CN117192408A - 用于预测电池寿命的设备及预测电池寿命的方法 - Google Patents

用于预测电池寿命的设备及预测电池寿命的方法 Download PDF

Info

Publication number
CN117192408A
CN117192408A CN202211601714.9A CN202211601714A CN117192408A CN 117192408 A CN117192408 A CN 117192408A CN 202211601714 A CN202211601714 A CN 202211601714A CN 117192408 A CN117192408 A CN 117192408A
Authority
CN
China
Prior art keywords
battery
life
data
life model
vehicle
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
CN202211601714.9A
Other languages
English (en)
Inventor
吴霁倞
李哲揆
金主锡
柳熙渊
李宝铉
赵庆恩
郑项淳
金圣润
崔正一
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.)
Hyundai Motor Co
Industry Academic Cooperation Foundation of Yonsei University
Kia Corp
Original Assignee
Hyundai Motor Co
Industry Academic Cooperation Foundation of Yonsei University
Kia Corp
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 Hyundai Motor Co, Industry Academic Cooperation Foundation of Yonsei University, Kia Corp filed Critical Hyundai Motor Co
Publication of CN117192408A publication Critical patent/CN117192408A/zh
Pending legal-status Critical Current

Links

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]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • B60L53/80—Exchanging energy storage elements, e.g. removable batteries
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • 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
    • B60L2250/00—Driver interactions
    • B60L2250/16—Driver interactions by display
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及用于预测电池寿命的设备及预测电池寿命的方法。车辆可以包括：显示器、电池、电池传感器以及处理器，所述电池传感器配置为获取电池的电池数据；所述处理器配置为获取与电池数据相关的电池寿命模型的输出，基于电池寿命模型的输出来预测电池的寿命值，在显示器上显示与电池的寿命值相关的指示。电池寿命模型可以包括：电池单元寿命模型，其与利用在第一工作环境中收集的第一电池单元数据进行训练的基础寿命模型相关。电池单元寿命模型可以利用在第二工作环境中收集的第二电池单元数据，电池组寿命模型可以利用在第一工作环境中收集的电池组数据进行训练。

