-
HINTERGRUND DER ERFINDUNG
-
(Gebiet der Erfindung)
-
Die vorliegende Erfindung betrifft ein Batteriesystem mit einem Gerät vom Typ eines neuronalen Netzwerks, um einen geladenen Zustand einer wiederaufladbaren Batterie zu detektieren, und speziell eine Verbesserung bei der Detektion von internen Zuständen (wie zum Beispiel geladenen Zuständen) der Batterie, die beispielsweise in Fahrzeugen montiert wird.
-
(Beschreibung des Standes der Technik)
-
Ein Fahrzeug-Batteriesystem besteht hauptsächlich aus einer wiederaufladbaren Batterie wie beispielsweise einer Blei-Batterie. Bei solch einer Batterie führt der Grad einer Verschlechterung zu Schwankungen hinsichtlich Korrelationen zwischen elektrischen Größen einer Batterie wie beispielsweise der Spannung und dem Strom und den Ladezustandsgrößen der Batterie wie beispielsweise einem SOC (state of charge = Ladezustand) und einem SOH (state of health = Gesundheitszustand). Der SOC zeigt eine Laderate [%] einer Batterie an und der SOH gibt eine Restkapazität [Ah] der Batterie an. Wenn somit die Verschlechterung der Batterie voranschreitet, wird auch die Präzision beim Detektieren von SOC und/oder SOH verschlechtert, wodurch SOC und/oder SOH von Batterie zu Batterie schwankt. Diese Probleme machen es schwierig mit Präzision SOC und/oder SOH von jeder der wiederaufladbaren Batterien zu detektieren, die in einer Massenproduktion hergestellt werden. Um daher solche Schwankungen sicher zu vermeiden, sollten die Schwankungen in Betracht gezogen werden und zwar in einem verwendbaren Lade- und Entlade-Bereich von jeder Batterie mit dem Ergebnis, dass der Bereich schmaler oder enger gefasst wird.
-
In einigen Druckschriften, wie beispielsweise der offengelegten japanischen Patentveröffentlichung
JP H09-243 716 A und
JP 2003-249271 A wird eine Technik vorgeschlagen, um die oben erläuterte Situation zu verbessern. Das heißt diese Druckschriften schlagen vor, auf welche Weise SOC und/oder SOH einer sekundären Batterie detektiert werden sollen und zwar unter Verwendung eines neuronalen Netzwerks (was auch als ”neutrales Netzwerktyp einer Detektion des Batteriezustandes” bezeichnet wird).
-
Beispielsweise wird in der Veröffentlichung
JP H09-243 716 A eine Technik vorgeschlagen, um eine Restkapazität Te einer Batterie zu detektieren, bei der Eingangsparameter wenigstens eine Spannung OCV gemäß einem offenen Kreis, eine Spannung VO enthalten, die unmittelbar nach dem Start einer Entladung detektiert wird, und einen inneren Widerstand R umfassen und die dazu verwendet werden, um es einem neuronalen Spar-Netzwerk (leaned neural network) die restliche Kapazität Te zu berechnen. In der Veröffentlichung
JP 2003-249271 A wird auch eine Technik vorgeschlagen, bei der die restliche Kapazität einer Batterie detektiert wird, wobei Daten hinsichtlich der Spannung, des Stroms und des Innenwiderstandes einer Batterie und auch die Temperatur in ein erstes lernfähiges neuronales Netzwerk eingespeist werden, um Informationen zu berechnen, welche die Verschlechterungen einer Batterie angeben und wobei diese Informationen und die Daten über die Spannung, Strom und den Innenwiderstand der Batterie auch in ein zweites leitfähiges neuronales Netzwerk eingespeist werden, um die Restkapazität der Batterie zu berechnen.
-
Jedoch führt in Fällen, bei denen SOC und/oder SOH einer Batterie basierend auf den Techniken berechnet werden, die durch die oben angegebenen Druckschriften vorgeschlagen werden, die Restkapazität der sekundären Batterie zu einem Detektieren mit schlechter Präzision, obwohl sowohl die Schaltungsanordnungsgröße als auch die Berechnungslast für solche Techniken größer sein müssen und zwar verglichen mit einer Technik gemäß einer Restkapazitätsdetektion ohne Berechnung durch ein neuronales Netzwerk. Daher war in erster Linie für die praktische Verwendung die Detektion mit einer geringen Präzision behaftet. Es ist daher erforderlich die Präzision sehr viel stärker anzuheben. Zweitens ist es erforderlich, dass die Detektion bei der Berechnung durch ein neuronales Netzwerk stärker angehoben wird und zwar hinsichtlich sowohl der Größe der Schaltungsanordnung als auch dem Berechnungsaufwand, der niedrig gehalten werden sollte (wenigstens unter Vermeidung einer Zunahme).
-
Die
EP 1 469 321 A1 offenbart ein neuronales Netzwerkgerät zum Detektieren eines inneren Zustands einer wiederaufladbaren Batterie, die sich in einem Batteriesystem befindet, wobei das Gerät folgendes aufweist:
Eine Detektoreinrichtung zum Detektieren eines inneren Zustandes einer wiederaufladbaren Batterie, die sich in einem Batteriesystem befindet, wobei das Gerät folgendes aufweist:
eine Detektoreinrichtung zum Detektieren eines inneren Zustandes einer wiederaufladbaren Batterie, die sich in einem Batteriesystem befindet, wobei das Gerät folgendes aufweist:
eine Detektoreinrichtung zum Detektieren elektrischer Signale, die einen Betriebszustand der wiederaufladbaren Batterie anzeigen; und
eine Berechnungseinrichtung mit einer an die Detektoreinrichtung angeschlossenen Vorschalteinrichtung und einem an diese angeschlossenen Neuronal-Netzwerkrechner, um unter Verwendung der genannten elektrischen Signale Informationen zu berechnen, die den inneren Zustand der Batterie anzeigen, wobei die Berechnung auf der Grundlage einer neuronalen Netzwerkberechnung erfolgt.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Die vorliegende Erfindung wurde im Hinblick auf die obigen Ausführungen verbessert und es ist Aufgabe der vorliegenden Erfindung ein Verfahren und ein Gerät anzugeben, um mit Präzision Informationen zu gewinnen, welche die restliche Kapazität einer wiederaufladbaren Batterie angeben und zwar auf der Grundlage einer Berechnung durch ein neuronales Netzwerk, wobei sowohl die Größe der Schaltungsanordnung als auch der Berechnungsaufwand nicht exzessive erhöht werden sollen.
-
Diese Aufgabe wird erfindungsgemäß durch die Merkmale des anliegenden Anspruches 1 und auch durch die Merkmale des anliegenden Anspruches 2 gelöst.
-
Praktisch besteht ein interner Zustand der Batterie aus einem geladenen Zustand der Batterie und enthält einen SOH (Gesundheitszustand) und einen SOC (Ladezustand).
