DE102022211063A1 - Controller for estimating characteristic parameters of a battery and method therefor - Google Patents

Controller for estimating characteristic parameters of a battery and method therefor Download PDF

Info

Publication number
DE102022211063A1
DE102022211063A1 DE102022211063.3A DE102022211063A DE102022211063A1 DE 102022211063 A1 DE102022211063 A1 DE 102022211063A1 DE 102022211063 A DE102022211063 A DE 102022211063A DE 102022211063 A1 DE102022211063 A1 DE 102022211063A1
Authority
DE
Germany
Prior art keywords
battery
characteristic parameter
ensemble
voltage
controller
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
DE102022211063.3A
Other languages
German (de)
Inventor
Kumar Swarup
Rahul Kumar Dubey
Ranajay Medya
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.)
Robert Bosch GmbH
Bosch Global Software Technologies Pvt Ltd
Original Assignee
Robert Bosch GmbH
Robert Bosch Engineering and Business Solutions Pvt Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH, Robert Bosch Engineering and Business Solutions Pvt Ltd filed Critical Robert Bosch GmbH
Publication of DE102022211063A1 publication Critical patent/DE102022211063A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • 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
    • 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]
    • 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
    • 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
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Secondary Cells (AREA)

Abstract

Es werden ein Controller 110 und ein Verfahren Abschätzen charakteristischer Parameter einer Batterie 102 bereitgestellt. Der Controller 110 ist dadurch gekennzeichnet, dass er gestaltet ist zum Überwachen wenigstens eines Spannungsentladungszyklus 114 (gezeigt I Fig. 2) der Batterie 102, Extrahieren von Variablen, umfassend eine Anfangsspannung und eine zeitliche Veränderung (Δt), die einem Spannungsabfall (ΔV) der Anfangsspannung zu einer Endspannung entspricht, Verarbeiten der Variablen durch ein erstes Ensemble von vortrainierten Modellen 116, das eine Extreme Learning Machine (ELM) und eine Support Vector Machine (SVM) umfasst, und Abschätzen eines ersten charakteristischen Parameters der Batterie (102) auf Grundlage des ersten Ensembles von vortrainierten Modellen 116. Der vorherige Zustand der Batterie 102 ist unbekannt und nur der aktuelle Zustand wird gemessen und verarbeitet, um den ersten charakteristischen Parameter zu bestimmen. Ferner wird ein zweiter charakteristischer Parameter unter Verwendung der Ausgabe des ersten charakteristischen Parameters abgeschätzt.A controller 110 and method of estimating characteristic parameters of a battery 102 are provided. The controller 110 is characterized in that it is configured to monitor at least one voltage discharge cycle 114 (shown I Fig. 2) of the battery 102, extracting variables comprising an initial voltage and a change over time (Δt) corresponding to a voltage drop (ΔV) of the corresponds to an initial voltage to a final voltage, processing the variable through a first ensemble of pre-trained models 116 comprising an Extreme Learning Machine (ELM) and a Support Vector Machine (SVM), and estimating a first characteristic parameter of the battery (102) based on the first ensembles of pre-trained models 116. The previous state of the battery 102 is unknown and only the current state is measured and processed to determine the first characteristic parameter. Furthermore, a second characteristic parameter is estimated using the output of the first characteristic parameter.

Description

Die nachstehende Beschreibung beschreibt und erläutert die Beschaffenheit der vorliegenden Erfindung und die Art und Weise, auf die sie auszuführen ist.The following description describes and explains the nature of the present invention and the manner in which it is to be carried out.

Gebiet der Erfindungfield of invention

Die vorliegende Erfindung betrifft einen Controller und die Abschätzung charakteristischer Parameter einer Batterie.The present invention relates to a controller and estimation of characteristic parameters of a battery.

Hintergrund der ErfindungBackground of the Invention

Die Energiespeicherkapazität von Batterien wird außerordentlich wichtig, da sich die Welt hin zu Elektrofahrzeugen entwickelt. Lithiumionen(Li-lonen)-Batterien sind auf beinahe jedem mit Energiespeicherung verbundenen Gebiet von größter Bedeutung. Sie weisen bestimmte wünschenswerte Eigenschaften auf, wie z.B. ein geringes Gewicht und eine hohe Energiedichte. Einige Nachteile sind ihre kostspielige Herstellung und ihre kurze Lebensdauer. Dies verlangt nach eingehender Forschung über verschiedene Arten von Li-lonenzellen, ihre Modellierung und Abschätzung der Lebensdauer, um Effizienzmängel, Beschädigungen von Ausrüstung und Unfälle zu vermeiden. Das Zustandsmanagement und die Überwachung von Li-lonenbatterien sind entscheidend für den geeigneten Betrieb der Vorrichtungen, wobei kontinuierliche Überwachung von Batterien nicht immer möglich ist. Die Abschätzung der Kapazität in der Zukunft und der Restnutzungsdauer (RUI) mit Unsicherheitsquantifizierung ist ein wichtiges aber schwieriges Problem bei der Anwendung von Batteriezustandsdiagnose und - management.The energy storage capacity of batteries is becoming extremely important as the world moves towards electric vehicles. Lithium ion (Li-ion) batteries are of paramount importance in almost every field related to energy storage. They exhibit certain desirable properties, such as light weight and high energy density. Some disadvantages are that they are expensive to manufacture and have a short lifespan. This calls for in-depth research on different types of Li-ion cells, their modeling and lifetime estimation in order to avoid inefficiency, equipment damage and accidents. The condition management and monitoring of Li-ion batteries is critical to the proper operation of the devices, and continuous monitoring of batteries is not always possible. Estimating future capacity and remaining useful life (RUI) with uncertainty quantification is an important but difficult problem in the application of battery health diagnostics and management.