Description

用于预测电池寿命的设备及预测电池寿命的方法
技术领域
本发明涉及用于预测电池寿命的设备及该设备的控制方法。
背景技术
车辆包括可以通过利用化石燃料或电力等作为动力源在道路或轨道上行驶的移动装置或运输装置。
正在积极开展关于仅利用电力作为能量源的电动车辆的研究。电动车辆的电池可以用作用于移动车辆的驱动能量源，也可以用作用于向驾驶员提供便利和安全的辅助能量源。
随着电池使用时间的推移，电动车辆的电池寿命缩短，电池容量根据缩短的寿命而降低。出于诸如车辆安全、充电时间、里程等的原因，如果电池容量变为新电池的初始电池容量的70％至80％或更低，则可以更换电动车辆的电池。电动车辆的电池更换周期可以约为5年至10年。为了延长电池更换周期，重要的是预测电池寿命并且根据预测的寿命管理电池的充电和放电。
由于诸如不统一的使用环境、初始故障、失灵、电池单元的电压偏差等各种原因，电池容量可能会以各种速率降低。因此，由于各种原因，电池容量的降低可能是不确定的，并且由于不确定性，可能难以预测电池容量的降低。
发明内容
以下概述呈现了某些特征的简化概述。概述不是广泛的综述，并且不旨在确认关键或重要元件。
本发明的一方面致力于提供一种用于预测剩余电池寿命的车辆、用于预测电池寿命的设备及其控制方法，其利用机器学习。
本发明的一方面致力于提供一种车辆、用于预测电池寿命的设备及其控制方法，其可以利用迁移学习将在特定环境中训练的电池寿命模型转换为在另一环境中训练的电池寿命模型。
本发明的一方面致力于提供一种车辆、用于预测电池寿命的设备及其控制方法，其可以利用基于电池单元训练的电池寿命模型来生成电池模块或电池组的电池寿命模型。
一种车辆可以包括：显示器、电池、电池传感器以及处理器，所述电池传感器配置为获取电池的电池数据；所述处理器配置为获取与电池数据相关的电池寿命模型的输出；基于电池寿命模型的输出来预测电池的寿命值；在显示器上显示与电池的寿命值相关的指示；其中电池寿命模型包括：电池单元寿命模型和电池组寿命模型，所述电池单元寿命模型与利用在第一工作环境中收集的第一电池单元数据进行训练的基础寿命模型相关，其中电池单元寿命模型利用在第二工作环境中收集的第二电池单元数据进行训练；所述电池组寿命模型利用在第一工作环境中收集的电池组数据和电池单元寿命模型的输出进行训练。
一种设备可以包括：存储装置、输入接口、处理器以及输出接口，所述存储装置配置为存储第一电池数据；所述输入接口配置为从车辆获取第二电池数据；所述处理器配置为：利用第一电池数据训练用于预测车辆的电池的寿命的电池寿命模型，基于第二电池数据获取经训练的电池寿命模型的输出，基于经训练的电池寿命模型的输出，预测电池的寿命值；所述输出接口配置为将预测的电池的寿命值发送至车辆；其中电池寿命模型包括：基础寿命模型、电池单元寿命模型和电池组寿命模型，所述基础寿命模型与在第一工作环境中收集的第一电池单元数据相关；所述电池单元寿命模型与在第二工作环境中收集的第二电池单元数据相关；所述电池组寿命模型与电池单元寿命模型的输出以及在第一工作环境中收集的电池组数据相关。
一种方法可以包括：由设备存储第一电池数据；从车辆获取第二电池数据；利用第一电池数据训练用于预测车辆的电池的寿命的电池寿命模型；基于第二电池数据获取经训练的电池寿命模型的输出；基于经训练的电池寿命模型的输出，确定预测的电池的寿命值；将预测的电池的寿命值发送至车辆；其中训练电池寿命模型包括：利用在第一工作环境中收集的第一电池单元数据来训练基础寿命模型；利用在第二工作环境中收集的第二电池单元数据，将基础寿命模型与电池单元寿命模型关联；利用电池单元寿命模型的输出以及在第一工作环境中收集的电池组数据来训练电池组寿命模型。
下面将更详细地描述这些以及其他特征和优点。
附图说明
本发明的这些和/或其他方面将从以下结合所附附图的各种示例的描述中变得显而易见并且更容易理解，在附图中：
图1是示出用于预测电池寿命的设备的配置的示意图；
图2和图3示出了包括在用于预测电池寿命的设备中的电池寿命模型的示例；
图4是示出用于训练包括在用于预测电池寿命的设备中的电池寿命模型的配置的示意图；
图5示出了根据相关技术的寿命预测结果；
图6示出了通过图4所示的迁移学习过程的电池寿命模型的寿命预测结果；
图7示出了用于训练包括在用于预测电池寿命的设备中的电池寿命模型的配置的示例；
图8示出了用于训练包括在用于预测电池寿命的设备中的电池寿命模型的配置的示例；
图9示出了包括寿命模型的车辆的示例；以及
图10示出了服务器和包括用于预测电池寿命的设备的车辆的示例。
具体实施方式
相同的附图标记在整个说明书中指代相同的元件。本说明书未描述公开的实施方案的所有元件，并且省略了在本领域中公知内容的详细描述或对基本相同配置的冗余描述。在说明书中使用的术语“部件”、“模块”、“构件”、“块”等可以实施为软件和/或硬件。此外，多个“部件”、“模块”、“构件”、“块”等可以实施为一个组件。也可以是一个“部件”、“模块”、“构件”、“块”等包括多个组件。
在整个说明书中，当一个元件称为“连接至”另一元件时，该元件可以直接或间接连接至另一元件，“间接连接至”包括通过无线通信网络连接至另一元件。
此外，当一个部件“包括”某个组件时，这意味着可以进一步包括其他组件，而不是排除其他组件，除非另有说明。
在整个说明书中，当一个构件位于另一构件的“上”时，其不仅包括一个构件与另一构件接触的情况，还包括另一构件存在于两个构件之间的情况。
术语第一、第二等用于区分一个组件与另一组件，并且该组件不受上述术语的限制。
单数表述包括复数表述，除非其在上下文中具有明显不同的含义。
操作中使用的附图标记用于描述方便，并且不旨在描述操作的顺序，除非另有说明，否则操作可以以不同的顺序执行。
在下文中，将参考所附附图描述本发明的工作原理和示例。
图1是用于预测电池寿命的设备的配置的示意图。图2和图3示出了包括在用于预测电池寿命的设备中的电池寿命模型的示例。
例如，用于预测电池寿命的设备100可以通过利用当前电池数据，在预定的充电/放电周期之后确定电池数据(例如，预测剩余电池寿命)。例如，用于预测寿命的设备100可以例如基于充电/放电周期期间电池的放电电压、放电电流、放电周期、深度放电的发生/未发生、充电电压、充电电流、充电周期以及充电次数、充电/放电周期之后的最大输出电压等，在预定的充电/放电周期之后预测电池的最大输出电压。
如图1、图2和图3所示，用于预测电池寿命的设备100可以包括输入接口110、输出接口120、存储装置130、处理器140和通信接口150。
输入接口110可以接收并获取用户的用户输入，所述用户管理/控制用于预测电池寿命和/或学习用于训练人工智能算法的数据的设备100。
例如，输入接口110可以包括从用户(例如，车辆控制器的设计者、车辆控制器的模拟器测试员等)接收控制指令的用户接口。输入接口110可以包括字符输入装置(例如，键盘)和点输入装置(例如，鼠标、轨迹球等)等。
输入接口110可以包括用于接收学习数据的连接接口。例如，输入接口110可以包括通用串行总线(USB)接口和显示输出接口(例如，HDMI接口、DVI接口、RGB接口)等。
输入接口110可以包括用于从外部装置接收学习数据的通信接口。例如，输入接口110可以利用无线通信方法(例如， 等)从外部装置获取学习数据。
输出接口120可以输出与由设备100预测的电池寿命相关的信息。
如上所述，设备100可以通过输出接口120来输出例如预定的充电/放电周期之后的电池的最大输出电压。
输出接口120可以包括：显示器、连接接口和/或通信接口，所述显示器(例如，直接地)向用户显示与电池寿命相关的信息；所述连接接口用于向外部装置输出与电池寿命相关的信息；所述通信接口用于向外部装置发送与电池寿命相关的信息。
存储装置130可以存储用于预测剩余电池寿命的程序和/或数据。
例如，存储装置130可以存储用于预测剩余电池寿命的电池寿命模型131、用于训练电池寿命模型131的学习数据132以及用于利用学习数据132训练电池寿命模型131的学习模块133。
电池寿命模型131可以根据电池数据预测剩余电池寿命。例如，经训练的电池寿命模型131可以基于电池数据预测剩余电池寿命，所述电池数据包括充电/放电周期期间电池的放电电压、放电电流、放电周期、深度放电的发生/未发生、充电电压、充电电流、充电周期以及充电次数、充电/放电周期之后的最大输出电压等。例如，可以训练电池寿命模型131，以基于电池数据预测预定的充电/放电周期之后的电池的最大输出电压。