-
Es ist zu bevorzugen, dass die Berechnungseinrichtung eine Erzeugungseinrichtung enthält, um unter Verwendung der elektrischen Signale einen Eingangsparameter zu erzeugen, der für die Berechnung des internen Zustandes der Batterie erforderlich ist, wobei der Eingangsparameter enthält: i) eine auf die Polarisation bezogene Größe, die auf einen Lade- und Entlade-Strom bezogen ist, der während wenigstens einer vorbestimmten Zeitperiode fließt und zwar mit Beeinflussung eines Ausmaßes der Polarisation der Batterie, und ii) Daten, die eine Spannung der Batterie und einen Strom von und zu der Batterie angeben; und eine Schätzeinrichtung zum Schätzen eines Ausgangsparameters, der als Information dient, welche den internen Zustand der Batterie anzeigt, indem der Eingangsparameter bei der Berechnung durch das neuronale Netzwerk angewendet wird.
-
Die polarisationsbezogene Größe besteht beispielsweise aus einem Stromintegrationswert, der durch Integrieren des Stromes erhalten wird, welcher während der letzten vorbestimmten Periode für die Berechnung gewonnen wird. Ein Ausmaß oder Betrag der Polarisation, die in einer Batterie verursacht wird, besitzt eine hohe Korrelation zu einem integrierten Wert des Lade-/Entlade-Stromes, der während der letzten kurzen Zeitperiode integriert wurde und zwar vorbestimmt für die Berechnung (Messung). Solch eine Periode beträgt beispielsweise 5 bis 10 Minuten. Somit kann unter Verwendung einer einfachen Berechnung (in diesem Fall einer Integration) die polarisationsbezogene Größe, welche die aktuelle Polarisationsgröße ausdrückt, sehr gut berechnet werden.
-
Wenn die Eingangsparameter als Teil derselben die polarisationsbezogene Größe enthalten, nimmt die Berechnungsbelastung oder das Ausmaß der Berechnung, welches für die Berechnung durch das neuronale Netzwerk erforderlich ist, nicht sehr stark zu. Indem das Ausmaß oder die Belastung der Berechnung auf einem moderaten Maß gehalten wird oder indem der Anstieg der Berechnungsbelastung oder des Ausmaßes der Berechnung niedrig gehalten wird, ermöglicht es die Berücksichtigung der polarisationsbezogenen Größe als Teil der Eingangsparameter, dass der Ladezustand der Batterie mit Präzision berechnet werden kann und zwar verglichen mit einer Berechnung ohne Einbeziehung solch einer polarisationsbezogenen Größe.
-
Dies basiert auf der Tatsache, dass die Spannung der Batterie durch die Polarisation beeinflusst wird, die in der Batterie verursacht wird. Somit wird es durch Hinzufügen der polarisationsbezogenen Größe als einen Parameter zu den Eingangsparametern für die Berechnung durch das neuronale Netzwerk möglich, eine Polarisationsspannungskomponente zu beseitigen, die in der Spannung enthalten ist. Die Polarisationsspannungskomponente ist beim Ableiten des Ausgangsparameters reaktiv. Die Beseitigung führt zu einer Verbesserung der Präzision bei der Abschätzung des internen Zustandes der Batterie.
-
Indem man somit nur einen Parameter (die polarisationsbezogene Größe) hinzufügt, kann der interne Zustand (Ladezustand) der Batterie mit hoher Präzision detektiert werden, wobei dennoch der Rechenaufwand niedrig gehalten werden kann.
-
Es ist auch zu bevorzugen, dass die Berechnungseinrichtung eine Erzeugungseinrichtung enthält, um unter Verwendung der elektrischen Signale einen Eingangsparameter zu erzeugen, der für die Berechnung des internen Zustandes der Batterie erforderlich ist, wobei der Eingangsparameter einen funktionalen Wert enthält, der in Korrelation zu dem internen Zustand der Batterie steht, wobei der funktionale Wert die Reduzierung in einem Effekt der Polarisation der sekundären Batterie wiederspiegelt; ferner eine Schätzeinrichtung enthält, um einen Ausgangsparameter abzuschätzen, der als die Information dient, welche den internen Zustand der Batterie anzeigt, indem der Eingangsparameter bei der Berechnung durch das neuronale Netzwerk angewendet wird.
-
Die bevorzugte Ausführungsform der vorliegenden Erfindung wird auf der Tatsache realisiert, dass der funktionale Wert (zum Beispiel eine Spannung gemäß einem offenen Kreis und dem internen Widerstand) aus den Daten des internen Batteriezustandes extrahiert wird (zum Beispiel Spannung/Strom-gepaarte Historiedaten) und dieser Wert stark durch die Polarisation der Batterie beeinflusst wird. Insbesondere wird die bevorzugte Ausführungsform durch Einbeziehung oder Berücksichtigung der Tatsache realisiert, dass die zuvor erwähnte Spannung gemäß einem offenen Schaltkreis und der interne Widerstand fluktuieren, abhängig vom Grad der Polarisation, die in der Batterie verursacht wird.
-
Demzufolge ist der funktionale Wert zusammengesetzt beispielsweise aus der Spannung gemäß einem offenen Schaltkreis und dem internen Widerstand und steht in Korrelation zu einer Ladegröße (oder Verschlechterungsgröße) der Batterie, wobei eine Beeinflussung durch die Polarisation vermieden wird. Indem man den funktionalen Wert als Teil der Eingangsparameter verwendet (zum Beispiel Spannung gemäß einem offenen Schaltkreis und interner Widerstand), der bereits von dem Einfluss der Polarisation befreit worden ist, kann die Berechnung durch das neuronale Netzwerk mit höherer Präzision durchgeführt werden. Es können somit ähnliche Vorteile zu den oben angegebenen erreicht werden und zwar zusätzlich zu einer geringeren Verzögerung der Berechnung, da die Zahl der Eingangsparameter überhaupt nicht verändert wird (das heißt der Teil der Eingangsparameter wird durch einen neuen oder neue ersetzt, von welchen der Einfluss der Polarisation bereits gut entfernt worden ist).