Im Stand der Technik offenbart CN 112684363 ein Verfahren zur Zustandsabschätzung einer Lithiumionenbatterie auf Grundlage des Entladevorgangs. Die Erfindung offenbart ein Verfahren, das zu dem Gebiet der Lithiumionenbatterien gehört, zur Zustandsabschätzung einer Lithiumionenbatterie auf Grundlage eines Entladevorgangs. Das Verfahren umfasst die folgenden Schritte: 1. Durchführen eines zyklischen Lade- und Entladeversuchs an der Lithiumionenbatterie, einschließlich eines Ladevorgangs mit konstantem Strom, eines Ladevorgangs mit konstanter Spannung und eines Entladevorgangs mit konstantem Strom, und Aufzeichnen von mittleren Entladetemperatur-, Strom-, Spannungs-, Zeit- und Kapazitätsdaten, die bei jedem Vorgang erfasst wurden, 2. Extrahieren von drei Zustandsfaktoren, nämlich eines Entladezeitunterschieds bei gleicher Spannung, eines Entladespannungsunterschieds bei gleicher Zeit und einer mittleren Entladetemperatur, Nehmen der Zustandsfaktoren als Eingabevektoren und Nehmen eines Ausgabevektors als einen Batterie-SOH, 3. Verarbeiten der drei gewonnenen Zustandsfaktoren durch ein Hauptkomponentenanalyseverfahren, Reduzieren eines von den drei Zustandsfaktoren gebildeten Eingabevektors auf zwei Dimensionen und Importieren des Eingabevektors in eine bidirektionale Extreme Learning Machine zum Training, und 4. Durchführen von Hauptkomponentenanalyseverarbeitung an den drei extrahierten Zustandsfaktoren unter einer Online-Bedingung, um einen Eingabevektor einer bidirektionalen Extreme Learning Machine zu erhalten, und Durchführen von Modellausgabe, um einen Batterie-SOH zu erhalten. Das Verfahren ist einfach, zweckmäßig und genau.Disclosed in the prior art CN112684363 a method for state estimation of a lithium ion battery based on the discharging process. The invention discloses a method, belonging to the field of lithium ion batteries, for estimating the state of a lithium ion battery based on a discharging process. The method includes the following steps: 1. Conducting a cyclic charge and discharge test on the lithium-ion battery, including constant current charge, constant voltage charge and constant current discharge, and recording mean discharge temperature, current, voltage -, time, and capacity data collected in each operation, 2. Extracting three state factors, namely, a discharge time difference at the same voltage, a discharge voltage difference at the same time, and a mean discharge temperature, taking the state factors as input vectors, and taking an output vector as a battery -SOH, 3. Processing the three obtained state factors by a principal component analysis method, reducing an input vector formed by the three state factors to two dimensions and importing the input vector into a bidirectional Extreme Learning Machine for training, and 4. performing principal component analysis processing on the three extracted state factors under an online constraint to obtain an input vector of a bidirectional Extreme Learning Machine and performing model output to obtain a battery SOH. The procedure is simple, convenient and accurate.

Figurenlistecharacter list

Eine Ausführungsform der Offenbarung wird mit Bezug auf die nachstehenden begleitenden Zeichnungen beschrieben,

  • 1 zeigt ein Blockschaubild eines Systems, das einen Controller zum Abschätzen charakteristischer Parameter einer Batterie umfasst, gemäß einer Ausführungsform der vorliegenden Erfindung;
  • 2 zeigt eine Auftragung eines Entladezyklus der Batterie zum Ableiten von Merkmalen gemäß einer Ausführungsform der vorliegenden Erfindung; und
  • 3 zeigt ein Verfahren zum Abschätzen charakteristischer Parameter der Batterie gemäß der vorliegenden Erfindung.
An embodiment of the disclosure will be described with reference to the following accompanying drawings,
  • 1 12 shows a block diagram of a system including a controller for estimating characteristic parameters of a battery according to an embodiment of the present invention;
  • 2 Figure 12 shows a plot of a discharge cycle of the battery for deriving features according to an embodiment of the present invention; and
  • 3 Fig. 12 shows a method for estimating characteristic parameters of the battery according to the present invention.

Ausführliche Beschreibung der AusführungsformenDetailed description of the embodiments

1 zeigt ein Blockschaubild eines Systems, das einen Controller zum Abschätzen charakteristischer Parameter einer Batterie umfasst, gemäß einer Ausführungsform der vorliegenden Erfindung. Der Controller 110, der dadurch gekennzeichnet ist, dass er zur Überwachung wenigstens eines Spannungsentladungszyklus 114 (in 2 gezeigt) der Batterie 102 gestaltet ist, extrahiert Variablen, umfassend eine Anfangsspannung, eine zeitliche Veränderung (Δt), die einem Spannungsabfall (ΔV) der Anfangsspannung zu einer Endspannung entspricht, verarbeitet die Variablen durch ein erstes Ensemble von vortrainierten Modellen 116, das eine Extreme Learning Machine (ELM) und eine Support Vector Machine (SVM) umfasst, und schätzt als Ausgabe 122 einen ersten charakteristischen Parameter der Batterie 102 auf Grundlage des ersten Ensembles von vortrainierten Modellen 116 ab. Der vorherige Zustand der Batterie 102 ist unbekannt und nur der aktuelle Zustand wird gemessen und verarbeitet, um den ersten charakteristischen Parameter zu bestimmen. 1 12 shows a block diagram of a system including a controller for estimating characteristic parameters of a battery according to an embodiment of the present invention. The controller 110, characterized in that it is used to monitor at least one voltage discharge cycle 114 (in 2 shown) of the battery 102, extracts variables comprising an initial voltage, a time change (Δt) corresponding to a voltage drop (ΔV) from the initial voltage to a final voltage, processes the variables through a first ensemble of pre-trained models 116 representing an extreme Learning Machine (ELM) and a Support Vector Machine (SVM), and estimates as output 122 a first characteristic parameter of the battery 102 based on the first ensemble of pre-trained models 116 . The previous condition of the battery 102 is unknown and only the current condition is measured and processed to determine the first characteristic parameter.