电池寿命模型131可以通过以下方式进行训练：在管理者的引导下执行学习的监督学习、在没有管理者的引导的情况下执行学习的无监督学习、在没有管理者的引导的情况下通过奖励执行学习的增强学习等。在下文中，将在通过监督学习训练电池寿命模型131的条件下描述一个或更多个示例。然而，可以(例如，附加地或替代地)使用无监督学习、增强学习和/或其他机器学习方案。
电池寿命模型131可以包括各种学习模型算法。例如，电池寿命模型131可以包括神经网络模型、支持向量机(SVM)算法、AdaBoost算法、随机森林算法等。在下文中，将在电池寿命模型131包括神经网络模型的条件下描述一个或更多个示例。然而，电池寿命模型131可以(例如，附加地或替代地)包括其它学习模型算法。
电池寿命模型131可以包括递归神经网络(RNN)模型。递归神经网络是以序列单元处理输入和输出的序列模型。递归神经网络设计为处理数据序列。
如图3所示，递归神经网络可以包括输入层X_t、隐藏层A和输出层h_t。此外，隐藏层A的另一输出可以再次输入至隐藏层A(例如，作为反馈环中的反馈)。
因此，递归神经网络的隐藏层A的输出递归地循环。隐藏层的当前输出可以取决于隐藏层的先前输出。如图3和图4所示，在递归神经网络中，隐藏层可以级联。
在示例中，电池寿命模型131可以包括作为递归神经网络的一种的长短期记忆模型(LSTM)。
LSTM可以克服被认为是递归神经网络的问题的梯度消失问题。梯度消失问题与以下情况相关：相关输入(relevant input)与利用输入的输出之间的间隔(序列间隔)较大，学习能力下降。
如图4所示，LSTM的隐藏层可以获取先前隐藏层的隐藏状态输出h_t-1、先前隐藏层的单元状态输出C_t-1以及当前隐藏层的输入x_t，并且输出当前隐藏层的隐藏状态输出h_t和当前隐藏层的单元状态输出C_t。在LSTM的当前隐藏层中，隐藏状态输出h_t-1和输入x_t可以重定向为向量[x_t，h_t-1]。
LSTM的当前隐藏层可以由以下等式定义。
例如，在LSTM的当前隐藏层中，f_t、i_t、和σ_t可以基于以下至少两者进行计算：当前隐藏层的输入x_t、先前隐藏层的隐藏状态输出h_t-1以及先前隐藏层的隐藏输出C_t-1(例如，利用如图4所示的x_t和h_t-1)。例如，当前层的输出h_t和输出C_t可以基于计算出的f_t、i_t、/>σ_t、以及C_t-1来获得。
等式1
ft＝σ(xtWxf+ht-1Whf+bf)
这里，σ(.)表示S型函数，x_t表示输入至当前隐藏层的输入，h_t-1表示先前隐藏层的隐藏状态输出，W_xf和W_hf表示权重，b_f表示偏差(如果没有偏差，则可以为零)。W_xf、W_hf和b_f最初设置为任意值(或向量)，并且可以通过学习过程来确定和更新。
等式2
it＝σ(xtWxi+ht-1Whi+bi)
这里，σ(.)表示S型函数，x_t表示输入至当前隐藏层的输入，h_t-1表示先前隐藏层的隐藏状态输出，W_xi和W_hi表示权重，b_i表示偏差(如果没有偏差，则可以为零)。W_xi、W_hi和b_i最初设置为任意值(或向量)，并且可以通过学习过程来确定和更新。
等式3
这里，tanh(.)表示双曲正切函数，x_t表示输入至当前隐藏层的输入，h_t-1表示先前隐藏层的隐藏状态输出，W_xc和W_hc表示权重，b_c表示偏差(如果没有偏差，则可以为零)。W_xc、W_hc和b_c最初设置为任意值(或向量)，并且可以通过学习过程来确定和更新。
等式4
这里，f_t表示通过等式1计算出的输出值(或输出向量)，C_t-1表示先前隐藏层的单元状态输出，i_t表示通过等式2计算出的输出值(或输出向量)，表示通过等式3计算出的输出值(或输出向量)。这里，运算符“*”可以是乘法运算或哈达玛积(Hadamardproduct)，运算符“+”可以是加法运算。
等式5
ot＝σ(xtWxo+ht-1Who+bo)
这里，σ(.)表示S型函数，x_t表示输入至当前隐藏层的输入，h_t-1表示先前隐藏层的隐藏状态输出，W_xo和W_ho表示权重，b_o表示偏差(如果没有偏差，则可以为零)。W_xo、W_ho和b_o最初设置为任意值(或向量)，并且可以通过学习过程来确定和更新。
等式6
ht＝ot*tanh(Ct)
这里，h_t表示当前隐藏层的隐藏状态输出，o_t表示通过等式5计算出的输出值(或输出向量)，tanh(.)表示双曲正切函数，C_t表示当前隐藏层的单元状态输出。
因此，LSTM可以根据当前隐藏层的输入(x_t)、先前隐藏层的隐藏状态输出(h_t-1)和先前隐藏层的单元状态输出(c_t-1)来输出输出值(或输出向量)。
在LSTM中，多个隐藏层可以级联。
电池寿命模型131可以进一步包括全连接(fully connected，FC)层，以基于LSTM的输出来输出学习输出(例如，输出向量)。
FC层可以由以下等式定义。
等式7
yt＝htWhy+by
这里，y_t表示电池寿命模型131的输出，h_t表示LSTM的输出，W_hy表示权重，b_y表示偏差(如果没有偏差，则可以为零)。W_hy和b_y最初设置为任意值(或向量)，并且可以通过学习过程来确定和更新。
因此，电池寿命模型131可以包括LSTM部分(循环神经网络)和FC部分(全连接层)。
然而，电池寿命模型131不限于递归神经网络，并且可以包括其他类型的人工智能算法，例如，卷积神经网络(CNN)。
返回参考图1，可以基于学习数据132预先训练电池寿命模型131。
学习数据132可以包括电池数据和向量数据，所述向量数据包括与电池数据相对应的测量的剩余电池寿命。例如，学习数据132可以包括测量的电池数据以及与测量的电池数据相对应的电池寿命(例如，预定充电/放电周期之后的最大输出电压)，所述测量的电池数据包括：充电/放电周期期间电池的放电电压、放电电流、放电周期、深度放电的发生/未发生、充电电压、充电电流、充电周期、充电周期以及充电次数、充电/放电周期之后的最大输出电压等。测量的电池数据和剩余电池寿命可以以向量数据的形式进行存储。
电池寿命模型131可以基于在特定环境中收集的学习数据进行训练。例如，电池寿命模型131可以通过从特定类型的车辆收集的学习数据进行训练，通过从安装有特定驱动电机的车辆收集的学习数据进行训练，和/或通过在特定温度下收集的学习数据进行训练。
学习模块133可以利用学习数据132训练电池寿命模型131。
例如，学习模块133可以将学习数据的输入数据输入到电池寿命模型131中，并且例如基于或响应于输入学习数据的输入数据来获取电池寿命模型131的输出。例如，学习模块133可以基于电池寿命模型131的输出与学习数据的输出数据之间的差异(例如，误差)来调整电池寿命模型131的权重W和/或偏差b。具体地，学习模块133可以计算电池寿命模型131的权重W和偏差b，使得电池寿命模型131的输出与学习数据的输出数据之间的误差最小化。
通过迭代学习过程，电池寿命模型131的权重W和偏差b可以逐渐修改为收敛于用于指示学习数据的输入数据与输出数据之间的关系的值(或向量)。
例如，处理器140可以通过由处理器140运行的存储在存储装置130中的程序和/或数据，输出与电池寿命相关的信息。
例如，处理器140可以处理电池寿命模型131的训练(例如，通过运行存储在存储装置130中的学习模块133)。处理器140可以将学习数据132输入至电池寿命模型131(例如，通过运行存储在存储装置130中的学习模块133)，并且可以基于电池寿命模型131的输出来训练电池寿命模型131。
处理器140可以包括一个或更多个处理核和存储器。处理核将存储在存储器的存储装置130中的电池寿命模型131、学习数据132以及学习模块133加载到存储器，并且根据包括在学习模块133中的一系列指令，可以利用学习数据132训练电池寿命模型131。
此外，处理器140可以输出经训练的电池寿命模型131。
已经描述了实施为软件的电池寿命模型131和学习模块133。实施为软件的电池寿命模型131和学习模块133可以存储在存储装置130中，由处理器140加载到存储器，并且由处理器140进行处理。处理器140可以是配置为执行在本文中描述的一个或更多个学习过程/算法(例如，通过运行存储在存储装置130或存储有实施一个或更多个学习过程/算法的指令的任意其他存储装置中的指令)的任意通用处理器。