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
In den beigefügten Zeichnungen zeigen:
-
1 ein Blockschaltbild, welches eine Schaltungsanordnung eines Fahrzeug-Batteriesystems darstellt, welches gemäß einer bevorzugten Ausführungsform der vorliegenden Erfindung ausgelegt ist;
-
2 ein Blockschaltbild, welches die Konfiguration eines Batteriezustand-Detektors darstellt, der bei der Ausführungsform verwendet wird;
-
3 ein Zeitsteuerdiagramm, welches die Gewinnung von Signalen eines Stromes und einer Spannung erläutert und auch die Berechnung von Daten von sowohl einer Spannung gemäß einem offenen Schaltkreis und einem internen Widerstand einer Batterie in dem Fahrzeug-Batteriesystem;
-
4 einen zweidimensionalen Plan, der zeigt, auf welche Weise ein angenäherter Ausdruck abgeschätzt werden kann, der zum Berechnen von sowohl der Spannung gemäß einem offenen Schaltkreis als auch dem internen Widerstand der Batterie verwendet wird, der in dem Batteriezustand-Detektor installiert ist;
-
5 ein Flussdiagramm, welches erläutert, auf welche Weise eine Größe berechnet wird, die einen Ladezustand (das heißt den internen Zustand) der Batterie angibt;
-
6 ein funktionelles Blockschaltbild, welches die funktionelle Konfiguration einer neuronalen Netzwerk-Rechenvorrichtung erläutert, die durch den Batteriezustand-Detektor verwendet wird;
-
7 ein Flussdiagramm, welches die Verarbeitung veranschaulicht, die durch die neuronale Netzwerk-Rechenvorrichtung ausgeführt wird;
-
8 eine Tabelle, die beispielhaft verschiedene verwendete Batterien darstellt, die für Experimente gemäß der Ausführungsform verwendet wurden;
-
9 bis 11 Graphen, von denen jeder Testergebnisse für einen SOC unter Verwendung der letzten Stromintegrationsgröße Qx darstellt, wobei die Tests gemäß den Eingangsparametern entsprechend der Ausführungsform ausgeführt wurden;
-
12 bis 14 Graphen, von denen jeder Testergebnisse für eine SOC darstellt und zwar ohne Verwendung der letzten Stromintegrationsgröße Qx, wobei die Graphen Material für einen Vergleich mit denjenigen in den 9 bis 11 bei der Ausführungsform liefern;
-
15 eine Wellenform der letzten Stromintegrationsgröße Qx, die für den Vergleich verwendet wird;
-
16 Änderungen in der Spannung gemäß einem offenen Schaltkreis, die stark mit der Stromintegrationsgröße Qx korreliert sind; und
-
17 geladene Zustände von sowohl einer ganz neuen Batterie und einer verwendeten (verschlechterten) Batterie und die Definitionen einer SOH, SOC und einer Voll-Ladekapazität.
-
DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORM
-
Vor der detaillierten Beschreibung der bevorzugten Ausführungsform, wird der geladene oder Ladezustand einer Batterie, wiederaufladbare Batterie) unter Hinweis auf
-
17 definiert. Wie dargestellt bedeutet ein SOH (Gesundheitszustand) (Ah), der als ”restliche Kapazität” bezeichnet wird, eine momentane entladbare Kapazität einer Batterie, ein SOC (Ladezustand) (%), der als ”Laderate” bezeichnet wird, bedeutet die Rate einer restlichen Kapazität einer Batterie bis zu einer vollen Ladekapazität derselben, und eine volle Ladekapazität Q (Ah) bedeutet eine momentane ladbare Kapazität in einer Batterie. Es sei daher anhand eines Beispiels angenommen, dass eine neue Batterie, die bisher noch nicht verwendet worden ist, ein SOH von 64 Ah aufweist entsprechend einem SOC von 100% (das heißt einer vollen Ladekapazität von 64 Ah). Bei dieser Batterie entspricht ein SOH von 25,6 Ah einem SOC von 40%. Es sei ferner angenommen, dass diese neue Batterie dann verwendet wurde und deren Ladefähigkeit beträchtlich verschlechtert worden ist, so dass eine volle Ladekapazität bei 40 Ah liegt. Dieser Kapazitätsbetrag entspricht jedoch weiter einem SOC von 100% und in diesem Fall bedeutet ein SOC von 40% ein SOH von 16,0 Ah.
-
Gemäß den 1 bis 14 wird nun eine Ausführungsform des Fahrzeug-Batteriesystems beschrieben. Diese Fahrzeug-Batteriesystem basiert auf einem Berechnungstyp vom neuronalen Netzwerk und entspricht einem Batteriesystem gemäß der vorliegenden Erfindung.
-
Wie in 1 gezeigt ist, ist das Fahrzeug-Batteriesystem mit einer Fahrzeugbatterie (im Folgenden einfach als ”Batterie” bezeichnet) 1 und anderen elektrischen Komponenten ausgestattet, inklusive einem Fahrzeug-Generator 2, einer elektrischen Vorrichtung oder elektrischen Vorrichtungen 3, einem Stromsensor 4, einen Batteriezustand-Detektor 5 und einer Generatorsteuereinheit 6. Von diesen Einrichtungen ist gemäß der Darstellung der Batteriezustand-Detektor 5 mit einer Vorverarbeitungsschaltung 7 und einem neuronalen Netzwerkrechner 8 ausgestattet und kann zum Teil oder als Ganzes entweder durch Berechnen mit Hilfe einer Software realisiert sein, die in einem entsprechenden Computersystem installiert ist, oder mit Hilfe von Funktionen einer entsprechenden digitalen/analogen Schaltungsanordnung.
-
Der Fahrzeug-Generator 2 ist in dem Fahrzeug montiert, um die Batterie 1 zu laden und um die elektrische Vorrichtung 3 mit Energie zu versorgen. Die elektrische Vorrichtung 3 funktioniert als eine elektrische Fahrzeuglast oder Lasten, die durch die Batterie 1 und/oder den Generator 2 mit Energie versorgt wird bzw. werden. Der Stromsensor 4 ist zwischen der Batterie 1 und der elektrischen Vorrichtung 2 platziert und detektiert die Ladung bzw. Ladungsströme und Entladungsströme zu und von der Batterie 1. Der Batteriezustand-Detektor 5 besteht aus einer elektrischen Schaltungseinheit, um Signale zu detektieren, welche den internen Betrieb (Ladung/Entladung) bzw. Betriebszustände der Batterie 1 anzuzeigen. Die Batterie 1 besitzt eine Anschlussklemme, die mit dem Batteriezustand-Detektor 5 verbunden ist, um deren Klemmenspannung (Einfachspannung) an den Batteriezustand-Detektor 5 zu liefern.
-
Bei der vorliegenden Ausführungsform ist der Batteriezustand-Detektor 5 durch ein Computersystem mit einer CPU 101 (zentrale Prozessoreinheit), Speichern 102 und 103 und anderen erforderlichen Komponenten (siehe 2) gebildet. Die Speicher 102 und 103 enthalten einen Speicher 102, in welchem Daten von vorbestimmten Programmen für die Berechnung enthalten sind, die dafür ausgelegt sind, um einen oder mehrere Batterieladezustände zu detektieren, wobei diese Programme an früherer Stelle abgespeichert wurden. Die CPU ist dafür ausgelegt die Daten der Programme zu lesen wann immer diese aktiviert werden und dann eine Berechnung in Verbindung mit Prozeduren durchzuführen, die durch die Programme vorgesehen werden. Die Performance der Berechnung liefert die Funktionen der Vorverarbeitungsschaltung 7 und des neuronalen Netzwerkrechners 8, was nun jeweils mehr in Einzelheiten beschrieben wird.