Der Controller 110 nimmt einen einzelnen Spannungsentladungszyklus 114 der Batterie 102 als Eingabe, führt Merkmalsextraktion unter Verwendung von Machine-Learning(ML)-Verfahren durch und verarbeitet durch das erste Ensemble von vortrainierten Modellen 116, umfassend die ELM und SVR, um den ersten charakteristischen Parameter abzuschätzen. Das erste Ensemble von vortrainierten Modellen 116 wird unter Verwendung von Datensätzen trainiert, die für verschiedene Typen von Batterien 102 gesammelt worden sind oder verfügbar sind. Das Feature-Engineering wird für verschiedene Variablen durchgeführt, und die am besten korrelierte Variable wird für die Abschätzung des ersten charakteristischen Parameters ausgewählt.The controller 110 takes a single voltage discharge cycle 114 of the battery 102 as input, performs feature extraction using machine learning (ML) methods, and processes through the first ensemble of pre-trained models 116 comprising the ELM and SVR around the first characteristic parameter to estimate. The first ensemble of pre-trained models 116 is trained using data sets that have been collected or are available for different types of batteries 102 . Feature engineering is performed for different variables and the best correlated variable is chosen for the estimation of the first characteristic parameter.

Bei einer Ausführungsform der vorliegenden Erfindung ist der Controller 110 dafür gestaltet, einen zweiten charakteristischen Parameter abzuschätzen. Der Controller erhält Werte des ersten charakteristischen Parameters von dem ersten Ensemble von vortrainierten Modellen 116 als Eingabe, umfassend einen vorherigen Wert, einen aktuellen Wert und einen nächsten Wert, der aus dem Spannungsentladungszyklus 114 abgeleitet ist. Der Controller 110 verarbeitet die Werte durch ein zweites Ensemble von vortrainierten Modellen 118, das ein Long Short Term Memory (LSTM) und eine Gated Current Unit (GRU) umfasst, und schätzt als die Ausgabe 122 den zweiten charakteristischen Parameter der Batterie 102 zusätzlich zu dem ersten charakteristischen Parameter ab. Der erste charakteristische Parameter der Batterie 102 ist der Batteriezustand („State of Health“, SOH) und der zweite charakteristische Parameter der Batterie 102 ist die Restnutzungsdauer („Remaining Useful Life“, RUL). Ferner wird für die ELM eine Anzahl von verborgenen Neuronen von sechs ausgewählt und die Aktivierung wird als sigmoidal ausgewählt. Allerdings ist diese den Erfordernissen entsprechend konfigurierbar.In an embodiment of the present invention, the controller 110 is configured to estimate a second characteristic parameter. The controller receives values of the first characteristic parameter from the first ensemble of pre-trained models 116 as input, including a previous value, a current value, and a next value derived from the voltage discharge cycle 114 . The controller 110 processes the values through a second ensemble of pre-trained models 118 comprising a Long Short Term Memory (LSTM) and a Gated Current Unit (GRU) and estimates as the output 122 the second characteristic parameter of the battery 102 in addition to that first characteristic parameter. The first characteristic parameter of the battery 102 is the battery state of health (SOH) and the second characteristic parameter of the battery 102 is the remaining useful life (RUL). Furthermore, a number of hidden neurons of six is chosen for the ELM and the activation is chosen to be sigmoidal. However, this can be configured according to requirements.

Der Controller 110 ist mit notwendigen Schaltungen zur Signalerfassung, -aufnahme und -verarbeitung zusammen mit den Sensoren (falls erforderlich) verbunden/ausgestattet. Der Controller 110 umfasst ein Speicherelement 112, wie z.B. einen Arbeitsspeicher (RAM) und/oder einen Festwertspeicher (ROM), einen Analog-zu-Digital-Konverter (ADC) und umgekehrt einen Digital-zu-Analog-Konverter (DAC), Uhren, Zeitschaltungen, Zähler und wenigstens einen Prozessor (der zum Ausführen von Machine Learning fähig ist), die über Kommunikationsbus-Kanäle miteinander und mit anderen Komponenten verbunden sind. In dem Speicherelement 112 sind Logik oder Anweisungen oder Programme oder Anwendungen oder Module/Modelle und/oder Schwellenwerte vorgespeichert, auf die der wenigstens eine Prozessor über die definierten Routinen zugreift. Die internen Komponenten des Controllers 110 werden nicht erklärt, da sie zum Stand der Technik gehören, was nicht als beschränkend aufgefasst werden darf. Der Controller 110 kann auch Kommunikationseinheiten zur Kommunikation mit einer externen Vorrichtung, wie z.B. einer Cloud-Datenverarbeitungseinheit, einem Remote Server usw., über drahtlose oder drahtgebundene Mittel, wie z.B. das Global System for Mobile Communications (GPS), 3G, 4G, 5G, Wi-Fi, Bluetooth, Ethernet, serielle Netze und dergleichen, umfassen.The controller 110 is connected/equipped with necessary circuitry for signal acquisition, recording and processing together with the sensors (if required). The controller 110 includes a storage element 112 such as random access memory (RAM) and/or read only memory (ROM), analog to digital converter (ADC) and vice versa digital to analog converter (DAC), clocks , timers, counters, and at least one processor (capable of executing machine learning) connected to each other and to other components via communication bus channels. Logic or instructions or programs or applications or modules/models and/or threshold values are pre-stored in the memory element 112, which the at least one processor accesses via the defined routines. The internal components of the controller 110 will not be explained as they are known in the art and should not be construed as limiting. The controller 110 may also include communication units for communicating with an external device such as a cloud computing unit, a remote server, etc. via wireless or wired means such as the Global System for Mobile Communications (GPS), 3G, 4G, 5G, Wi-Fi, Bluetooth, Ethernet, serial networks and the like.

