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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
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.
-
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
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
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
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
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
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
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
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
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
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
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)
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)
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)
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 |
-
2022
- 2022-10-19 DE DE102022211063.3A patent/DE102022211063A1/en active Pending
- 2022-10-26 CN CN202211318676.6A patent/CN116047300A/en active Pending
Patent Citations (1)
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)
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 |