-
Von einem funktionellen Standpunkt aus gesehen ist die Vorverarbeitungsschaltung 7 vor dem neuronalen Netzwerkrechner 8 platziert und ist so konfiguriert, um verschiedene Eingangsparameter zu dem neuronalen Netzwerkrechner 8 zu berechnen. Solche Eingangsparameter umfassen Spannungs- und Strom-Historie-Daten Vi und Ii, eine Spannung Vo gemäß einem offenen Schaltkreis der Batterie 1 und einen Stromintegrationswert Qx der Batterie 1. Die Eingangsparameter können zusätzlich einen internen Widerstand R der Batterie 1 umfassen. Die Spannung Vo gemäß einem offenen Schaltkreis besteht aus einer Spannung, die an der Batterieklemme erscheint, vorausgesetzt, dass der Laststrom aus derselben als Null betrachtet wird. Der Stromintegrationswert Qx repräsentiert eine polarisationsbezogene Größe gemäß der vorliegenden Erfindung.
-
Spezifischer ausgedrückt führt die Vorverarbeitungsschaltung 7 gleichzeitig einen Samplingprozess hinsichtlich sowohl der Daten der Spannung V von der Batterie 1 als auch hinsichtlich des Stromes I von dem Stromsensor 4 in Intervallen durch, so dass solche Daten V und I als eine Datenpaar bei jedem Samplingzeitpunkt gelesen werden können (siehe 3). Somit wird eine vorbestimmte Anzahl von Datenpaaren, von denen jedes aus der Spannung V und dem Strom I gebildet ist, zu einer vorbestimmten Zeitperiode gespeichert. Die vorbestimmte Zahl an Datenpaaren aus der Spannung und dem Strom I, die während der letzten vorbestimmten Zeitperiode gewonnen wurden, die gerade vor der momentanen auszuführenden Berechnung lag, werden dem neuronalen Netzwerkrechner 8 als Spannungs- und Strom-Historie-Daten Vi und Ii angeboten (die als Teil der Eingangsparameter dienen) und zwar für die Berechnung durch das neuronale Netzwerk. Anstatt solcher Spannungs- und Strom-Historie-Daten Vi und Ii kann auch ein Mittelwert der Spannung V der Batterie 1 und ein Mittelwert des Stromes I (Lade- und Entlade-Strom) zu und von der Batterie 1 verwendet werden, wobei beide über jede der vorbestimmten Perioden hinweg gemessen werden.
-
Die Vorverarbeitungsschaltung 7 verwendet auch solche Paare aus Spannungs- und Strom-Historie-Daten Vi und Ii, um die Spannung Vo gemäß einem offenen Schaltkreis zu berechnen, die auch als Teil der Eingangsparameter für die Berechnung durch das neuronale Netzwerk dienen. Zusätzlich verwendet die Vorverarbeitungsschaltung 7 auch die momentanen Historie-Daten Ii, um den Stromintegrationswert Qx zu berechnen, der eine polarisationsbezogene Größe wiedergibt. Dieser Stromintegrationswert Qx wird dadurch erhalten, indem die detektierten Ströme (Lade- und Entlade-Ströme) über die letzte vorbestimmte Periode (zum Beispiel 5 Minuten) integriert wird, die gerade vor der momentanen auszuführenden Berechnung liegt. Die Integration wird zyklisch alle vorbestimmte Periode ausgeführt.
-
Nebenbei bemerkt kann der interne Widerstand R in den Eingangsparametern zur Berechnung durch das neuronale Netzwerk enthalten sein.
-
Gemäß 4 wird nun im Detail dargelegt auf welche Weise sowohl die Spannung Vo gemäß einer offenen Schaltung als auch der interne Widerstand R berechnet werden, was mit Hilfe der Vorverarbeitungsschaltung 7 durchgeführt wird, die oben beschrieben wurde.
-
Die Vorverarbeitungsschaltung 7 wird nun in Einzelheiten beschrieben. Die Vorverarbeitungsschaltung 7 sampelt gleichzeitig und in Intervallen (beispielsweise T/5 Sekunden und T ist gleich 25 Sekunden; siehe 3) sowohl das Signal der Spannung V der Batterie 1 als auch das Signal des Stromes I von dem Stromsensor 4, um die Daten zu speichern, welche die Batterie-Spannungs-Historie Vi und die Batterie-Strom-Historie Ii angeben, und führt auch die Daten, welche die Spannung V und den Strom I anzeigen, zu jedem Zeitpunkt dem neuronalen Netzwerkrechner 8 zu. Die gesampelten Daten der Spannung V und des Stromes I, welche die Batterie-Spannungs-Historie Vi und die Batterie-Strom-Historie Ii zusammen bilden, bestehend aus Daten, die zu jeweiligen Zeitpunkten innerhalb einer vorbestimmten Zeitperiode gewonnen werden (zum Beispiel T = 25 Sekunden, siehe 3), die dem momentanen Zeitpunkt vorhergeht. Bei der vorliegenden Ausführungsform werden, um ein Beispiel zu nennen, die Spannungs-Historie-Daten Vi und die Strom-Historie-Daten Ii in Intervallen zum Erzeugen von fünf Daten gesampelt und zwar jeweils (siehe hierzu 3), dies ist jedoch keine definitive Liste.
-
Zusätzlich zum Speichern der Daten, welche die Batterie-Spannungs-Historie Vi und die Batterie-Strom-Historie Ii angeben, erzeugt die Vorverarbeitungsschaltung 7 Daten, welche eine Beziehung zwischen der Batterie-Spannungs-Historie Vi und der Batterie-Strom-Historie Ii zeigen und liefert an den neuronalen Netzwerkrechner 8 solche Beziehungsdaten. Die Beziehungsdaten werden in solcher Weise erzeugt, dass die Daten von sowohl der Spannungs-Historie Vi als auch der Strom-Historie Ii einer Methode der kleinsten Quadrate (least-squares method) unterzogen werden, um einen linearen Annäherungsausdruck LN zu berechnen, der die Beziehung zwischen der Spannung V und dem Strom I angibt, und wobei der Annäherungsausdruck LN eine Berechnung gemäß einem y-Interceptverfahren (entsprechend einer Spannung Vo eines offenen Schaltkreises) und/oder Neigung (entsprechend einem inneren Widerstand R) jedes Mal dann durchzuführten, wenn das Paar aus der Spannung V und dem Strom I eingespeist werden, wodurch ein vorhandener Wert der Spannung Vo gemäß einem offenen Schaltkreis und/oder ein vorhandener Wert des inneren Widerstandes R erzeugt werden (siehe 3). Solche vorhandenen Werte sind dazu befähigt als die Beziehungsdaten zu fungieren und zwar zwischen der Spannungs-Historie Vi und der Strom-Historie Ii, wie oben beschrieben ist. Nachdem bekannt ist, auf welche Weise der lineare Annäherungsausdruck LN und auf welche Weise die momentanen Werte oder Wert Vo und R basierend auf dem Annäherungsausdruck LN berechnet werden, werden detaillierte Erläuterungen derselben hier weggelassen. Die Methode der kleinsten Quadrate ist von Nutzen und zwar bei der Reduzierung der Menge an Daten, die abzuspeichern sind.