Bei einer Ausführungsform der vorliegenden Erfindung ist der Controller 110 wenigstens einer ausgewählt aus einer Gruppe umfassend eine interne Vorrichtung und eine externe Vorrichtung. Die interne Vorrichtung ist wenigstens eine ausgewählt aus einem Batteriemanagementsystem (BMS) 104 und einer Fahrzeugsteuereinheit („Vehicle Control Unit“, VCU) 106, und die externe Vorrichtung ist wenigstens eine ausgewählt aus einem Cloud Server 108 und einer Benutzervorrichtung. Im Fall der internen Vorrichtung empfängt das BMS 104 direkt die Signale von der Batterie 102 und liefert Ausgaben zu dem ersten charakteristischen Parameter und dem zweiten charakteristischen Parameter. Ähnlich empfängt die VCU 106 die erforderlichen Signale von dem BMS 104, das die Batterie 102 auf den Spannungsentladungszyklus 114 überwacht, um Ausgabe zu dem ersten charakteristischen Parameter und dem zweiten charakteristischen Parameter zu liefern. Alternativ werden das BMS 104 und die VCU 106 gemeinsam verwendet, um den Spannungsentladungszyklus 114 zu verarbeiten und die Ausgabe zu liefern. Im Fall der externen Vorrichtung empfängt der Cloud Server 108 das Signal von dem Fahrzeug 120 durch eine Telematikeinheit (nicht gezeigt) oder durch eine Benutzervorrichtung. Ähnlich empfängt die Benutzervorrichtung das Signal von der Telematikeinheit. Die Verbindung zwischen der Benutzervorrichtung, dem Cloud Server 108 und der Telematikeinheit wird unter Verwendung einer bekannten geeigneten drahtgebundenen oder drahtlosen Kommunikationseinrichtung eingerichtet, wie z.B., aber nicht darauf beschränkt, Bluetooth™, Wi-Fi, Universal Serial Bus (USB), GSM, 3G, 4G, 5G und dergleichen.In an embodiment of the present invention, the controller 110 is at least one selected from a group comprising an internal device and an external device. The internal device is at least one selected from a battery management system (BMS) 104 and a vehicle control unit (VCU) 106, and the external device is at least one selected from a cloud server 108 and a user device. In the case of the internal device, the BMS 104 directly receives the signals from the battery 102 and provides outputs on the first characteristic parameter and the second characteristic parameter. Similarly, the VCU 106 receives the necessary signals from the BMS 104, which monitors the battery 102 for the voltage discharge cycle 114 to provide output on the first characteristic parameter and the second characteristic parameter. Alternatively, the BMS 104 and VCU 106 are used together to process the voltage discharge cycle 114 and provide the output. In the case of the external device, the cloud server 108 receives the signal from the vehicle 120 through a telematics unit (not shown) or through a user device. Similarly, the user device receives the signal from the telematics unit. The connection between the user device, the cloud server 108 and the telematics unit is established using any known suitable wired or wireless communication means such as, but not limited to, Bluetooth™, Wi-Fi, Universal Serial Bus (USB), GSM, 3G , 4G, 5G and the like.

2 zeigt eine Auftragung eines Entladezyklus der Batterie zum Ableiten von Merkmalen gemäß einer Ausführungsform der vorliegenden Erfindung. Die X-Achse 202 stellt die Zeit dar und die Y-Achse 204 stellt die Spannung dar, jeweils in geeigneten Einheiten. Somit ist die erhaltene Kurve 208 ein Spannungsentladungszyklus 114 von einer Anfangsspannung 206 bis zu einer Endspannung. Die Endspannung ist entweder null oder ein Wert größer als null, der dem Bedarf entsprechend festgelegt ist. Die Veränderung der Spannung, dargestellt als ΔV, wird um einen konstanten (beispielsweise 0,10 Volt) oder variablen Wert abfallen gelassen und die entsprechende Veränderung der Zeit, Δt, wird gemessen. In der Auftragung werden für drei ΔV mit gleicher Spannungsabnahme drei Zeitunterschiede gemessen, die Δt1, Δt2 und Δt3 betragen. Dies sind drei aufeinanderfolgende Werte, für die unter Verwendung des ersten Ensembles von vortrainierten Modellen 116 drei aufeinanderfolgende Werte des ersten charakteristischen Parameters abgeleitet/erhalten werden. 2 FIG. 12 shows a plot of a discharge cycle of the battery for deriving features according to an embodiment of the present invention. The X-axis 202 represents time and the Y-axis 204 represents voltage, each in appropriate units. Thus, the curve 208 obtained is a voltage discharge cycle 114 from an initial voltage 206 to an end voltage. The final voltage is either zero or a value greater than zero, which is set according to need. The change in voltage, represented as ΔV, is ramped down by a constant (e.g. 0.10 volt) or variable value and the corresponding change in time, Δt, is being measured. In the plot, three time differences are measured for three ΔV with the same voltage decrease, which amount to Δt 1 , Δt 2 and Δt 3 . These are three consecutive values for which three consecutive values of the first characteristic parameter are derived/obtained using the first ensemble of pre-trained models 116 .

Bei der vorliegenden Erfindung wird Betrieb der vorliegenden Erfindung angestrebt. Der Controller 110 ist das BMS 104 des Fahrzeugs 120. Das Fahrzeug 120 wird von einem Fahrer ausgehend von einer spezifischen Anfangsspannung gefahren, bis es entladen ist. Somit wird die Batterie 102 bei einem einzigen Fahrzyklus oder in mehreren Fahrzyklen entladen. Der Controller 110 überwacht den Spannungsentladungszyklus 114 der Batterie 102 und extrahiert die Variablen, umfassend, wie vorstehend erklärt, die Anfangsspannung und die zeitliche Veränderung. Die Variablen werden dem ersten Ensemble von vortrainierten Modellen 116, umfassend die ELM und SVM, zugeführt, und eine Ausgabe, umfassend den abgeschätzten Wert des ersten charakteristischen Werts, wird erhalten. Die drei aufeinanderfolgenden Werte des ersten charakteristischen Werts werden genommen und dem zweiten Ensemble von vortrainierten Modellen 118, umfassend LSTM und GRU, zugeführt und der abgeschätzte Wert des zweiten charakteristischen Werts wird erhalten. Hier wird keine historische oder frühere Information über die Batterie 102 verwendet und nur der aktuelle Spannungsentladungszyklus 114 wird zum Abschätzen der Werte des ersten charakteristischen Parameters und des zweiten charakteristischen Parameters verwendet. Es wird ein Beispiel mit einem Fahrzeug 120 bereitgestellt, ein Gerät mit einer Batterie 102 ist aber gleichermaßen möglich.In the present invention, operation of the present invention is aimed at. The controller 110 is the BMS 104 of the vehicle 120. The vehicle 120 is driven by a driver from a specific initial voltage until it is discharged. Thus, the battery 102 is discharged in a single driving cycle or in multiple driving cycles. The controller 110 monitors the voltage discharge cycle 114 of the battery 102 and extracts the variables including the initial voltage and the rate of change as explained above. The variables are fed to the first ensemble of pre-trained models 116 comprising the ELM and SVM and an output comprising the estimated value of the first characteristic value is obtained. The three consecutive values of the first characteristic value are taken and applied to the second ensemble of pre-trained models 118 comprising LSTM and GRU and the estimated value of the second characteristic value is obtained. No historical or previous information about the battery 102 is used here and only the current voltage discharge cycle 114 is used to estimate the values of the first characteristic parameter and the second characteristic parameter. An example is provided with a vehicle 120, but a device with a battery 102 is equally possible.