然而，电池寿命模型131和学习模块133不限于软件。例如，电池寿命模型131和学习模块133可以实施为运行一个或更多个指令的专用硬件装置(例如，配置为执行在本文中描述的一个或更多个学习过程/算法的一个或更多个处理器)。
作为硬件，电池寿命模型131和学习模块133可以在处理器140中实施为硬件。处理器140可以是专用处理器。电池寿命模型131可以包括作为硬件组件的隐藏层，并且隐藏层之间的连接可以通过学习过程进行更新。
因此，为了提高电池寿命模型131的寿命预测的准确性和训练的有效性，处理器140可以通过利用在特定环境中收集的学习数据来训练电池寿命模型131。
在特定环境中训练的电池寿命模型131可以重定向到另一环境。例如，电池寿命模型131可以利用从旧车辆收集的学习数据进行训练。因此，通过旧车辆的数据训练的电池寿命模型131可以用于预测新车辆的电池寿命。
为了预测新车辆的电池寿命，可以通过学习来迁移基于旧车辆的数据进行训练的电池寿命模型131。
处理器140可以利用新车辆的数据重新训练通过旧车辆的数据进行训练的电池寿命模型131。
通信接口150可以与图9所示的通信接口60相同或相似，并在下面进行描述。
图2是示出用于训练包括在用于预测电池寿命的设备中的电池寿命模型的配置的示意图。图5示出了根据相关技术的寿命预测结果。图6示出了通过图2所示的迁移学习的电池寿命模型的寿命预测结果。迁移学习(或学习的迁移)是指在新的学习或解决问题的情况下使用先前获取的知识和技能。
如图2所示，设备(例如，用于预测电池寿命的设备100或任意其他设备)可以包括：电池数据库210、学习数据模块220、基于电池单元的学习模块230、迁移学习模块240以及基于第一电池组的学习模块251和/或基于第二电池组的学习模块252。学习数据模块220、基于电池单元的学习模块230、迁移学习模块240、基于第一电池组的学习模块251和/或基于第二电池组的学习模块252可以实施为软件和/或硬件。
电池数据库210可以包括在各种环境中使用的电池数据。例如，电池数据库210可以包括充电/放电周期期间电池的放电电压、放电电流、放电周期、深度放电的发生/未发生、充电电压、充电电流、充电周期以及充电次数、充电/放电周期之后的最大输出电压等。
学习数据模块220可以为基于电池单元的学习模块230、基于第一电池组的学习模块251、迁移学习模块240和/或基于第二电池组的学习模块252中的每一个提供适合的学习数据。
例如，学习数据模块220可以向基于电池单元的学习模块230提供在第一工作环境中收集的电池单元数据，并且向迁移学习模块240提供在第二工作环境中收集的电池单元数据。学习数据模块220可以向基于第一电池组的学习模块251提供在第一工作环境中收集的电池组数据，并且向基于第二电池组的学习模块252提供在第二工作环境中收集的电池组数据。
基于电池单元的学习模块230可以基于在特定环境(例如，第一工作环境)中操作的电池单元数据来训练电池寿命模型131。例如，基于电池单元的学习模块230可以通过利用向特定类型的车辆中的特定类型的驱动电机供电的各个电池单元的电池数据来训练电池寿命模型131。
基于电池单元的学习模块230可以训练第一电池单元寿命模型。第一电池单元寿命模型可以是利用在第一工作环境中收集的学习数据进行训练的电池寿命模型。
迁移学习模块240可以通过利用另一环境中的学习数据来重新训练已经由基于电池单元的学习模块230利用特定环境中的学习数据进行训练的第一电池单元寿命模型。换言之，迁移学习模块240可以利用在不同的环境中收集的学习数据来训练第一电池单元寿命模型。
例如，可以在车辆实际移动时收集用于训练电池寿命模型的学习数据。当多个用户驾驶(共享)车辆时，车辆可以收集学习数据并且将收集的学习数据发送至用于预测电池寿命的设备100。
相应地，设备100可以收集关于包括在当前在售的车辆类型(特别是已经售出一定时间段的车辆类型)中的电池的数据。利用包括在当前在售的车辆类型(特别是已经售出较长时间的车辆类型)中的电池的电池数据进行训练的电池寿命模型131可以更准确地预测电池寿命。
另一方面，包括在仍在研发中的车辆中的电池的数据可能不足。对于包括在研发中的车辆中的电池，可以在测试期间收集数据。然而，数据量可能不足以准确地训练电池寿命模型131。
为了将已经训练的第一电池单元寿命模型转移至另一车辆(例如，研发中的车辆)，迁移学习模块240可以进一步训练第一电池单元寿命模型。迁移学习模块240可以输出额外训练的第二电池单元寿命模型。
如上所述，电池寿命模型可以包括LSTM部分和FC部分。电池寿命模型131可以由以下等式定义。
等式8
Y＝fFC(fLSTM(XA))
这里，Y表示经训练的电池寿命模型的输出，X_A表示在第一工作环境中收集的输入数据，f_LSTM(.)表示经训练的电池寿命模型的LSTM部分，f_FC(.)表示经训练的电池寿命模型的FC部分。
LSTM部分可以反映典型的电池单元的容量降低模式，FC部分可以反映特定工作环境中的电池单元的容量降低模式。换言之，在电池数据中，指示典型的电池单元的容量降低模式的数据可以影响LSTM部分的学习，指示特定工作环境中的电池单元的容量降低模式的数据可以影响FC部分的学习。
由特定环境的数据训练的电池寿命模型的LSTM部分用于预测各种环境(例如，除了特定环境之外)中的电池寿命。
迁移学习模块240可以利用包括LSTM部分和FC部分的电池寿命模型的特性，重定向电池寿命模型的LSTM部分，并且可以利用在不同环境中收集的数据来重新训练电池寿命的FC部分。
迁移学习模块240可以训练经训练的电池寿命模型的FC部分f_FC(.)，而无需训练经训练的电池寿命模型的LSTM部分f_LSTM(.)。具体地，包括在经训练的电池寿命模型的LSTM部分f_LSTM(.)中的权重W和偏差b可以保持为在第一工作环境(例如，已经在售的车辆类型)中收集的数据。包括在电池寿命模型的FC部分f_FC(.)中的权重W和偏差b可以基于在第二工作环境(例如，当前正在研发的车辆类型)中收集的数据进行重新训练。
通过基于在第二工作环境中收集的数据重新训练电池寿命模型的FC部分f_FC(.)，可以提高第二工作环境中的电池寿命模型的寿命预测性能。
例如，在利用第一电池单元寿命模型预测第二工作环境中的电池寿命而不进行迁移学习的情况下，由第一电池单元寿命模型预测的电池寿命(预定的周期之后的最大输出电压)与测量的电池寿命之间的差异较大，如图5所示。另一方面，在利用通过学习迁移的第二电池单元寿命模型预测第二工作环境中的电池寿命的情况下，由第二电池单元寿命模型预测的电池寿命(预定的周期之后的最大输出电压)与测量的电池寿命之间的差异显著降低，如图6所示。
返回参考图2，基于第一电池组的学习模块251可以利用与电池单元数据相对应的第一电池单元寿命模型的输出数据和在第一工作环境中收集的电池组数据来训练基于电池组的第一电池组寿命模型。
车辆的电池可以作为包括多个电池单元的电池组工作。彼此串联连接的多个电池单元可以形成电池组，并且电池组可以向车辆的驱动电机等提供电力。通常，需要高压电源，以产生用于车辆的驱动电机的高扭矩。另一方面，每个电池单元通常可以输出低电压。例如，锂离子电池单元广泛地用作输出标称电压约为3.7V的电力的电动车辆的电池。具有100个串联连接的锂离子电池单元的电池可以输出标称电压约为370V的电力。
在这种情况下，可能难以将电池组寿命简单定义为电池单元的寿命的总和。例如，由于电池单元之间的电压变化和电池单元之间的老化变化等，电池组寿命与电池单元的寿命可能不具有线性关系。
基于第一电池组的学习模块251可以通过利用在第一工作环境中收集的电池组数据将第一电池单元寿命模型转换为第一电池组寿命模型。
例如，多个电池单元的寿命的预测可以由以下等式定义。
等式9
Y(s)＝fFC(fLSTM(X(s))),s＝1,2,…,S
这里，Y(s)表示对于电池单元编号为s的经训练的电池寿命模型的输出，X(s)表示在第一工作环境中收集的输入数据，f_LSTM(.)表示经训练的电池寿命模型的LSTM部分，f_FC(.)表示经训练的电池寿命模型的FC部分。
电池组寿命可以由以下等式定义。
等式10