-
Der neuronale Netzwerkrechner 8 ist so konfiguriert, dass er verschiedene Typen von Eingangsparametern empfangen kann (das heißt Signale, die eingespeist werden) und zwar auch von der Vorverarbeitungsschaltung 7 und beschickt die neuronale Netzwerkberechnung mit den Eingangsparametern, um Signale auszugeben, die eine vorbestimmte Speicherzustandsquantität angeben (einen SOC (Ladezustand) bei der vorliegenden Ausführungsform). Bei der bisher beschriebenen vorliegenden Ausführungsform sind die Eingangsparameter paarweise vorhanden und zwar in Form von Spannungs- und Strom-Daten Vi und Ii, die als Spannungs- und Strom-Historie-Informationen dienen, und bestehen aus der Spannung Vo gemäß einem offenen Schaltungskreis und der Stromintegrationsgröße Qx, von denen alle die neuesten sind.
-
Die Verarbeitungsschritte, die in 5 gezeigt sind, die kooperativ durch sowohl die Vorverarbeitungsschaltung 7 als auch durch den neuronalen Netzwerkrechner 8 ausgeführt werden, werden nun beschrieben.
-
Als Reaktion auf den Start der Maschine startet die Vorverarbeitungsschaltung 7 ihre Berechnung. Nach dem Start stellen sowohl die Verarbeitungsschaltung 7 als auch der neuronale Netzwerkrechner 8 die Stromwerte in ihren Arbeitsbereichen (Schritt S1) zurück. Die Vorverarbeitungsschaltung 7 detektiert dann die Spannung V und den Strom I der Batterie 1 in Intervallen zum Zwecke der Speicherung (Schritt S2). Dann wird mit Hilfe der Vorverarbeitungsschaltung 7 ein Wert der Spannung Vo gemäß einem offenen Schaltkreis berechnet und zwar zum Zwecke der Abspeicherung, basierend auf dem bereits beschriebenen Weg (Schritt S3). Der Wert Vo gemäß dem offenen Schaltkreis zeigt eine momentane Verschlechterungs-Zustandsgröße der Batterie 1 an.
-
Die Vorverarbeitungsschaltung 7 berechnet dann die zuvor genannte Stromintegrationsgröße Qx unter Verwendung der Daten, die über die letzte vorbestimmte Periode hinweg gewonnen wurden (Schritt S4).
-
Dann werden alle Daten, welche die Spannungs- und Strom-Historie-Daten Vi und Ii angeben, die Offenkreis-Spannung Vo und die Stromintegrationsgröße Qx dem neuronalen Netzwerkrechner 8 übergeben, wobei der neuronale Netzwerkrechner 8 einen SOC (Ladezustand) der Batterie 1 berechnet, der als eine physikalische Größe dient, welche den internen Zustand der Batterie 1 anzeigt (Schritt S5). Auf welche Weise der SOC berechnet wird, wird in Einzelheiten später beschrieben. Die berechnete Größe des SOC wird von dem neuronalen Netzwerkrechner 8 geliefert (Schritt S6).
-
Die Generatorsteuereinheit 6 ist so vorgesehen, um einen Energiebetrag zu steuern, der durch den Fahrzeug-Generator 2 erzeugt werden soll und zwar im Ansprechen auf sowohl ein Signal, welches von dem neuronalen Netzwerkrechner 8 ausgegeben wird als auch Signalen Sother, die von verschiedenen anderen nicht gezeigten Komponenten stammen.
-
Unter Hinweis auf 6 wird nun der neuronale Netzwerkrechner 8 in Einzelheiten in Ausdrücken von dessen funktionaler Konfiguration und dessen Betriebsweisen beschrieben. Anhand eines Beispiels sei der neuronale Netzwerkrechner 8 als ein Dreihierarchie-Vorwärtskopplungstyp eines Rechners ausgebildet, der auf der Grundlage einer Rückwärtsausbreitungstechnik lernfähig ist. Dieser Typ ist nicht entscheidend, sondern irgendein neuronales Netzwerk, wenn es entsprechend richtig ausgewählt wird, kann als dieser Rechner 8 eingesetzt werden.
-
Der neuronale Netzwerkrechner 8 besteht gemäß seiner Funktionsblöcke aus einer Eingangsschicht 201, einer mittleren Schicht 202 und einer Ausgangsschicht 203. Praktisch ist der Rechner 8 jedoch so konfiguriert, dass er ein Mikrocomputersystem inklusive einer CPU und Speichern umfasst und wobei die CPU Programme ausführt, die aus einem Speicher ausgelesen werden, einer Softwareverarbeitung durchführt, und zwar in Intervallen, die für seine Berechnung vorgegeben werden.
-
Die Eingangsschicht 201 besteht aus einer vorbestimmten Zahl von Eingangszellen. Die jeweiligen Eingangszellen empfangen nicht nur in Form von Eingangsdaten (Signalen) die Spannungs-Historie-Daten Vi, die Strom-Historie-Daten Ii und präsentieren Werte der Spannung Vo gemäß einem offenen Schaltkreis und den internen Widerstand R aus der Vorverarbeitungsschaltung 7, sondern empfangen auch einen Wert der Spannung Vo gemäß einem offenen Schaltkreis, der dann erhalten wird, wenn die vorbestimmte Energiemenge entladen wird, und zwar aus dem Korrektursignal des Generators 9. Auch handhaben die jeweiligen Eingangszellen die empfangenen Daten, für alle Berechnungszellen, die zu der Zwischen- oder mittleren Schicht 202 gehören. Die Berechnungszellen in der mittleren Schicht 202 haben die Aufgabe eine später zu beschreibende neuronale Netzwerkberechnung an den Daten anzuwenden, die von den Eingangszellen in der Eingangsschicht 201 eingespeist werden und um die resultierenden Berechnungsergebnisse an eine Ausgangszelle in der Ausgangsschicht 203 zu liefern. Die Berechnung richtet sich auf einen SOC, so dass die Ausgabezelle in der Ausgangsschicht 203 Ausgangsdaten erzeugt, die den Ladezustand anzeigen (SOC).