3 zeigt ein Verfahren zum Abschätzen charakteristischer Parameter der Batterie gemäß der vorliegenden Erfindung. Das Verfahren umfasst eine Mehrzahl von Schritten, von denen ein Schritt 302 Überwachen wenigstens eines Spannungsentladungszyklus 114 der Batterie 102 umfasst. Ein Schritt 304 umfasst Extrahieren von Variablen, umfassend die Anfangsspannung und die zeitliche Veränderung (Δt), die dem Spannungsabfall (ΔV) der Anfangsspannung zu der Endspannung entspricht. Ein Schritt 306 umfasst Verarbeiten der Variablen durch das erste Ensemble von vortrainierten Modellen 116, das eine Extreme Learning Machine (ELM) und eine Support Vector Machine (SVM) umfasst. Ein Schritt 308 umfasst Abschätzen des ersten charakteristischen Parameters der Batterie 102 auf Grundlage des ersten Ensembles von vortrainierten Modellen 116. 3 Fig. 12 shows a method for estimating characteristic parameters of the battery according to the present invention. The method includes a plurality of steps, a step 302 of which includes monitoring at least one voltage discharge cycle 114 of the battery 102 . A step 304 includes extracting variables comprising the initial voltage and the time change (Δt) corresponding to the voltage drop (ΔV) from the initial voltage to the final voltage. A step 306 includes processing the variables through the first ensemble of pre-trained models 116, which includes an Extreme Learning Machine (ELM) and a Support Vector Machine (SVM). A step 308 includes estimating the first characteristic parameter of the battery 102 based on the first ensemble of pre-trained models 116.

Das Verfahren umfasst ferner einen Schritt 310 umfassend Erhalten von Werten des ersten charakteristischen Parameters von dem ersten Ensemble von vortrainierten Modellen 116 als Eingabe, umfassend den vorherigen Wert, den aktuellen Wert und den nächsten Wert, der aus dem Spannungsentladungszyklus 114 abgeleitet ist. Ein Schritt 314 umfasst Verarbeiten dieser Werte durch das zweite Ensemble von vortrainierten Modellen 118, das ein Long Short Term Memory (LSTM) und eine Gated Current Unit (GRU) umfasst. Ein Schritt 316 umfasst Abschätzen des zweiten charakteristischen Parameters der Batterie 102 unter Verwendung des zweiten Ensembles von vortrainierten Modellen 118.The method further includes a step 310 comprising obtaining as input values of the first characteristic parameter from the first ensemble of pre-trained models 116 comprising the previous value, the current value and the next value derived from the voltage discharge cycle 114 . A step 314 includes processing these values by the second ensemble of pre-trained models 118, which includes a Long Short Term Memory (LSTM) and a Gated Current Unit (GRU). A step 316 includes estimating the second characteristic parameter of the battery 102 using the second ensemble of pre-trained models 118.

Der erste charakteristische Parameter der Batterie 102 ist der Batteriezustand („State of Health“, SOH) und der zweite charakteristische Parameter der Batterie 102 ist die Restnutzungsdauer („Remaining Useful Life“, RUL). Das Verfahren wird unter Verwendung nur eines aktuellen Spannungsentladungszyklus ohne Verwendung einer/eines anderen Vorgeschichte oder Merkmals der Batterie 102 durchgeführt/ausgeführt. Das Verfahren wird durch den Controller 110 ausgeführt, der wenigstens eines ausgewählt aus einer Gruppe umfassend die interne Vorrichtung und die externe Vorrichtung ist. Die interne Vorrichtung ist wenigstens eine ausgewählt aus dem Batteriemanagementsystem (BMS) 104 und der Fahrzeugsteuereinheit (VCU) 106, und die externe Vorrichtung ist wenigstens eine ausgewählt aus dem Cloud Server 108 und der Benutzervorrichtung. Ferner wird für die ELM eine Anzahl von verborgenen Neuronen von sechs ausgewählt und die Aktivierung wird als sigmoidal ausgewählt.The first characteristic parameter of the battery 102 is the battery state of health (SOH) and the second characteristic parameter of the battery 102 is the remaining useful life (RUL). The method is performed/executed using only a current voltage discharge cycle without using any other history or feature of the battery 102 . The method is performed by the controller 110, which is at least one selected from a group including the internal device and the external device. The internal device is at least one selected from the battery management system (BMS) 104 and the vehicle control unit (VCU) 106, and the external device is at least one selected from the cloud server 108 and the user device. Furthermore, a number of hidden neurons of six is chosen for the ELM and the activation is chosen to be sigmoidal.