这里，Y指的是表示电池组寿命的数据(例如，预定的充电/放电周期之后的电池组的最大输出电压)，W(s)表示电池单元编号为s的电池单元的权重，Y(s)指的是表示电池单元编号为s的电池单元的寿命的数据(例如，预定的充电/放电周期之后的电池单元编号为s的电池单元的最大输出电压)。可以根据输入至基于第一电池组的学习模块251的第一电池单元寿命模型的输出之间的偏差来训练W(s)。
第一电池组寿命模型可以由以下等式定义。
等式11
[W(1),W(2),…,W(S)]T＝g([X(1),X(2),…,X(S)]T)
这里，W(s)可以表示电池单元编号为s的电池单元的权重，X(s)表示从电池单元编号为s的电池单元收集的多个数据，g(.)表示第一电池组寿命模型。
例如，g(.)可以包括作为基本的机器学习方法的高斯过程(Gaussian process，GP)。然而，本发明不限于此，并且g(.)可以包括各种机器学习算法，例如，神经网络算法。
基于第一电池组的学习模块251可以利用在第一工作环境中收集的电池单元数据和电池组数据来训练第一电池组寿命模型。基于第一电池组的学习模块251可以向第一电池单元寿命模型输入在第一工作环境中收集的电池单元数据，并且从第一电池单元寿命模型获取关于每个电池单元的寿命的数据。基于第一电池组的学习模块251可以通过利用关于每个电池单元的寿命的数据和在第一工作环境中收集的电池组数据来训练第一电池组寿命模型。
基于第一电池组的学习模块251可以向第一电池组寿命模型输入关于每个电池单元的寿命的数据，并且可以计算权重W(s)，使得第一电池组寿命模型的输出数据与在第一工作环境中收集的电池组数据之间的误差最小化。通过迭代学习过程，可以逐渐将权重W调整为用于指示学习数据的输入数据与输出数据之间的关系的值(或向量)。
设备100可以通过利用第一电池单元寿命模型和第一电池组寿命模型来预测在第一工作环境中操作的电池组寿命(例如，预定的充电/放电周期之后的最大输出电压)。
基于第二电池组的学习模块252可以通过利用电池组数据以及与电池单元数据相对应的第二电池单元寿命模型的输出数据来训练第二电池组寿命模型。例如，基于第二电池组的学习模块252可以向第二电池单元寿命模型输入在第二工作环境中收集的电池单元数据，并且从第二电池单元寿命模型获取关于每个电池单元的寿命的数据。基于第二电池组的学习模块252可以通过利用关于每个电池单元的寿命的数据以及在第二工作环境中收集的电池组数据来训练第二电池组寿命模型。
基于第二电池组的学习模块252可以向第二电池组寿命模型输入关于每个电池单元的寿命的数据，并且可以计算权重W(s)，使得第二电池组寿命模型的输出数据与在第二工作环境中收集的电池组数据之间的误差最小化。通过迭代学习过程，可以将权重W逐渐调整为用于指示学习数据的输入数据与输出数据之间的关系的值(或向量)。
设备100可以通过利用由迁移学习模块230通过学习进行迁移的第二电池单元寿命模型和第二电池组寿命模型来预测在第二工作环境(例如，尚未售出的新车辆)中工作的电池组寿命(例如，预定的充电/放电周期之后的最大输出电压)。
如上所述，设备100可以通过利用另一环境的电池数据来重新训练已经利用特定环境的电池数据进行训练的学习模型。结果，设备100可以预测安装在学习数据不足的新车辆中的电池的寿命，并且可以节省用于学习新寿命预测模型的数据和时间。
图7示出了用于训练包括在用于预测电池寿命的设备中的电池寿命模型的配置的示例。
参考图7，设备(例如，设备100或任意其他设备)可以包括：电池数据库210、学习数据模块220、基于电池单元的学习模块230、迁移学习模块240和/或基于电池组的学习模块250。学习数据模块220、基于电池单元的学习模块230、迁移学习模块240和/或基于电池组的学习模块250可以实施为软件和/或硬件。电池数据库210、学习数据模块220、基于电池单元的学习模块230和迁移学习模块240可以分别与图4所示的电池数据库、学习数据模块、基于电池单元的学习模块和迁移学习模块相同。
基于电池组的学习模块250可以利用在第一工作环境中收集的电池组数据来训练电池组寿命模型。
例如，基于电池单元的学习模块230可以通过利用在第一工作环境中收集的多个电池单元数据来训练第一电池单元寿命模型。迁移学习模块240可以通过利用在第二工作环境中收集的少量的电池单元数据，执行从第一电池单元寿命模型向第二电池单元寿命模型的迁移学习。基于电池组的学习模块250可以利用与第一工作环境的电池单元数据相对应的第一电池单元寿命模型的输出数据以及在第一工作环境中收集的少量的电池组数据来训练电池组寿命模型。
电池单元的寿命与电池组寿命之间的非线性不是由于工作环境，而是由于电池单元之间的变化(例如，充电电压或老化的程度等)导致的。相应地，利用在第一工作环境中收集的电池数据进行训练的电池组寿命模型可以用于预测在第二工作环境中工作的电池组寿命。
利用在第一工作环境中收集的电池数据(例如，电池单元数据和电池组数据)进行训练的电池组寿命模型可以用于预测在第一工作环境中工作的电池组的寿命以及在第二工作环境中工作的电池组的寿命。
设备可以通过利用第一电池单元寿命模型和电池组寿命模型来预测在第一工作环境中工作的电池组的寿命，并且通过利用第二电池单元寿命模型和电池组寿命模型来预测在第二工作环境中工作的电池组的寿命。
如上所述，设备可以利用在特定工作环境中经训练的电池组寿命模型来预测在各种工作环境中工作的电池的寿命。相应地，可以节省用于单独训练电池组寿命模型的数据和时间。
图8示出了用于训练包括在用于预测电池寿命的设备中的电池寿命模型的配置的示例。
如图8所示，设备(例如，设备100)可以包括：电池数据库210、学习数据模块220、基于第一电池单元的学习模块231、基于第二电池单元的学习模块232、迁移学习模块240和/或基于电池组的学习模块250。学习数据模块220、基于第一电池单元的学习模块231、基于第二电池单元的学习模块232、迁移学习模块240和/或基于电池组的学习模块250可以实施为软件和/或硬件。电池数据库210和学习数据模块220可以分别与图4所示的电池数据库和学习数据模块相同。
基于第一电池单元的学习模块231可以通过利用在第一工作环境中收集的第一电池单元数据来训练第一电池单元寿命模型。此外，基于第二电池单元的学习模块232可以通过利用在第二工作环境中收集的第二电池单元数据来训练第二电池单元寿命模型。基于第二电池单元的学习模块232的训练过程可以与基于第一电池单元的学习模块231的训练过程相同(或类似)。
迁移学习模块240可以通过利用在第三工作环境中收集的第三电池单元数据将第一电池单元寿命模型和/或第二电池单元寿命模型转换为第三电池单元寿命模型。换言之，迁移学习模块240可以通过利用第三电池单元数据重新训练第一电池单元寿命模型和/或利用第三电池单元数据重新训练第二电池单元寿命模型来输出(创建)第三电池单元寿命模型，因此可以输出(创建)第三电池单元寿命模型。
基于电池组的学习模块250可以利用在第一工作环境中收集的第一电池组数据和/或在第二工作环境中收集的第二电池组数据来训练电池组寿命模型。
例如，基于第一电池单元的学习模块231可以利用在第一工作环境中收集的多个电池单元数据来训练第一电池单元寿命模型。基于第二电池单元的学习模块232可以利用在第二工作环境中收集的多个电池单元数据来训练第二电池单元寿命模型。迁移学习模块240可以通过利用在第三工作环境中收集的少量的电池单元数据，执行从第一电池单元寿命模型或第二电池单元寿命模型向第三电池单元寿命模型的迁移学习。基于电池组的学习模块250可以通过利用在第一工作环境中收集的少量的第一电池组数据和/或在第二工作环境中收集的少量的第二电池组数据来训练电池组寿命模型。
利用第一电池组数据和/或第二电池组数据进行训练的电池组寿命模型可以用于预测在第三工作环境中工作的电池组的寿命。
设备可以通过利用使用第一电池组数据和/或第二电池组数据进行训练的电池组寿命模型来预测在第三工作环境中工作的电池组的寿命。
图9示出了包括寿命模型的车辆的示例。图10示出了服务器和车辆的示例。
如图9所示，车辆1可以包括：电池10、电池传感器20、充电电路30、用户接口50、通信接口60、存储装置130和处理器140。车辆1可以包括由设备100训练的电池寿命模型。
电池10可以存储电能并且可以向车辆1的负载(例如，电机和/或其它组件)供电。