-
Vorausgesetzt, dass die in die j-te Zelle eingespeisten Daten der Eingabeschicht 201 mit INj bezeichnet werden und ein Kopplungskoeffizient zwischen der j-ten Zelle der Eingangsschicht 201 und die k-te Zelle der mittleren Schicht 202 mit Wjk bezeichnet wird, lässt sich ein Signal, welches zu der k-ten Zelle der mittleren Schicht 202 eingespeist wird, wie folgt ausdrücken: INPUTk(t) = Σ(Wjk·INj)(j = 1 bis 2m + 3) (1).
-
Ferner lässt sich ein Signal, welches von der k-ten Zelle der mittleren Schicht 202 ausgegeben wird, wie folgt ausdrücken: OUT(k) = f(x) = f(INPUTk(t) + b) (2), worin die Größe b eine Konstante ist.
-
Der Ausdruck (2) wird unter Verwendung von f(INPUTk(t) + b) definiert, was eine nichtlineare Funktion ist, die als Sigmoid-Funktion bezeichnet wird, welche INPUTk(t) + b als Eingangsvariable verwendet. Diese Funktion wird so definiert, dass gilt: f(INPUT(t) + b) = 1/(1 + exp(–(INPUT(t) + b))) (3).
-
Wenn ein Kopplungskoeffizient zwischen der k-ten Zelle der mittleren Schicht 202 und einer Zelle der Ausgangsschicht 203 mit Wk bezeichnet wird, kann ein Eingangssignal in die Ausgangsschicht 203 wie folgt ausgedrückt werden: INPUTo(t) = ΣWk·OUTk(t)(k = 1 bis Q) (4), ähnlich wie weiter oben. Die Größe Q bezeichnet die Zahl der Zellen in der mittleren Schicht 202. Demzufolge beträgt ein Ausgangssignal aus der Ausgangsschicht 203 zu einem Zeitpunkt t gleich OUT(t) = L·INPUTo(t) (5), worin die Größe L eine lineare Konstante ist.
-
Der neuronale Netzwerkberechnung gemäß der vorliegenden Ausführungsform führt einen Lernprozess ein, bei dem die Kopplungskoeffizienten zwischen den Zellen optimiert werden, um Fehler zwischen der endgültigen Ausgangsgröße OUT(t) zu einem Zeitpunkt t und einer früher gemessenen Ziel-Ausgangsgröße (das heißt einem wahren Wert tar(t)) minimal zu gestalten, was noch später beschrieben wird. Die Ausgangsgröße OUT(t) bildet einen Ausgangsparameter, der von der Ausgangsschicht 203 auszugeben ist und, bei der vorliegenden Ausführungsform einen SOC (Ladezustand) zu einem Zeitpunkt t.
-
Auf welche Weise die Kopplungskoeffizienten auf den neuesten Stand gebracht werden, wird nun im Folgenden beschrieben.
-
Der Kopplungskoeffizient Wk zwischen der k-ten Zelle der mittleren Schicht 202 und jeder Zelle der Ausgangsschicht 203 wird basierend auf dem folgenden Ausdruck auf den neuesten Stand gebracht: Wk = Wk + ΔWk (6), worin ΔWk wie folgt definiert ist: ΔWk = –η·∂EK/∂Wk
= η·[OUT(t) – tar(t)]·[∂OUT(t)/∂Wk]
= η·[OUT(t) – tar(t)]·L·[∂INPUTo(t)/∂Wk]
= η·L·[OUT(t) – tar(t)]·∂OUTk(t) (7), worin η eine Konstante bezeichnet.
-
Der Wert Ek gibt einen Fehler zwischen den Lehrdaten und einer Netzwerkausgangsgröße an und kann wie folgt definiert werden: Ek = [OUT(t) – tar(t)]·[OUT(t) – tar(t)]/2 (8).
-
Ferner wird die Art, wie der Kopplungskoeffizient Wjk zwischen der k-ten Zelle der mittleren Schicht 202 und der j-ten Zelle der Eingangsschicht 201 auf den neuesten Stand gebracht, nun beschrieben. Der Kopplungskoeffizient Wjk wird mit Hilfe des folgenden Ausdruckes auf den neuesten Stand gebracht: Wjk = Wjk + ΔWjk (9), worin ΔWjk wie folgt definiert ist: ΔWk = –η·∂EK/∂Wjk
= –η·[∂EK/)/∂INPUTk(t)]·[∂INPUTk(t)/∂Wjk]
= –η·[∂EK/)/∂OUTk(t)]·[∂OUTk(t)/∂INPUTk(t)]·INj = –η·[∂EK/)/∂OUTk(t)]·[∂OUTk(t)/∂INPUTo]·
[∂INPUTo/OUTk(t)]·f'(INPUTk(t) + b)·INj
= –η·(OUT(t) – tar(t))·L·Wk·f'(INPUTk(t) + b)·INj
= –η·L·Wk·INj·(OUTsoc(t) – tar(t))·f'(INPUTk(t) + b) (10), worin f'(INPUTk(t) + b) ein Ableitungswert einer Übertragungsfunktion ist.
-
Die auf diese Weise auf den neuesten Stand gebrachten neuen Kopplungskoeffizienten Wk und Wjk werden zur Wiederberechnung einer Ausgangsgröße OUT(t) verwendet, das heißt einer SOC zu einem Zeitpunkt t. Diese Erneuerung und der Berechnungsprozess werden wiederholt, bis eine Fehlerfunktion Ek unter einen gegebenen winzigen Wert abgefallen ist. Damit ist der Prozess, bei dem die Kopplungskoeffizienten auf den neuesten Stand gebracht werden, um die Fehlerfunktion Ek auf einen Wert unter einen gegebenen minimalen Wert zu bringen, der zuvor genannte Lernprozess.
-
Gemäß 7 zeigt ein Flussdiagramm den zuvor erläuterten Lernprozess, der nunmehr beschrieben wird. Bei diesem Prozess bildet ein Sollwert, der von dem neuronalen Netzwerkrechner 8 auszugeben ist, eine Größe, welche den Zustand der Batterie 1 angibt (das heißt die Ladezustandsgröße). Praktisch ist beispielsweise die Ladezustandsgröße ein SOC (Ladezustand). Alternativ kann die Ladezustandsgröße auch ein SOH (Gesundheitszustand) sein.
-
Zuerst liefert der neuronale Netzwerkrechner 8, wenn der Start erteilt wird, geeignet ausgewählte Anfangswerte für die Kopplungskoeffizienten (Schritt S21). Die Anfangswerte werden ausgewählt unter Verwendung einer Zufallstabelle, um ein Beispiel zu nennen. Der Rechner 8 liest in Form von Eingangssignalen die vorangegangen genannten Eingangssignale zum Lernen und empfängt an jeder Zelle der Eingangsschicht 201 (Schritt S22). Unter Verwendung der vorangegangen genannten Anfangswerte, die Kopp angeben, werden die Eingangssignale einer neuronalen Netzwerkberechnung unterzogen, so dass ein Wert von SOC, das heißt ein Ausgangsparameter ausgebildet wird (Schritt S23).