Bei einer Ausführungsform der vorliegenden Erfindung wird ein intelligenzbasierter Ansatz zum Abschätzen des SOH und der RUL einer Lithiumionenbatterie 102 mit unbekanntem Zustand bereitgestellt. Der Wert des SOH bestimmt das Alter einer gegebenen Batterie 102. Die RUL ist die Zeit bis zum Erreichen von 70-80 % des Ausgangswerts. Der Controller 110 verwendet eine SOH-RUL-Abschätzung für eine Lilonenbatterie 102 auf Grundlage eines fortgeschrittenen Machine-Learning-Modells, das eine gute Geschäftsmöglichkeit auf dem Gebiet von Batterie(102)-betriebenen Elektrofahrzeugen (BEV) und anderen Industrie/Haushaltsgeräten mit einer Lilonenbatterie 102 bietet. Es wird ein integriertes datengestütztes Modell für die Abschätzung von SOH und RUL bereitgestellt. Der Controller 110 und das Verfahren ermöglichen eine umfassende Datenanalyse zu der Alterung der Batterie 102 unter Verwendung eines aktuellen Algorithmus zum Extrahieren von Merkmalen aus dieser Analyse. Es wird keine frühere Information über die Batterie 102 verwendet oder benötigt, so dass der erste charakteristische Parameter und der zweite charakteristische Parameter auf Grundlage des unbekannten Zustands der Batterie 102 ausgewertet und abgeschätzt werden.In one embodiment of the present invention, an intelligence-based approach for estimating the SOH and RUL of a lithium ion battery 102 with unknown state is provided. The value of the SOH determines the age of a given battery 102. The RUL is the time to reach 70-80% of baseline. The controller 110 uses a SOH-RUL estimation for a lithium battery 102 based on an advanced machine learning model, which has a good business opportunity in the field of battery (102) electric vehicles (BEV) and other industrial/home appliances with a lithium battery 102 offers. An integrated data-driven model for estimating SOH and RUL is provided. The controller 110 and method enables comprehensive data analysis on the aging of the battery 102 using an up-to-date algorithm to extract features from this analysis. No prior information about the battery 102 is used or required, so the first characteristic parameter and the second characteristic parameter are calculated based on the unknown state of the battery 102 are evaluated and estimated.

Der Controller 110 und das Verfahren machen aufeinanderfolgende Abschätzungen von SOH und RUL der Batterie 102, deren vorheriger Zustand unbekannt ist. Die Merkmalsextraktion wird durch Korrelationsanalyse durchgeführt und die Variablen werden nach einer umfassenden Untersuchung ausgewählt. Die vorliegende Erfindung liefert ein Gerüst, das zur Bestimmung des SOH und der RUL unter Verwendung von nur Information über den aktuellen Spannungsentladungszyklus 114 der Batterie 102 ohne Überwachung des zuvor erfolgten Betriebs verwendbar ist. Unter Verwendung des flexiblen Gerüsts wurden die aktuellen Machine-Learning-Algorithmen geprüft und die Kombination von ELM und SVR wird für die SOH-Abschätzung ausgewählt, während die Kombination von LSTM und GRU für die RUL-Abschätzung ausgewählt wird. Der Datensatz der Li-Ionenbatterie 102 wird verwendet, um die Leistung auszuwerten, was ermöglicht, Modelle mit der höchsten Genauigkeit zu konfigurieren, wodurch genaue und zuverlässige Abschätzungs-/Vorhersageergebnisse erhalten werden. Die vorgeschlagene Erfindung kombiniert SOH- und RUL-Abschätzungen für die Batterie 102. Ferner benötigt die Abschätzung keine frühere Information über die Batterie 102. Der vorgeschlagene datengestützte Ansatz ermöglicht RUL-Abschätzung auch, wenn keine Überwachung des früheren Zustands durchgeführt worden ist. Die ML-Modelle werden zum Zweck des Leistungsvergleichs verwendet, wobei zu beachten ist, dass sie sowohl für die SOH- als auch die RUL-Abschätzung modifiziert, verfeinert und verbessert werden können. Das vorgeschlagene Gerüst erlaubt die Aufnahme derartiger Modifikationen. Die Integration von fortgeschrittenen Machine-Learning-Algorithmen wie ELM, LSTM verbessert ferner die Leistungsfähigkeit und hilft, Beschränkungen herkömmlicher Machine-Learning-Modelle zu überwinden.The controller 110 and method makes sequential estimates of the SOH and RUL of the battery 102, whose previous condition is unknown. Feature extraction is performed by correlation analysis and variables are selected after extensive study. The present invention provides a framework that can be used to determine SOH and RUL using only information about the current voltage discharge cycle 114 of the battery 102 without monitoring past operation. Using the flexible framework, the current machine learning algorithms have been tested and the combination of ELM and SVR is chosen for the SOH estimation, while the combination of LSTM and GRU is chosen for the RUL estimation. The Li-ion battery 102 data set is used to evaluate performance, allowing models to be configured with the highest accuracy, yielding accurate and reliable estimation/prediction results. The proposed invention combines SOH and RUL estimates for the battery 102. Furthermore, the estimate does not require any previous information about the battery 102. The proposed data-based approach enables RUL estimation even when no previous state monitoring has been performed. The ML models are used for the purpose of performance comparison, noting that they can be modified, refined and improved for both SOH and RUL estimation. The proposed framework allows for the incorporation of such modifications. The integration of advanced machine learning algorithms like ELM, LSTM further improves performance and helps to overcome limitations of traditional machine learning models.

Es ist zu beachten, dass in der vorstehenden Beschreibung erläuterte Ausführungsformen lediglich veranschaulichend sind und den Umfang der vorliegenden Erfindung nicht beschränken. Es werden zahlreiche derartige Ausführungsformen und andere Modifikationen und Veränderungen der in der Beschreibung erklärten Ausführungsform in Betracht gezogen. Der Umfang der Erfindung wird nur durch den Umfang der Ansprüche beschränkt.It should be noted that the embodiments explained in the above description are merely illustrative and do not limit the scope of the present invention. Numerous such embodiments and other modifications and variations of the embodiment set forth in the specification are contemplated. The scope of the invention is only limited by the scope of the claims.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

  • CN 112684363 [0004]CN112684363 [0004]

Claims (10)

