公司 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
CN116680992A (zh) * | 2023-07-28 | 2023-09-01 | 宁德时代新能源科技股份有限公司 | 建立电芯容量预测模型的方法、装置、计算机设备及介质 |
CN116680992B (zh) * | 2023-07-28 | 2023-12-29 | 宁德时代新能源科技股份有限公司 | 建立电芯容量预测模型的方法、装置、计算机设备及介质 |
CN116846040A (zh) * | 2023-08-31 | 2023-10-03 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
CN116846040B (zh) * | 2023-08-31 | 2023-11-14 | 合肥博雷电气有限公司 | 一种恒压恒流充放电电源的全数字控制方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4141460A1 (en) | 2023-03-01 |
JP7408843B2 (ja) | 2024-01-05 |
US20230213586A1 (en) | 2023-07-06 |
WO2022103185A1 (ko) | 2022-05-19 |
JP2023525240A (ja) | 2023-06-15 |
KR20220065709A (ko) | 2022-05-20 |
EP4141460A4 (en) | 2024-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115698737A (zh) | 电池容量测量装置和方法,以及包括电池容量测量装置的电池控制系统 | |
Rauf et al. | Machine learning in state of health and remaining useful life estimation: Theoretical and technological development in battery degradation modelling | |
US10969436B1 (en) | Systems and methods for forecasting battery state of charge | |
KR102335180B1 (ko) | 배터리의 노화 상태 추정 장치 및 방법 | |
KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
CN115236541A (zh) | 提供老化状态模型以确定电蓄能器老化状态的方法和装置 | |
US20230273262A1 (en) | Battery capacity estimation apparatus and method | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
CN115219904A (zh) | 用于运行用来提供电化学电池组模型的系统的方法和装置 | |
Goebel et al. | Introduction to prognostics | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
EP4300109A1 (en) | Device and method for predicting low voltage failure of secondary battery, and battery control system comprising same device | |
WO2024013794A1 (ja) | 深層学習モデル生成装置、及び蓄電池の特性値算出装置 | |
Babu et al. | SOC Estimation of Li-Ion Battery Using Hybrid Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
Geetha et al. | Sensor based Battery Management System in Electric Vehicle using IoT with Optimized Routing | |
EP3996027A1 (en) | Method and system for monitoring and/or operating a power system asset | |
US20230400527A1 (en) | Secondary battery degradation determination apparatus and secondary battery degradation determination method | |
Zequera et al. | Data Science-based Techniques for Modelling and Diagnostics of Battery Cells Based on End-of-Life criteria | |
CN116256640A (zh) | 用于提供老化状态模型以确定电蓄能器的当前和预测老化状态的计算机实现的方法 | |
CN115700390A (zh) | 确定和改善蓄能器老化状态的预测的置信度的方法和装置 | |
CN116306214A (zh) | 提供确定储能器的老化状态的老化状态模型的方法和设备 | |
Cardelli et al. | State-of-Charge assessment of Li-ion battery using Genetic Algorithm-Neural Network (GANN) | |
CN115701545A (zh) | 用于提供计算和预测的电蓄能器老化状态的方法和装置 |
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 |