-
Der Rechner 8 berechnet dann die Fehlerfunktion Ek gemäß dem oben angegebenen Ausdruck (Schritt S24) und bestimmt, ob die Fehlerfunktion Ek einen Wert wiedergibt, der kleiner ist als ein Schwellenwert ”th” oder nicht, der als ein gegebener minimaler Wert dient (Schritt S25). In Fällen, bei denen der Wert der Fehlerfunktion Ek gleich ist mit oder größer ist als der Schwellenwert th, ermöglicht es der Rechner 8, dass die Kopplungskoeffizienten Wk und Wjk einer Erneuerung unterworfen werden, um dadurch Update-Größen oder Werte ΔW zu konfigurieren, die gemäß dem oben erläuterten Lernprozess definiert sind (Schritt S26) und der Prozess wird dann fortgesetzt, um die Kopplungskoeffizienten Wk und Wjk auf den neuesten Stand zu bringen (Schritt S27).
-
Die Verarbeitung in dem neuronalen Netzwerkrechner 8 wird dann zu einem Schritt S12 zurückgeleitet, um erneut die Eingangssignale zu lesen und zwar zum Zwecke, damit die Zellen der Eingangsschicht 201 lernen. Damit wird SOC dann erneut berechnet und zwar in der oben geschilderten Weise und die vorangegangen erläuterte Verarbeitung wird wiederholt, bis die Fehlerfunktion Ek einen Wert erreicht hat, der kleiner ist als der Schwellenwert th.
-
Wenn im Gegensatz dazu der Rechner 8 bestimmt, dass die Fehlerfunktion Ek einen Wert annimmt, der kleiner ist als der Schwellenwert ”th”, entscheidet der Rechner 8, dass der Lernvorgang vervollständigt worden ist (Schritt S28). Im Ansprechen auf diese Entscheidung wird dann der Lernprozess beendet.
-
Demzufolge kann der neuronale Netzwerkrechner 8 so ausgebildet und hergestellt werden, dass der Rechner 8 an früherer Stelle mehrere Lade-/Entlade-Muster lernt entsprechend repräsentativen Batterietypen basierend auf dem vorangegangen erläuterten Lernprozess bevor die Produkte dann verschickt werden. Daher kann jedes Fahrzeug mit Präzision SOC der Batterie unter Verwendung der neuronalen Netzwerkberechnung beim aktuellen Fahren abschätzen, unabhängig von Schwankungen in der Herstellung der Batterien, die in den jeweiligen Fahrzeugen zum montieren sind.
-
(Testergebnisse)
-
Es wurden fünf Batterien, deren Kapazitäten und Verschlechterungszustände verschieden voneinander waren, wie in 8 aufgelistet ist, hergestellt und einer Messung der Lade-/Entlade-Ströme und der Klemmenspannungen unterworfen und zwar während der Fahrt unter dem 10.15 Fahrmodus. Eine Spannung Vo gemäß einem offenen Schaltkreis und ein Stromintegrationswert Qx in der letzten bestimmten Integrationsperiode, die für die neuronale Netzwerkberechnung verwendet werden, wurden als Eingangsparameter berechnet und dann wurden diese Eingangsparameter und ein früher berechneter tatsächlicher Wert von SOC (aus der Stromintegrationsgröße Qx berechnet) als Lehrsignale für den Lernprozess verwendet.
-
Als nächster Punkt wurde das so einem Lernprozess unterworfene neuronale Netzwerk dazu verwendet, um die Werte von SOC von drei neuen verschlechterten Batterien zu berechnen (das heißt von verwendeten Batterien). Die SOC-Werte wurden somit dann einem Vergleich unterzogen und zwar mit den tatsächlichen Werten von SOC, die auf der Grundlage des Stromintegrationsverfahrens berechnet wurden, wobei die Vergleichsergebnisse in den 9 bis 14 gezeigt sind. Von diesen Graphen zeigen die 9 bis 11 die SOC-Ergebnisse von drei Testbatterien, die sich anhand der Berechnung der vorangegangenen Eingangsparameter ergeben haben und zwar inklusive der Stromintegrationsgröße QX, das heißt mit Verwendung der Spannungs- und Strom-Historie-Daten Vi und Ii, der Spannung Vo gemäß einem offenen Schaltkreis und der Stromintegrationsgröße Qx. Im Gegensatz dazu zeigen die 12 bis 14 die SOC-Ergebnisse der gleichen drei Testbatterien, die sich aus der Berechnung der Eingangsparameter ergeben haben und zwar ausschließlich der Stromintegrationsgröße Qx, das heißt nur unter Verwendung der Spannungs- und Strom-Historie-Daten Vi und Ii und der Spannung Vo gemäß einem offenen Schaltkreis. 15 zeigt die Wellenform der letzten Stromintegrationsgröße Qx, die für den Vergleich verwendet wurde. Aus dem Vergleich zwischen den 9 bis 11 und den 12 bis 14 kann ersehen werden, dass lediglich das Hinzufügen der Stromintegrationsgröße Qx zu den Eingangsparametern dazu führt, dass die Präzision bei der Berechnung von SOC ansteigt.
-
Darüber hinaus wurden die vorangegangen genannten Testbatterien einer Prüfung einer Korrelation zwischen Änderungen in der Spannung Vo gemäß einem offenen Kreis und der Stromintegrationsgröße Qx unterworfen, die von der letzten Integrationsperiode erhalten wurde, welche zum Berechnen der Spannung Vo gemäß einem offenen Schaltkreis verwendet wurde. Der Zustand der Polarisation wird in den Änderungen der Spannung Vo gemäß einem offenen Schaltkreis wiedergespiegelt. Die resultierende Korrelation ist in 16 gezeigt, welche darstellt, dass die Änderungen in der Spannung Vo gemäß einem offenen Schaltkreis eine starke Korrelation zu der Stromintegrationsgröße Qx haben. Als ein Ergebnis kann durch Einbeziehen in die Eingangsparameter von sowohl der Spannung Vo gemäß einem offenen Schaltkreis als auch der Stromintegrationsgröße Qx, die aus der letzten Integrationsperiode erhalten wird, die zum Berechnen von der Spannung Vo verwendet wurde, also nicht nur Einbeziehen von lediglich der Spannung Vo gemäß einem offenen Schaltkreis, abgeschätzt werden, dass die letzte (latest) Stromintegrationsgröße Qx, die in der Spannung Vo gemäß einem offenen Schaltkreis enthalten ist (spezifischer gesagt der Einfluss der Polarisation) reduziert ist.