Controller (110) zur Abschätzung charakteristischer Parameter einer Batterie (102), dadurch gekennzeichnet, dass der Controller (110) gestaltet ist zum: Überwachen wenigstens eines Spannungsentladungszyklus (114) der Batterie (102); Extrahieren von Variablen, umfassend eine Anfangsspannung und eine zeitliche Veränderung (Δt), die einem Spannungsabfall (ΔV) der Anfangsspannung zu einer Endspannung entspricht; Verarbeiten der Variablen durch ein erstes Ensemble von vortrainierten Modellen (116), das eine Extreme Learning Machine (ELM) und eine Support Vector Machine (SVM) umfasst, und Abschätzen eines ersten charakteristischen Parameters der Batterie (102) auf Grundlage des ersten Ensembles von vortrainierten Modellen (116).A controller (110) for estimating characteristic parameters of a battery (102), characterized in that the controller (110) is configured to: monitor at least one voltage discharge cycle (114) of the battery (102); extracting variables comprising an initial voltage and a change in time (Δt) corresponding to a voltage drop (ΔV) from the initial voltage to a final voltage; Processing the variables through a first ensemble of pre-trained models (116) comprising an Extreme Learning Machine (ELM) and a Support Vector Machine (SVM), and estimating a first characteristic parameter of the battery (102) based on the first ensemble of pre-trained ones models (116). Controller (110) gemäß Anspruch 1, gestaltet zum: Erhalten von Werten des ersten charakteristischen Parameters von dem ersten Ensemble von vortrainierten Modellen (116) als Eingabe, umfassend einen vorherigen Wert, einen aktuellen Wert und einen nächsten Wert aus dem Spannungsentladungszyklus (114); Verarbeiten dieser Werte durch ein zweites Ensemble von vortrainierten Modellen (118), das ein Long Short Term Memory (LSTM) und eine Gated Current Unit (GRU) umfasst, und Abschätzen eines zweiten charakteristischen Parameters der Batterie (102) unter Verwendung des zweiten Ensembles von vortrainierten Modellen (118).Controller (110) according to claim 1 arranged to: obtain as input values of the first characteristic parameter from the first ensemble of pre-trained models (116) comprising a previous value, a current value and a next value from the voltage discharge cycle (114); Processing these values through a second ensemble of pre-trained models (118) comprising a Long Short Term Memory (LSTM) and a Gated Current Unit (GRU), and estimating a second characteristic parameter of the battery (102) using the second ensemble of pre-trained models (118). Controller (110) gemäß Anspruch 1, der wenigstens eines ist ausgewählt aus einer Gruppe umfassend eine interne Vorrichtung und eine externe Vorrichtung, wobei die interne Vorrichtung wenigstens eine ausgewählt aus einem Batteriemanagementsystem (BMS) (104), einer Fahrzeugsteuereinheit („Vehicle Control Unit“, VCU) (106) ist und die externe Vorrichtung wenigstens eine ausgewählt aus einem Cloud Server (108) und einer Benutzervorrichtung ist.Controller (110) according to claim 1 , which is at least one selected from a group comprising an internal device and an external device, wherein the internal device is at least one selected from a battery management system (BMS) (104), a vehicle control unit (“Vehicle Control Unit”, VCU) (106). and the external device is at least one selected from a cloud server (108) and a user device. Controller (110) gemäß Anspruch 1, wobei erste charakteristische Parameter der Batterie (102) der Batteriezustand („State of Health“, SOH) ist und der zweite charakteristische Parameter der Batterie (102) die Restnutzungsdauer („Remaining Useful Life“, RUL) ist.Controller (110) according to claim 1 , wherein the first characteristic parameter of the battery (102) is the battery state (“State of Health”, SOH) and the second characteristic parameter of the battery (102) is the remaining useful life (“Remaining Useful Life”, RUL). Controller (110) gemäß Anspruch 1, wobei für die ELM eine Anzahl von verborgenen Neuronen von sechs ausgewählt wird und die Aktivierung als sigmoidal ausgewählt wird.Controller (110) according to claim 1 , where a number of hidden neurons of six is chosen for the ELM and activation is chosen to be sigmoidal. Verfahren zum Abschätzen charakteristischer Parameter einer Batterie (102), dadurch gekennzeichnet, dass das Verfahren die Schritte umfasst: Überwachen wenigstens eines Spannungsentladungszyklus (114) der Batterie (102); Extrahieren von Variablen, umfassend eine Anfangsspannung und eine zeitliche Veränderung (Δt), die einem Spannungsabfall (ΔV) der Anfangsspannung zu einer Endspannung entspricht; Verarbeiten der Variablen durch ein erstes Ensemble von vortrainierten Modellen (116), das eine Extreme Learning Machine (ELM) und eine Support Vector Machine (SVM) umfasst, und Abschätzen eines ersten charakteristischen Parameters der Batterie (102) auf Grundlage des ersten Ensembles von vortrainierten Modellen (116).A method for estimating characteristic parameters of a battery (102), characterized in that the method comprises the steps of: monitoring at least one voltage discharge cycle (114) of the battery (102); extracting variables comprising an initial voltage and a change in time (Δt) corresponding to a voltage drop (ΔV) from the initial voltage to a final voltage; Processing the variables through a first ensemble of pre-trained models (116) comprising an Extreme Learning Machine (ELM) and a Support Vector Machine (SVM), and estimating a first characteristic parameter of the battery (102) based on the first ensemble of pre-trained ones models (116). Verfahren gemäß Anspruch 6, umfassend: Erhalten von Werten des ersten charakteristischen Parameters von dem ersten Ensemble von vortrainierten Modellen (116) als Eingabe, umfassend einen vorherigen Wert, einen aktuellen Wert und einen nächsten Wert, der aus dem Spannungsentladungszyklus (114) abgeleitet ist; Verarbeiten der Werte durch ein zweites Ensemble von vortrainierten Modellen (118), das ein Long Short Term Memory (LSTM) und eine Gated Current Unit (GRU) umfasst, und Abschätzen eines zweiten charakteristischen Parameters der Batterie (102) unter Verwendung des zweiten Ensembles von vortrainierten Modellen (118).procedure according to claim 6 comprising: obtaining as input values of the first characteristic parameter from the first ensemble of pre-trained models (116) comprising a previous value, a current value and a next value derived from the voltage discharge cycle (114); Processing the values through a second ensemble of pre-trained models (118) comprising a Long Short Term Memory (LSTM) and a Gated Current Unit (GRU), and estimating a second characteristic parameter of the battery (102) using the second ensemble of pre-trained models (118). Verfahren gemäß Anspruch 7, wobei erste charakteristische Parameter der Batterie (102) der Batteriezustand („State of Health“, SOH) ist und der zweite charakteristische Parameter der Batterie (102) die Restnutzungsdauer („Remaining Useful Life“, RUL) ist.procedure according to claim 7 , wherein the first characteristic parameter of the battery (102) is the battery state (“State of Health”, SOH) and the second characteristic parameter of the battery (102) is the remaining useful life (“Remaining Useful Life”, RUL). Verfahren gemäß Anspruch 6, implementiert durch wenigstens eines ausgewählt aus einer Gruppe umfassend eine interne Vorrichtung und eine externe Vorrichtung, wobei die interne Vorrichtung wenigstens eine ausgewählt aus einem Batteriemanagementsystem (BMS) (104) und einer Fahrzeugsteuereinheit (VCU) (106) ist und die externe Vorrichtung wenigstens eine ausgewählt aus einem Cloud Server (108) und einer Benutzervorrichtung ist.procedure according to claim 6 implemented by at least one selected from a group comprising an internal device and an external device, wherein the internal device is at least one selected from a battery management system (BMS) (104) and a vehicle control unit (VCU) (106) and the external device is at least one is selected from a cloud server (108) and a user device. Verfahren gemäß Anspruch 6, wobei für die ELM eine Anzahl von verborgenen Neuronen von sechs ausgewählt wird und die Aktivierung als sigmoidal ausgewählt wird.procedure according to claim 6 , where a number of hidden neurons of six is chosen for the ELM and activation is chosen to be sigmoidal.
DE102022211063.3A 2021-10-27 2022-10-19 Controller for estimating characteristic parameters of a battery and method therefor Pending DE102022211063A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN202141049000 2021-10-27
IN202141049000 2021-10-27