电池传感器20可以检测电池10的输出(输出电压、输出电流等)。此外，电池传感器20可以输出指示电池10的电量状态的电池数据。例如，电池传感器20可以基于电池10的输出电压、输出电流和温度来确定电池10的电量状态(SoC)。电池10的电量状态可以指示电池10中电能存储的程度。电量状态通常具有0至100％的值，并且可以指示电池10在深度放电状态(0％)与满充电量状态(100％)之间的电量程度。可以基于电池10的开路电压(OCV)和电池10的输入/输出电流来计算电池10的电量状态。
电池传感器20可以电连接至处理器140，并且可以向处理器140提供电池10的电池数据。
充电电路30可以根据处理器140的控制指令允许或阻断从外部电源对电池10的充电。充电电路30可以根据处理器140的控制指令来控制用于对电池10充电的充电电压和/或充电电流。
用户接口50可以获取用户的用户输入并且响应于用户输入显示预测信息。例如，用户接口50可以包括触摸屏。触摸屏可以感测用户的触摸输入并且响应于感测到触摸输入而显示图像信息。
通信接口60可以与外部装置进行通信。例如，通信接口60可以无线地向外部装置发送通信信号并且从外部装置接收通信信号。通信接口60可以与基站或接入点(AP)进行无线通信，并且可以通过基站或接入点访问有线通信网络。通信接口60还可以经由基站或接入点与连接至有线通信网络的外部装置进行通信。例如，通信接口60利用Wi-Fi(WiFiTM，IEEE 802.11技术标准)与接入点(AP)进行无线通信，和/或利用CDMA、WCDMA、GSM、长期演进(LTE)、WiBro等与基站进行通信。通信接口60还可以经由基站或接入点从外部装置接收数据。
存储装置130可以存储用于控制车辆1的操作的程序和/或数据。
存储装置130可以存储由设备100训练的寿命模型。寿命模型可以包括电池单元寿命模型和电池组寿命模型。寿命模型可以基于从包括在电池10中的电池单元收集的电池单元数据来预测电池10的寿命(例如，预定的充电/放电周期之后的最大输出电压等)。
处理器140可以利用存储在存储装置130中的寿命模型来预测电池10的寿命，并且根据预测的寿命控制车辆1的操作。
处理器140可以包括临时存储寿命模型和电池数据的存储器141。处理器140和存储器141可以实施为单独的半导体器件或单个半导体器件。
存储器141可以包括诸如静态随机存取存储器(S-RAM)和动态随机存取存储器(D-RAM)的易失性存储器，或者诸如只读存储器(ROM)和可擦除可编程只读存储器(EPROM)的非易失性存储器。存储器141可以包括单个存储器装置或多个存储器装置。
处理器140可以包括微处理器、微控制器、专用集成电路(ASIC)或现场可编程门阵列(FPGA)。处理器140可以包括单个处理器或多个处理器。
处理器140可以从电池传感器20接收包括电池单元数据的电池数据。处理器140可以将电池数据输入到存储在存储器141中的寿命模型，并且获取寿命模型的输出数据。处理器140可以基于寿命模型的输出数据来预测电池10的寿命(例如，预定的充电/放电周期之后的最大输出电压等)。
如果电池10的寿命小于参考值，则处理器140可以通过用户接口50显示与电池10的剩余寿命相关的指示(例如，指示电池10老化的视频消息或输出语音消息)。
如果电池10的寿命小于参考值，处理器140可以控制充电电路30以限制用于对电池10充电的充电电压和/或充电电流。
参考图9和图10，处理器140可以控制通信接口60将电池数据发送至如图10所示的服务器2，以更准确地预测电池10的寿命。车辆1和服务器2的每一者可以包括设备100或设备100的一部分。
服务器2可以包括用于更准确地预测寿命的寿命模型。例如，服务器2的寿命模型可以包括比车辆1的寿命模型的隐藏层更多的隐藏层。从而，服务器2的寿命模型可以比车辆1的寿命模型更准确地预测电池10的寿命。
服务器2可以基于从车辆1接收到的电池数据来预测车辆1的电池10的寿命，并且可以将与预测的寿命相对应的数据发送至车辆1。车辆1可以从服务器2接收数据并且识别车辆1的电池的寿命。
服务器2可以基于从车辆1和/或一个或更多个其它车辆接收到的电池10的电池数据来进一步训练寿命模型。以这样的方式，通过进一步训练寿命模型，服务器2可以提高寿命模型的寿命预测准确度。
如上所述，车辆1可以利用寿命模型预测电池10的寿命，并且根据预测的寿命向用户显示消息或控制充电电路30。
根据本发明的一方面的车辆可以包括：显示器、电池、电池传感器和处理器，所述电池传感器配置为获取电池的电池数据；所述处理器配置为获取与电池数据相对应的电池寿命模型的输出，基于电池寿命模型的输出预测电池的寿命值，基于电池的寿命值小于或等于预定值，在显示器上显示建议更换电池的消息。电池寿命模型可以包括电池单元寿命模型和电池组寿命模型，所述电池单元寿命模型与利用在第一工作环境中收集的第一电池单元数据进行训练的基础寿命模型相关，其中电池单元寿命模型利用在第二工作环境中收集的第二电池单元数据进行训练；所述电池组寿命模型利用在第一工作环境中收集的电池组数据进行训练。
电池的寿命值可以包括在预定的充电和放电周期之后预测的电池的最大输出电压。
电池单元寿命模型可以包括长期短期记忆模型(LSTM)和全连接(FC)层。
LSTM和FC层可以利用在第一工作环境中收集的第一电池单元数据进行训练。
经训练的FC层可以利用在第二工作环境中收集的第二电池单元数据进行训练。
车辆可以进一步包括配置为对电池充电的充电电路。处理器可以进一步配置为控制用于对电池充电的充电电流，从而基于电池的寿命值小于或等于预定值来限制充电电流。
车辆可以进一步包括配置为与外部装置进行通信的通信接口。处理器可以进一步配置为将电池数据发送至外部装置，并且从外部装置接收电池寿命模型的输出。
根据本发明的一方面的用于预测电池寿命的设备可以包括：存储装置、输入接口、处理器以及输出接口，所述存储装置配置为存储第一电池数据；所述输入接口配置为从车辆获取第二电池数据；所述处理器配置为利用第一电池数据训练用于预测电池的寿命的电池寿命模型，获取与第二电池数据相对应的经训练的电池寿命模型的输出，基于电池寿命模型的输出来预测电池的寿命值；所述输出接口配置为向车辆发送由处理器预测的电池的寿命值。处理器可以包括：基于电池单元的学习模块、迁移学习模块、基于电池组的学习模块，所述基于电池单元的学习模块配置为利用在第一工作环境中收集的第一电池单元数据来训练基础寿命模型基础寿命模型；所述迁移学习模块配置为利用在第二工作环境中收集的第二电池单元数据，通过学习将基础寿命模型迁移至电池单元寿命模型；所述基于电池组的学习模块配置为利用迁移学习模块的输出以及在第一工作环境中收集的电池组数据来训练电池组寿命模型。
根据本发明的一方面的用于预测电池寿命的方法可以包括：存储第一电池数据；从车辆获取第二电池数据；利用第一电池数据训练用于预测电池的寿命的电池寿命模型；获取与第二电池数据相对应的经训练的电池寿命模型的输出；基于电池寿命模型的输出来预测电池的寿命值；将预测的电池的寿命值发送至车辆。训练电池寿命模型可以包括：利用在第一工作环境中收集的第一电池单元数据来训练基础寿命模型；利用在第二工作环境中收集的第二电池单元数据，通过学习将基础寿命模型迁移至电池单元寿命模型；利用迁移学习模块的输出以及在第一工作环境中收集的电池组数据来训练电池组寿命模型。
根据本发明的一方面，可以提供一种用于预测剩余电池寿命的车辆、用于预测电池寿命的设备及其控制方法，其利用机器学习。相应地，用于预测电池寿命的设备可以准确地预测电动车辆的电池的剩余寿命。
根据本发明的一方面，可以提供一种车辆、用于预测电池寿命的设备及其控制方法，其可以利用迁移学习将在特定环境中训练的电池寿命模型转换为在另一环境中训练的电池寿命模型。相应地，即使用于学习的数据不足，用于预测电池寿命的设备也可以训练电池的电池寿命模型，并且可以减少用于训练电池寿命模型的计算量。
根据本发明的一方面，可以提供一种车辆、用于预测电池寿命的设备及其控制方法，其可以利用基于电池单元训练的电池寿命模型来生成电池模块或电池组的电池寿命模型。相应地，即使没有足够的数据用于训练电池模块或电池组的电池寿命模型，用于预测电池寿命的设备也可以利用电池单元的电池寿命模型来生成电池模块或电池组的电池寿命模型。
如上所述，已经参考所附附图描述了各种示例。本发明所属本领域的普通技术人员将理解，在不改变本发明的技术精神或基本特征的情况下，本发明可以以除了公开的实施方案以外的其他形式实施。公开的实施方案是说明性的，并且不应解释为限制性的。