-
Wie oben beschrieben ist, ist bei der vorliegenden Ausführungsform lediglich ein Eingangsparameter, der aus der Stromintegrationsgröße Qx besteht, stark auf den Polarisationsindex bezogen, und wird zu den existierenden Eingangsparametern hinzuaddiert. Diese Hinzufügung ermöglicht es, dass eine Polarisationskomponente in der Spannung beseitigt wird, und zwar über die neuronale Netzwerkberechnung. Es ist daher möglich den Ausgangsparameter zu detektieren, der einen Ladezustand der Batterie angibt, und zwar mit Präzision, wobei aber dennoch eine Zunahme in der Berechnungsbelastung und der Schaltungsanordnung unterdrückt wird.
-
Wie bei der vorliegenden Ausführungsform gezeigt ist, ist es zu bevorzugen als Spannung- und Strominformation Spannungs-/Strom-Historie-Paarungsdaten zu verwenden, die während der letzten Berechnungsperiode erworben wurden und die Spannung Vo gemäß einem offenen Schaltkreis der Batterie 1 als einen Eingangsparameter zu verwenden, der auf die Verschlechterung der Batterie 1 bezogen ist. Dies ermöglicht es, dass eine Reduzierung in der Präzision der Berechnung des Batterieladezustandes unterdrückt werden kann und zwar unabhängig von Schwankungen in der Batterieverschlechterung. Darüber hinaus können die Schritte der Berechnung der Spannung Vo gemäß einem offenen Schaltkreis mit geringerem Einfluss der polarisations-bezogenen Größe vorgenommen werden, die gemäß der Berechnung ausgeführt werden. Dies verbessert weiter die Präzision bei der Berechnung des Ladezustandes der Batterie 1.
-
Spezifischer ausgedrückt wird bei der vorliegenden Ausführungsform in der gleichen Weise, wie dies oben geschildert wurde, die Spannung Vo gemäß einem offenen Schaltkreis basierend auf den Spannungs-/Strom-Daten angenähert, die in der Vergangenheit erworben wurden. Ein Entladungsbetrag der sekundären Batterie ändert sich abhängig davon wie der Grad der Verschlechterung in der Batterie voranschreitet, und der Verschlechterungsgrad drückt sich in der Spannung Vo gemäß einem offenen Schaltkreis aus. Damit ist es zu bevorzugen und zwar für die Betrachtung des Einflusses des Verschlechterungsgrades bei der Berechnung des Ladezustandes, die Spannung Vo gemäß einem offenen Schaltkreis zu den Eingangsparametern für die neuronale Netzwerkberechnung hinzuzufügen. Basierend darauf enthalten die Eingangsparameter Spannungs- und Strom-Daten eine Spannung Vo gemäß einem offenen Schaltkreis, die als Komponente dient, die auf die Verschlechterungszustände der Batterie bezogen ist (solche Komponente ist in dieser Spannung und Strom enthalten), und die polarisations-bezogene Größe in Verbindung mit der Polarisation, deren Betrag in den Größen wie der Spannung V und der Spannung Vo gemäß einem offenen Schaltkreis enthalten ist. Damit kann eine Korrelation zwischen der Spannung/dem Strom und dem Ladezustandsbetrag über die neuronale Netzwerkberechung extrahiert werden, bei der die Spannung und der Strom als Größen vorgesehen sind, deren Batterieverschlechterungskomponente und Polarisationskomponente wechselseitig ausgelöscht werden. Dies verbessert die Genauigkeit bei der neuronalen Netzwerkberechnung.
-
Die Ausführungsform kann weiter modifiziert werden. Es ist beispielsweise zu bevorzugen, dass die Klemmenspannung (Einfachspannung) der Batterie und der Lade-/Entlade-Strom (Einfachstrom) zu/von der Batterie einer Störsignalreduzierungsverarbeitung unterworfen werden wie beispielsweise einer Tiefpassfilterung, um Störsignalkomponenten auszufiltern und um eine Gleichstromkomponente oder Niederfrequenzkomponenten zu extrahieren und um einen Mittelwert über die letzte vorbestimmte Messperiode zu berechnen.
-
Es kann eine weitere abgewandelte Ausführungsform realisiert werden, bei der die Spannung V und die Spannung Vo gemäß einem offenen Schaltkreis eine linear konvertierte Funktion jeweils enthalten. Es sei anhand eines Beispiels angenommen, dass K1 und K2 aus Konstanten bestehen. In diesem Fall können ”K1·V + K2” und/oder ”K1·Vo + K2” verwendet werden. Der Ausgangsfehler zwischen dem Eingangsparameter V (Vo) und dem Eingangsparameter ”K1·V + K2” (”K1·Vo + K2”) kann unmittelbar mit Hilfe der neuronalen Netzwerkberechnung konvergiert werden.
-
Ferner können die Spannung V, die Spannung Vo gemäß einem offenen Schaltkreis und der innere Widerstand R durch relative Werte ausgedrückt werden, und zwar zu solchen Werten, die erhalten werden, wenn die Batterie voll aufgeladen ist. Solche relativen Werte werden auch ”Vollladung-Verhältnisse” genannt. Jedes der ”Vollladung-Verhältnisse” wird als ein Verhältnis aus einem gegebenen Wert oder momentanen Wert von jeder physikalischen Größe zu einem Wert derselben definiert, der in dem voll aufgeladenen Zustand der Batterie 1 erhalten wird. Das Vollladungs-Verhältnis für die Spannung V ist ein Verhältnis von Vp/Vf, worin Vp den gegenwärtigen Wert der Spannung V bezeichnet und worin Vf eine Vollladungsspannung bezeichnet; das Vollladungsverhältnis für die Spannung Vo gemäß einem offenen Schaltkreis ist ein Verhältnis von Vop/Vof, bei dem Vop einen gegenwärtigen Wert der Spannung Vo gemäß einem offenen Schaltkreis wiedergibt und wobei Vof einen Wert der Spannun Vo gemäß einem offenen Schaltkreis bezeichnet, die verstärkt wurde, wenn die Batterie voll geladen ist; und das Vollladeverhältnis für den Innenwiderstand R besteht aus einem Verhältnis von Rp/Rf, wobei Rp den gegenwärtigen Wert des Widerstandes R bezeichnet und Rf einen Wert des Widerstandes R bezeichnet, der verstärkt wird, wenn die Batterie voll geladen ist. Die Voll-Aufladung-Verhältnisse machen es einfacher und geeigneter einen Vergleich unter unterschiedlichen Batterien vorzunehmen, was dann zu einer Verbesserung in der Detektionspräzision führt.
-
Die vorliegende Erfindung kann in vielen anderen Formen verkörpert werden, ohne dabei den Rahmen der vorliegenden Erfindung zu verlassen. Die Ausführungsform bzw. die modifizierten Ausführungsformen, die bisher hier beschrieben wurden, dienen lediglich der Veranschaulichung und sind nicht in einschränkender Weise zu interpretieren.