Publications (1)

Publication Number Publication Date
DE102022211063A1 true DE102022211063A1 (en) 2023-04-27

Family

ID=85796156

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022211063.3A Pending DE102022211063A1 (en) 2021-10-27 2022-10-19 Controller for estimating characteristic parameters of a battery and method therefor

Country Status (2)

Country Link
CN (1) CN116047300A (en)
DE (1) DE102022211063A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117054892A (en) * 2023-10-11 2023-11-14 特变电工西安电气科技有限公司 Evaluation method, device and management method for battery state of energy storage power station
CN117368777A (en) * 2023-10-17 2024-01-09 昆明理工大学 Lithium ion battery life prediction method and system based on small sample learning algorithm

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684363A (en) 2020-12-18 2021-04-20 北京工业大学 Lithium ion battery health state estimation method based on discharge process

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684363A (en) 2020-12-18 2021-04-20 北京工业大学 Lithium ion battery health state estimation method based on discharge process

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117054892A (en) * 2023-10-11 2023-11-14 特变电工西安电气科技有限公司 Evaluation method, device and management method for battery state of energy storage power station
CN117054892B (en) * 2023-10-11 2024-02-27 特变电工西安电气科技有限公司 Evaluation method, device and management method for battery state of energy storage power station
CN117368777A (en) * 2023-10-17 2024-01-09 昆明理工大学 Lithium ion battery life prediction method and system based on small sample learning algorithm
CN117368777B (en) * 2023-10-17 2024-03-22 昆明理工大学 Lithium ion battery life prediction method and system based on small sample learning algorithm

Also Published As

Publication number Publication date
CN116047300A (en) 2023-05-02

Similar Documents

Publication Publication Date Title
EP3966579A1 (en) Server-side characterisation of rechargeable batteries
DE102022211063A1 (en) Controller for estimating characteristic parameters of a battery and method therefor
EP3766120B1 (en) Characterisation of lithium plating in rechargeable batteries
DE102017119420A1 (en) STATUS ESTIMATION OF AN ENERGY SYSTEM
DE102019111976A1 (en) Determining the capacity of batteries
DE102013217451A1 (en) Method for data transmission in a battery management system
DE102020215297A1 (en) Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods
DE102020100668B4 (en) Characterization of rechargeable batteries with machine-learned algorithms
DE102015110921A1 (en) Battery system identification by pulse injection
DE102020212299A1 (en) Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods
DE102019125375A1 (en) State value for rechargeable batteries
EP4017759A1 (en) Method for matching data of a first control unit with a second control unit to determine accurate predictive values
DE102017115766A1 (en) Method and system for operating a storage unit
DE102021125478B4 (en) DETERMINATION OF AN AGING VALUE FOR BATTERIES WITH CURRENT-VOLTAGE TIME SERIES IN TIME DOMAIN AND LOAD DOMAIN
DE102022208932A1 (en) Method and device for the predictive diagnosis of a device battery of a technical device using a transformer model
DE102022203343A1 (en) Method and device for operating a system for detecting an anomaly in an electrical energy storage device for a device using machine learning methods
DE102017103348A1 (en) Operating strategy management system and method for operating an electrical energy storage
DE102021203729A1 (en) Method and device for operating a system for providing predicted aging states of electrical energy stores using reconstructed time series signals using machine learning methods
DE102020008050A1 (en) Characterization of rechargeable batteries with machine-learned algorithms
DE102022120558A1 (en) Method for monitoring battery cells of a battery of a motor vehicle, computer program, data processing device and motor vehicle
DE102022208929A1 (en) Method and device for determining an aging state of a device battery in a technical device using edge computing
EP4168813A1 (en) Determination of a state of health of an energy store
DE102022207965A1 (en) Method for the predictive diagnosis of a device battery of a technical device using a normalizing flow model
DE102020008052A1 (en) Characterization of rechargeable batteries with machine-learned algorithms
DE102022202882A1 (en) Method and device for providing a predicted aging state of a device battery based on a predicted usage pattern