Claims (20)

1.一种车辆，其包括：
显示器；
电池；
电池传感器，其配置为获取电池的电池数据；以及
处理器，其配置为：
获取与电池数据相关的电池寿命模型的输出；
基于电池寿命模型的输出来预测电池的寿命值；
在显示器上显示与电池的寿命值相关的指示，
其中，所述电池寿命模型包括：
电池单元寿命模型，其与利用在第一工作环境中收集的第一电池单元数据进行训练的基础寿命模型相关，其中所述电池单元寿命模型利用在第二工作环境中收集的第二电池单元数据进行训练；和
电池组寿命模型，其利用在第一工作环境中收集的电池组数据和电池单元寿命模型的输出进行训练。
2.根据权利要求1所述的车辆，其进一步包括：
通信接口，其用于接收第一电池单元数据，
其中，所述第一电池单元数据和电池组数据的每一者与至少一个第二车辆的至少一个电池相关，
所述第二电池单元数据与所述电池的电池数据相关。
3.根据权利要求1所述的车辆，其中，所述电池的寿命值包括在充电和放电周期之后预测的电池的最大输出电压。
4.根据权利要求1所述的车辆，其中，所述电池单元寿命模型包括长短期记忆模型和全连接层。
5.根据权利要求4所述的车辆，其中，所述长短期记忆模型和全连接层利用在第一工作环境中收集的第一电池单元数据进行训练。
6.根据权利要求5所述的车辆，其中，经训练的全连接层利用在第二工作环境中收集的第二电池单元数据进行进一步训练。
7.根据权利要求1所述的车辆，其中，所述车辆进一步包括配置为对电池充电的充电电路，
所述处理器进一步配置为控制用于对电池充电的充电电流，从而基于电池的寿命值小于或等于阈值来限制充电电流。
8.根据权利要求1所述的车辆，其中，所述车辆进一步包括配置为与外部装置进行通信的通信接口，
所述处理器进一步配置为将电池数据发送至外部装置，并且从外部装置接收电池寿命模型的输出。
9.一种设备，其包括：
存储装置，其配置为存储第一电池数据；
输入接口，其配置为从车辆获取第二电池数据；
处理器，其配置为：
利用第一电池数据训练用于预测车辆的电池的寿命的电池寿命模型；
基于第二电池数据获取经训练的电池寿命模型的输出；
基于经训练的电池寿命模型的输出，预测电池的寿命值；以及
输出接口，其配置为将预测的电池的寿命值发送至车辆；
其中，所述电池寿命模型包括：
基础寿命模型，其与在第一工作环境中收集的第一电池单元数据相关；
电池单元寿命模型，其与在第二工作环境中收集的第二电池单元数据相关；以及
电池组寿命模型，其与电池单元寿命模型的输出以及在第一工作环境中收集的电池组数据相关。
10.根据权利要求9所述的设备，其进一步包括：
通信接口，其用于从至少一个第二车辆接收第一电池数据，
其中，所述第一电池单元数据和电池组数据的每一者与至少一个第二车辆的至少一个电池相关，
所述第二电池单元数据与所述车辆的电池相关。
11.根据权利要求9所述的设备，其中，所述电池的寿命值包括在充电和放电周期之后预测的电池的最大输出电压。
12.根据权利要求9所述的设备，其中，所述电池单元寿命模型包括长短期记忆模型和全连接层。
13.根据权利要求12所述的设备，其中，所述处理器进一步配置为利用在第一工作环境中收集的第一电池单元数据来训练长短期记忆模型和全连接层。
14.根据权利要求13所述的设备，其中，所述处理器进一步配置为利用在第二工作环境中收集的第二电池单元数据来训练经训练的全连接层。
15.一种方法，包括：
由设备存储第一电池数据；
从车辆获取第二电池数据；
利用第一电池数据训练用于预测车辆的电池的寿命的电池寿命模型；
基于第二电池数据获取经训练的电池寿命模型的输出；
基于经训练的电池寿命模型的输出，确定预测的电池的寿命值；
将预测的电池的寿命值发送至车辆，
其中，训练电池寿命模型包括：
利用在第一工作环境中收集的第一电池单元数据来训练基础寿命模型；
利用在第二工作环境中收集的第二电池单元数据，执行从基础寿命模型向电池单元寿命模型的迁移学习；
利用电池单元寿命模型的输出以及在第一工作环境中收集的电池组数据来训练电池组寿命模型。
16.根据权利要求15所述的方法，其进一步包括：
从至少一个第二车辆接收第一电池数据，
其中，所述第一电池单元数据和电池组数据的每一者与至少一个第二车辆的至少一个电池相关，
所述第二电池单元数据与所述车辆的电池相关。
17.根据权利要求15所述的方法，其中，所述预测的电池的寿命值包括在充电和放电周期之后预测的电池的最大输出电压。
18.根据权利要求15所述的方法，其中，所述电池单元寿命模型包括长短期记忆模型和全连接层。
19.根据权利要求18所述的方法，其进一步包括：
利用在第一工作环境中收集的第一电池单元数据来训练长短期记忆模型和全连接层。
20.根据权利要求19所述的方法，其中，训练电池寿命模型进一步包括：利用在第二工作环境中收集的第二电池单元数据，执行经训练的全连接层的迁移学习。
CN202211601714.9A 2022-06-08 2022-12-13 用于预测电池寿命的设备及预测电池寿命的方法 Pending CN117192408A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0069538 2022-06-08
KR1020220069538A KR20230168813A (ko) 2022-06-08 2022-06-08 차량, 배터리 수명 예측 장치 및 배터리 수명 예측 방법

Publications (1)

Publication Number Publication Date
CN117192408A true CN117192408A (zh) 2023-12-08

Family

ID=88983882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211601714.9A Pending CN117192408A (zh) 2022-06-08 2022-12-13 用于预测电池寿命的设备及预测电池寿命的方法

Country Status (3)

Country Link
US (1) US20230401425A1 (zh)
KR (1) KR20230168813A (zh)
CN (1) CN117192408A (zh)

Also Published As

Publication number Publication date
US20230401425A1 (en) 2023-12-14
KR20230168813A (ko) 2023-12-15

Similar Documents

Publication Publication Date Title
US11644515B2 (en) Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store
US10353008B2 (en) Hybrid battery state sensor
Shi et al. Battery health management using physics-informed machine learning: Online degradation modeling and remaining useful life prediction
US10447046B2 (en) Secondary battery management system with remote parameter estimation
Wang et al. A method for state-of-charge estimation of Li-ion batteries based on multi-model switching strategy
EP3904894B1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
JP6234946B2 (ja) 電池状態推定装置
KR102215450B1 (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
US20160161567A1 (en) Method and apparatus for estimating state of battery
Xu et al. Multi-scale short circuit resistance estimation method for series connected battery strings
KR102633335B1 (ko) 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법
US11480625B2 (en) Real-time battery fault detection and state-of-health monitoring
US20150316618A1 (en) Methods and apparatus for battery power and energy availability prediction
KR20180115124A (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
EP3961232B1 (en) Method and apparatus for battery state estimation
US20220373609A1 (en) State Value for Rechargeable Batteries
US11515578B2 (en) Apparatus and application for predicting performance of battery
KR20200087494A (ko) 배터리 관리 방법 및 장치
US20220352558A1 (en) Method for matching data of a first control unit with a second control unit for determining precise predictive values
CN117192408A (zh) 用于预测电池寿命的设备及预测电池寿命的方法
US20230324463A1 (en) Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods
US20240219470A1 (en) Battery control system and method for guiding soc level
US20230160972A1 (en) Computer-Assisted Method for Determining a Loss Of Capacity of a Battery Store, Computer Program Product and Battery Store
EP4318728A1 (en) Battery control system and method for guiding soc level
CN117207843A (zh) 电池特性预测方法、装置、存储介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication