KR20050061386A - 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 - Google Patents

신경망을 이용한 배터리 잔존량 추정 장치 및 방법 Download PDF

Info

Publication number
KR20050061386A
KR20050061386A KR1020040107700A KR20040107700A KR20050061386A KR 20050061386 A KR20050061386 A KR 20050061386A KR 1020040107700 A KR1020040107700 A KR 1020040107700A KR 20040107700 A KR20040107700 A KR 20040107700A KR 20050061386 A KR20050061386 A KR 20050061386A
Authority
KR
South Korea
Prior art keywords
neural network
battery
algorithm
amount estimation
learning algorithm
Prior art date
Application number
KR1020040107700A
Other languages
English (en)
Other versions
KR100651573B1 (ko
Inventor
조일
Original Assignee
주식회사 엘지화학
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 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Publication of KR20050061386A publication Critical patent/KR20050061386A/ko
Application granted granted Critical
Publication of KR100651573B1 publication Critical patent/KR100651573B1/ko

Links

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]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/48—Control modes by fuzzy logic
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2200/00—Safety devices for primary or secondary batteries
    • H01M2200/10—Temperature sensitive devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

신경망을 이용하여 비선형적 특성을 갖는 배터리의 잔존량을 추정하는 장치 및 방법에 관한 것이다. 본 발명에 따른 배터리 잔존량 추정 장치는 배터리 셀로부터 전류, 전압 및 온도를 검출하는 센싱부와, 상기 센싱부로부터 입력되는 전류, 전압 및 온도 데이터와, 현재 시간 데이터를 기초로 신경망 알고리즘 및 학습 알고리즘을 수행하고, 학습된 최종 알고리즘 이용하여 추정된 배터리 잔존량을 출력하는 신경망과, 상기 신경망으로부터 공급되는 출력값과 소정의 목표값을 비교하여, 그 차가 소정 범위내에 속하지 않는 경우 상기 신경망이 상기 학습 알고리즘을 반복 수행함으로써 상기 학습 알고리즘을 갱신하여 학습된 최종 알고리즘을 생성할 수 있게 하는 비교기를 포함한다. 본 발명에 따르면, 신경망 알고리즘을 통하여 배터리의 잔존량을 보다 정확하게 추정할 수 있다.

Description

신경망을 이용한 배터리 잔존량 추정 장치 및 방법{APPARATUS AND METHOD FOR TESTING STATE OF CHARGE IN BATTERY USING NEURAL NETWORK}
본 발명은 배터리 잔존량 추정 장치 및 방법에 관한 것으로서, 보다 상세하게는 신경망(neural network)을 이용하여 비선형적 특성을 갖는 배터리의 잔존량을 추정하는 장치 및 방법에 관한 것이다.
통상적으로, 배터리의 잔존량(SOC; state of charge)은 비선형적 특성을 갖기 때문에 정확한 검출이 사실상 힘들어, 그 양을 추정하는 방법에 의존하고 있다. 특히, C-rate가 높은 하이브리드 전기 자동자(hybrid electrical vehicle; HEV), 전기 자동차(electrical vehicle; EV) 등에 사용되는 배터리의 경우 SOC의 비선형 정도가 매우 강해 정확한 추정이 매우 어렵다.
종래의 배터리 잔존량 추정 방법으로는 주로 배터리 용량 카운팅 방식(Ah-counting), OCV(open circuit voltage) 측정 방식, 배터리의 임피던스 측정 방식 등이 이용된다.
먼저, 배터리 용량 카운팅 방식(Ah-counting)은 배터리의 실제 용량을 검출하여 잔존량을 검출하는 방식이나, 실제 용량을 검출하는 센서의 오류 및 정확도에 크게 영향을 받아 오차가 크다는 문제점이 있다.
또한, OCV 측정 방식은 휴지기 상태에서 배터리의 개방 전압을 읽어 그로부터 잔존 용량을 추정하는 방식이나, 휴지기 상태에서만 측정 가능하고 온도 등의 외부 요인에 많은 영향을 받는다는 단점이 있다.
또한, 배터리의 임피던스 측정 방식은 배터리의 임피던스 측정치로부터 배터리의 잔존 용량을 추정하는 방식이나, 온도에 너무 큰 영향을 받아 그 추정치의 정확도가 떨어진다는 문제점을 안고 있다.
따라서, 온도의 외부 환경에 관계없이 비교적 오차가 작은 배터리 잔존량 추정 방식의 도입이 시급한 실정이다.
본 발명은 전술한 종래 기술의 제반 문제점을 해결하기 위하여 제안된 것으로서, 그 목적은 신경망(neural network)을 이용하여 배터리의 잔존량을 정확하게 추정할 수 있는 장치 및 방법을 제공하는 것이다.
또한, 본 발명의 다른 목적은 온도, C-rate 등의 다양한 환경 하에서 최소한의 데이터를 이용하여 배터리의 잔존 용량을 동적으로(dynamically) 추정할 수 있는 장치 및 방법을 제공하는 것이다.
전술한 본 발명의 목적 및 장점 이외에 다른 목적 및 장점은 이하의 상세한 설명 및 첨부 도면을 통하여 명백해 질 것이다.
본 발명의 제1 특징에 따른 신경망을 이용한 배터리의 잔존량 추정 장치는 배터리 셀로부터 전류, 전압 및 온도를 검출하는 센싱부와, 상기 센싱부로부터 입력되는 전류, 전압 및 온도 데이터와, 현재 시간 데이터를 기초로 신경망 알고리즘 및 학습 알고리즘을 수행하고, 학습된 최종 알고리즘 이용하여 추정된 배터리 잔존량을 출력하는 신경망과, 상기 신경망으로부터 공급되는 출력값과 소정의 목표값을 비교하여, 그 차가 소정 범위내에 속하지 않는 경우 상기 신경망이 상기 학습 알고리즘을 반복 수행함으로써 상기 학습 알고리즘을 갱신하여 학습된 최종 알고리즘을 생성할 수 있게 하는 비교기를 포함한다.
상기 특징에 따른 바람직한 실시예에 있어서, 상기 목표값은 이상적으로는 실제의 "진정한" 배터리 잔존량값이 되나, 그 값을 구하기 어려우므로, 특정한 조건에서 적당한 실험을 통하여 얻은 기준값을 사용한다. 상기 목표값은 예컨대, 배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 데이터 값과 배터리의 OCV(Open Circuit Voltage) 값을 상호 보완한 값이 될 수 있다.
또한, 상기 특징에 따른 바람직한 실시예에서, 신경망 알고리즘으로 동적 다차원 웨이블릿 신경망 알고리즘을 예로 들어 설명하고 있으나, 본 발명에서는 동적 또는 정적 웨이블릿 신경망 등도 사용될 수 있다. 또한, 본 발명의 특징에 따른 바람직한 실시예에서, 학습 알고리즘으로 역전파 학습 알고리즘을 예로 들어 설명하고 있으나, 본 발명에서는 칼만 필터, GA(Genetic Algorithm), Fuzzy 학습 알고리즘 등도 사용될 수 있다.
본 발명의 제2 특징에 따른 신경망을 이용한 배터리 잔존량 추정 방법은 (a) 배터리 셀로부터 입력되는 전류, 전압 및 온도 데이터와, 시간 데이터를 기초로 학습을 수행하는 단계와, (b) 상기 학습을 통하여 도출되는 최종 배터리 잔존량 추정 알고리즘을 이용하여 추정된 배터리 잔존량을 출력하는 단계를 포함한다.
상기 특징에 따른 바람직한 실시예에 있어서, 상기 (a) 단계는 배터리 셀로부터 전류, 전압 및 온도를 검출하는 단계와, 상기 검출된 전류, 전압 및 온도 데이터와, 시간 데이터를 학습 데이터로 하여 신경망 알고리즘을 수행하는 단계와, 상기 신경망 알고리즘을 통하여 출력된 값과 소정의 목표값의 차이가 소정 범위 내에 속하는지 여부를 확인하는 단계와, 소정 범위 내에 속하지 않는 경우, 상기 학습 알고리즘을 반복 수행함으로써 상기 학습 알고리즘을 갱신하여 학습된 최종 알고리즘을 생성하는 단계로 이루어진다.
상기 특징에 따른 다른 바람직한 실시예에 있어서, 상기 (b) 단계는 배터리 셀로부터 전류, 전압, 온도 데이터를 검출하는 단계와, 상기 검출된 전류, 전압 및 온도 데이터와, 시간 데이터를 기초로, 상기 (a) 단계에서 도출되는 최종 배터리 잔존량 추정 알고리즘을 이용하여 배터리 잔존량을 추정하여 출력하는 단계를 포함한다.
이하, 첨부 도면을 참조하여 본 발명의 바람직한 실시예를 보다 상세히 설명한다.
도 1은 본 발명의 바람직한 실시예에 따른 배터리의 잔존량 추정 장치의 구성을 개략적으로 도시한 블록도이다.
도 1을 참조하면, 신경망을 이용한 배터리의 잔존량 추정 장치(100)는 배터리 셀(10)로부터 전류(i), 전압(v) 및 온도(T)를 각각 검출하는 전류 검출부(12), 전압 검출부(14) 및 온도 검출부(16)와, 상기 각 검출부로부터 입력되는 전류(i), 전압(v) 및 온도(T)와 시간(k)을 학습 데이터로 하여 신경망 알고리즘 및 학습 알고리즘을 수행하고, 학습이 종료되면 학습된 최종 알고리즘 식을 이용하여 추정된 SOC를 출력하는 신경망(20)과, 상기 배터리 셀로 충/방전 전류를 공급하는 충방전기(30)와, 상기 신경망(20)으로부터 출력되는 배터리 잔존 추정량(gO)과 목표값(target value; gT)을 비교하여 그 차가 소정 범위 내에 존재하는지 여부를 판단하고, 그 차가 소정 범위 내에 존재하지 않는 경우, 상기 신경망이 상기 학습 알고리즘을 반복 수행함으로써 상기 학습 알고리즘을 갱신하여 학습된 최종 알고리즘을 생성할 수 있게 하는 비교기(40)를 포함한다.
상기 목표값(gT)은 예컨대 배터리의 정격 용량(gN)에서 상기 충방전기(30)로부터 입력되는 Ah(ampere hour) 데이터(gr)를 뺀 값, 즉 gT = gN - gr이 될 수 있다. 오차 범위가 크지 않다면, 배터리의 정격 용량에서 배터리 자체에서 사용된 용량, 즉 Ah 데이터를 뺀 값을 이상적인 목표값으로 볼 수 있을 것이다.
도 2는 본 발명에 적용되는 신경망의 구조를 나타내는 도면이다.
본 실시예에서는, 신경망 중에서 특히 동적 다차원 웨이브릿 신경망을 예로 들어 설명한다.
도 2를 참조하면, 상기 동적 다차원 웨이브릿 신경망은 크게 입력층(input field), 은닉층(hidden layer) 및 출력층(output layer)으로 구성된다.
상기 동적 다차원 웨이브릿 신경망에 따른 배터리 잔존량 추정 알고리즘을 적용하기 위하여, 임의의 함수 은 웨이브릿 이론에 의하여 다음의 수학식과 같이 분해될 수 있다.
여기서 은 상기 임의의 함수 를 분해하기 위한 기저함수의 계수이고 , 은 각각 의 신축과 이동 변수가 된다.
또한, 상기 함수 를 근사화할 수 있는 를 다음의 수학식과 같은 형태로 표현할 수 있다.
이제, 상기 수학식 2을 도 2에 도시된 동적 다차원 웨이브릿 신경망 구조에 적용하면 다음과 같다.
도 2에서, xd(k)는 상기 신경망 구조로 입력되는 입력 데이터 벡터로서, 본 실시예에서는 시간 k에서 신경망으로 입력되는 데이터인 전류, 전압, 온도로 구성되는 벡터, 즉 xd(k) = (i,v,T,k)이 된다. 또한, gO(xd(k))는 상기 입력 데이터를 기초로 상기 신경망을 통하여 추정된 출력값이다. 상기 출력값 gO(xd(k))아래의 식과 같다.
여기서, 는 연결 강도(weight)를 나타내는 계수로서, 이하에서 설명될 역전파(Backpropagation: BP) 학습 알고리즘에 의하여 매 시간 k마다 갱신됨으로써 함수가 근사화 되어 비선형 함수를 동정(identification)하게 된다.
도 1에 도시된 비교기(40)에서 상기 신경망의 출력값(gO)과 목표값(gT)을 비교한 결과, 그 차가 소정 범위(예컨대, 3%) 내에 들어오지 않는 경우 이하 설명되는 역전파 학습 알고리즘이 상기 신경망(20)에서 반복 수행된다.
상기 역전파 학습 알고리즘에 대하여 설명하면, 먼저 오차함수를 다음과 같이 정의한다.
여기서 gT(k)는 원하는 출력, 즉 목표값이고, gO(k)는 상기 신경망(20)의 실제 출력이다. 다음, 상기 gT(k)-gO(k)=e(k) 로 치환하면, 오차 기울기(Gradient)는 아래와 같이 얻어진다.
또한, 의 오차 Gradient는 또한 다음과 같이 된다.
(1)
(2)
(3)
따라서, 최종 연결가중치 갱신은 다음과 같다.
여기서, 는 학습률(Learning rate)이다.
이와 같이, 신경망(20)은 역전파 학습 알고리즘을 반복 수행하면서, 갱신된 ,Xn(k) 값에 의하여 결정된 새로운 출력값(gO)을 다시 비교기(40)로 출력하며, 이와 같은 과정은 상기 신경망의 출력값(gO)과 목표값(gT)의 차가 소정 범위 내에 들어갈 때 까지 반복 수행된다.
신경망의 출력값(gO)과 목표값(gT)의 차가 소정 범위 내에 들어오면, 이로써 신경망을 이용한 학습을 종료하며, 학습을 통하여 얻어진 최종 추정 알고리즘식(즉, 수학식 3)을 이용하여 추정된 SOC를 출력한다.
이제, 전술한 구성을 통하여 수행되는 배터리 잔존량 추정 방법을 도 3 및 도 4를 참조하여 설명한다.
본 발명에 따른 배터리 잔존량 추정 방법은 신경망을 이용한 학습 단계, 즉 신경망 알고리즘 및 학습 알고리즘을 수행하여 최종 추정 알고리즘을 도출하는 단계와, 상기 도출된 최종 추정 알고리즘을 이용하여 배터리의 SOC를 출력하는 단계로 구성된다.
먼저, 도 3은 본 발명에 따른 바람직한 실시예에 따라 신경망을 이용한 학습 단계를 순차적으로 나타낸 흐름도이다.
도 3을 참조하면, 먼저, 배터리 셀(10)로부터 전류(i), 전압(v), 온도(T)를 검출한다(단계 10). 다음, 상기 검출된 전류(i), 전압(v) 및 온도(T) 데이터와, 시간 데이터(k)를 입력 데이터 벡터, 즉 xd(k) = (i,v,T,k)로 하여 전술한 동적 다차원 웨이브릿 신경망 알고리즘을 수행하며, 그 결과로서 출력값(gO)을 얻는다(단계 12).
다음, 상기 출력값(gO)과 목표값(gT)을 비교하여 그 오차가 3% 이내인지 여부를 확인한다(단계 14). 본 실시예에서 오차 한도가 3%로 설정되었으나, 이는 설계자에 의하여 충분히 변경 가능하다. 상기 오차 한도가 작을수록 배터리 잔존 추정량(SOC)의 정확도가 높아지고, 오차 한도가 클수록 배터리 잔존 추정량의 정확도는 낮아지게 된다.
단계 14의 비교 결과, 그 오차가 3% 보다 큰 경우에는, 전술한 역전파 학습 알고리즘을 수행하여 갱신된 출력값(gO)을 얻는다(단계 16). 다음, 단계 14로 되돌아간다.
한편, 단계 14의 비교 결과, 그 오차가 3% 보다 같거나 작은 경우에는 신경망을 이용한 학습 알고리즘을 종료한다(단계 18). 이로써, 전술한 학습을 통하여 얻어진 최종 추정 알고리즘식(예컨대, 수학식 3)을 얻게 된다.
도 4는 도 3의 학습 단계를 통하여 얻어진 최종 추정 알고리즘을 통하여 배터리의 SOC를 출력하는 방법을 나타낸 도면이다.
도 4를 참조하면, 배터리 셀(10)로부터 전류(i), 전압(v), 온도(T)를 검출한다(단계 20). 다음, 상기 검출된 전류(i), 전압(v) 및 온도(T) 데이터와, 시간 데이터(k)를 입력 데이터 벡터, 즉 xd(k) = (i,v,T,k)로 하여 도 3의 학습 알고리즘을 통하여 얻어진 최종 추정 알고리즘을 통하여 배터리의 SOC를 출력한다(단계 22).
한편, 본 실시예에서는 신경망 구조로서 동적 다차원 웨이브릿 신경망을 중심으로 설명하였으나, 반드시 이에 한정될 필요는 없다. 즉, 종래의 전방향 신경망(feedforward neural network), 동적 신경망(recurrent neural network), 웨이브릿 신경망(wavelet neural network) 등이 다양하게 적용될 수 있다.
또한, 본 실시예에서는 학습 알고리즘으로서, 역전파 학습 알고리즘을 중심으로 설명하였으나, 이것 역시 반드시 이에 한정될 필요는 없다. 예컨대, 칼만 필터, GA, Fuzzy 학습 알고리즘 등을 사용할 수 있다.
본 발명에 따르면, 신경망 알고리즘 및 학습 알고리즘을 통하여 배터리의 잔존량을 동적으로 추정할 수 있으며, 특히 온도, C-rate 등과 같은 다양한 외부 환경에 적응하여 배터리의 잔존량을 보다 정확하게 추정할 수 있다. 본 발명은 특히 하이브리드 전기 자동차 등의 경우와 같이 보다 정확한 배터리 잔존량 추정이 필요한 분야에서 보다 널리 활용될 수 있다.
이상으로, 본 발명을 바람직한 실시예를 중심으로 살펴보았다. 이 분야의 당업자라면, 본 발명은 발명의 사상 및 범위를 벗어나지 않는 한도에서 변경될 수 있음을 이해할 것이다. 즉, 본 발명은 첨부된 청구 범위 내에서 변경 가능하므로, 전술한 예시적인 실시예로 제한되는 것으로 간주되어서는 안 된다.
도 1은 본 발명의 바람직한 실시예에 따른 배터리의 잔존량 추정 장치의 구성을 개략적으로 도시한 블록도.
도 2는 본 발명에 적용되는 동적 다차원 웨이브릿 신경망 구조를 나타내는 도면.
도 3은 본 발명에 따른 바람직한 실시예에 따라 신경망을 이용한 학습 단계를 순차적으로 나타낸 흐름도.
도 4는 도 3의 학습 단계를 통하여 얻어진 최종 추정 알고리즘을 통하여 배터리 잔존량을 출력하는 단계를 순차적으로 나타낸 흐름도.
<도면의 주요 부분에 대한 설명>
10 : 배터리 셀
12 : 전류 검출부
14 : 전압 검출부
16 : 온도 검출부
20 : 신경망
30 : 충방전기
40 : 비교부

Claims (14)

  1. 신경망을 이용한 배터리의 잔존량 추정 장치에 있어서,
    배터리 셀로부터 전류, 전압 및 온도를 검출하는 센싱부와,
    상기 센싱부로부터 입력되는 전류, 전압 및 온도 데이터와, 현재 시간 데이터를 기초로 신경망 알고리즘 및 학습 알고리즘을 수행하고, 학습된 최종 알고리즘 이용하여 추정된 배터리 잔존량을 출력하는 신경망과,
    상기 신경망으로부터 공급되는 출력값과 소정의 목표값을 비교하여, 그 차가 소정 범위내에 속하지 않는 경우 상기 신경망이 상기 학습 알고리즘을 반복 수행함으로써 상기 학습 알고리즘을 갱신하여 학습된 최종 알고리즘을 생성할 수 있게 하는 비교기
    를 포함하는 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 장치.
  2. 제1항에 있어서,
    상기 목표값은 특정한 조건에서 적당한 실험을 통하여 얻은 기준값인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 장치.
  3. 제2항에 있어서,
    상기 기준값은 배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 데이터 값과 배터리의 OCV(Open Circuit Voltage) 값을 상호 보완한 값인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 장치.
  4. 제1항에 있어서,
    상기 신경망 알고리즘은 동적 또는 정적 웨이블릿 신경망 알고리즘인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 장치.
  5. 제4항에 있어서,
    상기 웨이블릿 신경망 알고리즘은 동적 다차원 웨이블릿 신경망 알고리즘인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 장치.
  6. 제1항에 있어서,
    상기 학습 알고리즘은 역전파 학습 알고리즘, 칼만 필터, GA, Fuzzy 학습 알고리즘 중 어느 하나인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 장치.
  7. 신경망을 이용한 배터리 잔존량 추정 방법에 있어서,
    (a) 배터리 셀로부터 입력되는 전류, 전압 및 온도 데이터와, 시간 데이터를 기초로 학습을 수행하는 단계와
    (b) 상기 학습을 통하여 도출되는 최종 배터리 잔존량 추정 알고리즘을 이용하여 추정된 배터리 잔존량을 출력하는 단계
    를 포함하는 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
  8. 제7항에 있어서, 상기 (a) 단계는
    배터리 셀로부터 전류, 전압 및 온도를 검출하는 단계와,
    상기 검출된 전류, 전압 및 온도 데이터와, 시간 데이터를 학습 데이터로하여 신경망 알고리즘을 수행하는 단계와,
    상기 신경망 알고리즘을 통하여 출력된 값과 소정의 목표값의 차이가 소정 범위 내에 속하는지 여부를 확인하는 단계와,
    소정 범위 내에 속하지 않는 경우, 상기 학습 알고리즘을 반복 수행함으로써 상기 학습 알고리즘을 갱신하여 학습된 최종 알고리즘을 생성하는 단계
    를 포함하는 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
  9. 제8항에 있어서,
    상기 목표값은 상기 목표값은 특정한 조건에서 적당한 실험을 통하여 얻은 기준값인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
  10. 제9항에 있어서,
    상기 기준값은 배터리의 정격 용량에서 충방전기로부터 입력되는 Ah 데이터 값과 배터리의 OCV(Open Circuit Voltage) 값을 상호 보완한 값인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
  11. 제7항에 있어서, 상기 (b) 단계는
    배터리 셀로부터 전류, 전압, 온도 데이터를 검출하는 단계와,
    상기 검출된 전류, 전압 및 온도 데이터와, 시간 데이터를 기초로, 상기 (a) 단계에서 도출되는 최종 배터리 잔존량 추정 알고리즘을 이용하여 배터리 잔존량을 추정하여 출력하는 단계
    를 포함하는 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
  12. 제7항에 있어서,
    상기 신경망 알고리즘은 동적 또는 정적 웨이블릿 신경망 알고리즘인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
  13. 제12항에 있어서,
    상기 웨이블릿 신경망 알고리즘은 동적 다차원 웨이블릿 신경망 알고리즘인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
  14. 제7항에 있어서,
    상기 학습 알고리즘은 역전파 학습 알고리즘 또는 칼만 필터, GA, Fuzzy 학습 알고리즘인 것을 특징으로 하는 신경망을 이용한 배터리 잔존량 추정 방법.
KR1020040107700A 2003-12-18 2004-12-17 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 KR100651573B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20030092880 2003-12-18
KR1020030092880 2003-12-18

Publications (2)

Publication Number Publication Date
KR20050061386A true KR20050061386A (ko) 2005-06-22
KR100651573B1 KR100651573B1 (ko) 2006-11-29

Family

ID=36809350

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020040107700A KR100651573B1 (ko) 2003-12-18 2004-12-17 신경망을 이용한 배터리 잔존량 추정 장치 및 방법

Country Status (11)

Country Link
US (1) US7583059B2 (ko)
EP (1) EP1702219B1 (ko)
JP (1) JP4331210B2 (ko)
KR (1) KR100651573B1 (ko)
CN (1) CN100570388C (ko)
AT (1) ATE556327T1 (ko)
BR (1) BRPI0416424B8 (ko)
CA (1) CA2550072C (ko)
RU (1) RU2328753C2 (ko)
TW (1) TWI260808B (ko)
WO (1) WO2005059579A1 (ko)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009035288A3 (en) * 2007-09-13 2009-05-07 Lg Chemical Ltd System and method for estimating long term characteristics of battery
KR100901252B1 (ko) * 2006-08-02 2009-06-08 주식회사 엘지화학 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치
KR100911316B1 (ko) * 2007-08-23 2009-08-11 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
KR101021745B1 (ko) * 2008-01-30 2011-03-15 주식회사 엘지화학 배터리 셀 모듈의 추정 상태를 결정하는 시스템, 방법 및 그 제조물
US9316699B2 (en) 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
KR101965832B1 (ko) * 2017-11-27 2019-04-05 (주) 페스코 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법
KR101992051B1 (ko) * 2018-03-19 2019-06-21 충북대학교 산학협력단 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템
KR20190079215A (ko) * 2017-12-27 2019-07-05 주식회사 비앤에이치코리아 복수의 성형수술경험자의 비포 앤 애프터 이미지에 대한 빅데이터를 분석하여 성형수술을 희망하는 고객에게 가상의 성형이미지를 제공하는 딥러닝 기반 가상성형장치
US10427535B2 (en) 2015-11-24 2019-10-01 Samsung Electronics Co., Ltd. Method and apparatus for battery management
US11493558B2 (en) 2018-04-27 2022-11-08 Semiconductor Energy Laboratory Co., Ltd. Estimation method of state of charge of power storage device and estimation system of state of charge of power storage device
US11870042B2 (en) 2017-09-06 2024-01-09 Semiconductor Energy Laboratory Co., Ltd. Power storage system, vehicle, electronic device, and semiconductor device

Families Citing this family (129)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7321220B2 (en) * 2003-11-20 2008-01-22 Lg Chem, Ltd. Method for calculating power capability of battery packs using advanced cell model predictive techniques
US8103485B2 (en) * 2004-11-11 2012-01-24 Lg Chem, Ltd. State and parameter estimation for an electrochemical cell
DE602006002896D1 (de) * 2005-02-14 2008-11-13 Denso Corp Verfahren und Vorrichtung zur Erkennung des Ladestatus einer Sekundärbatterie auf Basis neuronaler Netzwerkkalkulation
KR100842678B1 (ko) * 2005-03-17 2008-06-30 주식회사 엘지화학 동적 패턴에 대한 배터리 잔존량 추정법의 비교 참조값구성 방법
JP4587306B2 (ja) * 2005-04-20 2010-11-24 株式会社デンソー 二次電池の残存容量演算方法
KR100793616B1 (ko) * 2005-06-13 2008-01-10 주식회사 엘지화학 배터리 잔존량 추정 장치 및 방법
US7723957B2 (en) * 2005-11-30 2010-05-25 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated battery parameter vector
FR2897161B1 (fr) * 2006-02-09 2008-07-11 Peugeot Citroen Automobiles Sa Systeme de recalage de l'information d'etat de charge d'une batterie de vehicule automobile
CN101535827A (zh) * 2006-10-30 2009-09-16 皇家飞利浦电子股份有限公司 用于在电池非平衡时确定电池的荷电状态的设备和方法
GB2444511B (en) * 2006-12-06 2008-10-22 Iti Scotland Ltd Battery Management System
EP2110679B1 (en) * 2007-02-08 2013-04-10 Panasonic EV Energy Co., Ltd. Device and method for detecting abnormality of electric storage device
JP2008232758A (ja) * 2007-03-19 2008-10-02 Nippon Soken Inc 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置
CN101067645B (zh) * 2007-04-20 2010-11-24 杭州高特电子设备有限公司 一种阀控式铅酸蓄电池性能分析方法
CN101067644B (zh) * 2007-04-20 2010-05-26 杭州高特电子设备有限公司 蓄电池性能分析专家诊断方法
CN101359036B (zh) * 2007-07-31 2010-11-17 比亚迪股份有限公司 电池荷电状态的测定方法
US8628872B2 (en) * 2008-01-18 2014-01-14 Lg Chem, Ltd. Battery cell assembly and method for assembling the battery cell assembly
US9140501B2 (en) * 2008-06-30 2015-09-22 Lg Chem, Ltd. Battery module having a rubber cooling manifold
US9759495B2 (en) * 2008-06-30 2017-09-12 Lg Chem, Ltd. Battery cell assembly having heat exchanger with serpentine flow path
US7883793B2 (en) * 2008-06-30 2011-02-08 Lg Chem, Ltd. Battery module having battery cell assemblies with alignment-coupling features
US8426050B2 (en) * 2008-06-30 2013-04-23 Lg Chem, Ltd. Battery module having cooling manifold and method for cooling battery module
US8067111B2 (en) * 2008-06-30 2011-11-29 Lg Chem, Ltd. Battery module having battery cell assembly with heat exchanger
US8486552B2 (en) * 2008-06-30 2013-07-16 Lg Chem, Ltd. Battery module having cooling manifold with ported screws and method for cooling the battery module
US8202645B2 (en) 2008-10-06 2012-06-19 Lg Chem, Ltd. Battery cell assembly and method for assembling the battery cell assembly
FR2942087B1 (fr) 2009-02-12 2011-02-18 Peugeot Citroen Automobiles Sa Dispositif et procede de gestion du niveau de charge electrique lors de la mise en charge d'une source de stockage electrochimique embarquee dans un vehicule
US9337456B2 (en) * 2009-04-20 2016-05-10 Lg Chem, Ltd. Frame member, frame assembly and battery cell assembly made therefrom and methods of making the same
US8403030B2 (en) * 2009-04-30 2013-03-26 Lg Chem, Ltd. Cooling manifold
US8663829B2 (en) 2009-04-30 2014-03-04 Lg Chem, Ltd. Battery systems, battery modules, and method for cooling a battery module
US8663828B2 (en) * 2009-04-30 2014-03-04 Lg Chem, Ltd. Battery systems, battery module, and method for cooling the battery module
US8852778B2 (en) * 2009-04-30 2014-10-07 Lg Chem, Ltd. Battery systems, battery modules, and method for cooling a battery module
DE112010001970T5 (de) * 2009-05-11 2012-10-11 Mahindra Reva Electric Vehicles Pvt. Ltd. System und Verfahren zur Überwachung und Steuerung eines Energiesystems
US8399118B2 (en) * 2009-07-29 2013-03-19 Lg Chem, Ltd. Battery module and method for cooling the battery module
US8703318B2 (en) * 2009-07-29 2014-04-22 Lg Chem, Ltd. Battery module and method for cooling the battery module
JP2013502687A (ja) * 2009-08-21 2013-01-24 マヒンドラ レバ エレクトリック ビークルズ プライベート リミテッド エネルギ貯蔵システムの予備エネルギの算定及び使用
US8399119B2 (en) * 2009-08-28 2013-03-19 Lg Chem, Ltd. Battery module and method for cooling the battery module
JP5691592B2 (ja) 2010-02-18 2015-04-01 日産自動車株式会社 電池状態推定装置
RU2491566C1 (ru) * 2010-02-18 2013-08-27 Ниссан Мотор Ко., Лтд. Устройство оценки состояния батареи и способ оценки состояния батареи
EP2551687B1 (en) 2010-03-23 2020-07-15 Furukawa Electric Co., Ltd. Device for estimating internal state of battery, and method for estimating internal state of battery
US8319479B2 (en) * 2010-03-23 2012-11-27 Ememory Technology Inc. Method of estimating battery recharge time and related device
US20110234167A1 (en) * 2010-03-24 2011-09-29 Chin-Hsing Kao Method of Predicting Remaining Capacity and Run-time of a Battery Device
US8341449B2 (en) 2010-04-16 2012-12-25 Lg Chem, Ltd. Battery management system and method for transferring data within the battery management system
US9147916B2 (en) 2010-04-17 2015-09-29 Lg Chem, Ltd. Battery cell assemblies
RU2012149754A (ru) * 2010-04-22 2014-05-27 Энердел, Инк. Наблюдение за состоянием заряда аккумулятора
TWI395965B (zh) * 2010-06-04 2013-05-11 Nat Univ Chin Yi Technology 燃料電池故障預測系統及其建立方法
US8920956B2 (en) 2010-08-23 2014-12-30 Lg Chem, Ltd. Battery system and manifold assembly having a manifold member and a connecting fitting
US8469404B2 (en) 2010-08-23 2013-06-25 Lg Chem, Ltd. Connecting assembly
US8758922B2 (en) 2010-08-23 2014-06-24 Lg Chem, Ltd. Battery system and manifold assembly with two manifold members removably coupled together
US8353315B2 (en) 2010-08-23 2013-01-15 Lg Chem, Ltd. End cap
US9005799B2 (en) 2010-08-25 2015-04-14 Lg Chem, Ltd. Battery module and methods for bonding cell terminals of battery cells together
US8662153B2 (en) 2010-10-04 2014-03-04 Lg Chem, Ltd. Battery cell assembly, heat exchanger, and method for manufacturing the heat exchanger
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8288031B1 (en) 2011-03-28 2012-10-16 Lg Chem, Ltd. Battery disconnect unit and method of assembling the battery disconnect unit
JP5695464B2 (ja) * 2011-03-28 2015-04-08 株式会社東芝 充放電判定装置及び充放電判定プログラム
CN102226834B (zh) * 2011-03-31 2013-02-20 杭州高特电子设备有限公司 基于模糊分类技术的蓄电池容量判断方法
US8449998B2 (en) 2011-04-25 2013-05-28 Lg Chem, Ltd. Battery system and method for increasing an operational life of a battery cell
US9178192B2 (en) 2011-05-13 2015-11-03 Lg Chem, Ltd. Battery module and method for manufacturing the battery module
KR20120134415A (ko) * 2011-06-02 2012-12-12 에스케이이노베이션 주식회사 Ｅｓｓ의 배터리 수명 예측 시스템 및 그 방법
US8974928B2 (en) 2011-06-30 2015-03-10 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8993136B2 (en) 2011-06-30 2015-03-31 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8974929B2 (en) 2011-06-30 2015-03-10 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US8859119B2 (en) 2011-06-30 2014-10-14 Lg Chem, Ltd. Heating system for a battery module and method of heating the battery module
US9496544B2 (en) 2011-07-28 2016-11-15 Lg Chem. Ltd. Battery modules having interconnect members with vibration dampening portions
WO2013031559A1 (ja) * 2011-08-30 2013-03-07 三洋電機株式会社 バッテリシステム、電動車両、移動体、電力貯蔵装置および電源装置
CN102364353B (zh) * 2011-11-14 2013-10-16 北京理工大学 一种基于热效应的二次电池一致性评估方法
TWI460453B (zh) * 2012-09-28 2014-11-11 Metal Ind Res & Dev Ct 以兩個相互垂直的分量相加合成的電池殘電量估測系統及其估測方法
KR101547006B1 (ko) * 2012-10-26 2015-08-24 주식회사 엘지화학 배터리 잔존 용량 추정 장치 및 방법
US8981857B2 (en) 2012-11-15 2015-03-17 Freescale Semiconductor, Inc. Temperature dependent timer circuit
CN103018673B (zh) * 2012-11-19 2015-01-21 北京航空航天大学 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法
AT512003A3 (de) 2013-01-23 2014-05-15 Avl List Gmbh Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC
KR20140099372A (ko) * 2013-02-01 2014-08-12 삼성에스디아이 주식회사 배터리의 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리 시스템
US20140244193A1 (en) * 2013-02-24 2014-08-28 Fairchild Semiconductor Corporation Battery state of charge tracking, equivalent circuit selection and benchmarking
CN103176139B (zh) * 2013-03-08 2015-07-29 桂林电子科技大学 动力电池非光滑迟滞特性补偿的电荷状态估算方法及系统
US20140278169A1 (en) * 2013-03-12 2014-09-18 Samsung Sdi Co., Ltd. Apparatus for predicting state of health of battery pack by using discrete wavelet transform
TWI491801B (zh) * 2013-03-18 2015-07-11 Nat Univ Chin Yi Technology 風力發電故障預測系統及其方法
FR3010532B1 (fr) * 2013-09-11 2017-06-09 Commissariat Energie Atomique Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie
US10950421B2 (en) * 2014-04-21 2021-03-16 Lam Research Corporation Using modeling for identifying a location of a fault in an RF transmission system for a plasma system
KR20150121920A (ko) * 2014-04-22 2015-10-30 현대모비스 주식회사 차량용 배터리 센서 및 상기 센서를 이용한 계절 판단 방법
KR102241683B1 (ko) * 2014-07-30 2021-04-19 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
CN104375091A (zh) * 2014-11-18 2015-02-25 柳州市金旭节能科技有限公司 电动汽车动力蓄电池组监测方法
CN104569838B (zh) * 2014-12-23 2017-11-21 深圳市科陆电子科技股份有限公司 基于远程监控的集装箱储能设备核心部件的评价方法
CN104849671B (zh) * 2015-05-22 2017-07-11 大连理工大学 一种基于组合神经网络的电池组容量检测系统
CN105528637B (zh) * 2015-11-26 2018-06-22 江南大学 基于线性内插型模糊神经网络的诊断方法
CN105911476B (zh) * 2016-04-13 2018-08-28 华北电力大学 一种基于数据挖掘的电池储能系统soc预测方法
CN106501721A (zh) * 2016-06-03 2017-03-15 湘潭大学 一种基于生物进化的锂电池soc估算方法
CN106443453A (zh) * 2016-07-04 2017-02-22 陈逸涵 一种基于bp神经网络的锂电池soc估算方法
CN106324517A (zh) * 2016-08-29 2017-01-11 丹阳亿豪电子科技有限公司 一种新能源汽车电池性能预测方法
US10997490B2 (en) * 2017-02-24 2021-05-04 International Business Machines Corporation Battery-based neural network weights
CN107037373B (zh) * 2017-05-03 2019-03-29 广西大学 基于神经网络的蓄电池剩余电量预测方法
WO2018203170A1 (en) 2017-05-03 2018-11-08 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device
WO2019017991A1 (en) 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS
CN107436411B (zh) * 2017-07-28 2019-06-14 南京航空航天大学 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法
CN108414937A (zh) * 2017-12-08 2018-08-17 国网北京市电力公司 充电电池荷电状态确定方法及装置
CN108573545B (zh) * 2018-04-24 2019-10-08 中南大学 一种冰雪环境无人驾驶车辆电源模型预测方法与系统
US10983167B2 (en) * 2018-06-14 2021-04-20 Huayuan Semiconductor (Shenzhen) Limited Company Method and device for gauging an electronic apparatus
CN109001640B (zh) * 2018-06-29 2021-08-20 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109031147B (zh) * 2018-08-21 2020-12-01 湖南兴业绿色电力科技有限公司 一种磷酸铁锂电池组的soc估算方法
CN109633450B (zh) * 2018-11-23 2021-05-14 成都大超科技有限公司 一种基于神经网络的锂电池充电检测系统
US11119494B2 (en) 2019-01-07 2021-09-14 Wing Aviation Llc Using machine learning techniques to estimate available energy for vehicles
JP7404276B2 (ja) * 2019-01-24 2023-12-25 ソニーセミコンダクタソリューションズ株式会社 電圧制御装置
KR20200097170A (ko) * 2019-02-07 2020-08-18 주식회사 엘지화학 배터리 관리 장치, 배터리 관리 방법 및 배터리팩
CN110007235A (zh) * 2019-03-24 2019-07-12 天津大学青岛海洋技术研究院 一种电动汽车蓄电池soc在线预测方法
DE102019107935A1 (de) * 2019-03-27 2020-10-01 Volkswagen Aktiengesellschaft Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterie eines Fahrzeuges
KR20200117794A (ko) * 2019-04-05 2020-10-14 주식회사 엘지화학 배터리 관리 장치 및 방법
CN110048477B (zh) * 2019-04-19 2023-05-26 浙江大学宁波理工学院 一种基于神经元控制的快速充电器及控制方法
IT201900006987A1 (ko) * 2019-05-17 2019-05-17
KR102652117B1 (ko) 2019-07-10 2024-03-27 삼성전자주식회사 이미지 보정 방법 및 이미지 보정 시스템
CN110658459B (zh) * 2019-09-12 2021-10-15 北京航空航天大学 基于双向循环神经网络的锂离子电池荷电状态估计方法
EP3812779B1 (en) 2019-10-23 2022-09-28 Novum engineerING GmbH Analyzing electrical impedance measurements of an electrochemical battery
EP3812780B1 (en) 2019-10-23 2022-09-28 Novum engineerING GmbH Estimating a battery state from gradients of electrical impedance measurements
EP3812782B1 (en) 2019-10-23 2022-09-14 Novum engineerING GmbH Estimating a temperature of an electrochemical battery
EP3812781B1 (en) 2019-10-23 2022-11-30 Novum engineerING GmbH Estimating a battery state of an electrochemical battery
EP3812783A1 (en) 2019-10-23 2021-04-28 Novum engineerING GmbH Estimating a battery state from electrical impedance measurements using convolutional neural network means
CN110673039B (zh) * 2019-11-11 2022-02-08 安徽优旦科技有限公司 一种基于大数据的磷酸铁锂电池soc充电在线校正方法
US20210173012A1 (en) * 2019-12-04 2021-06-10 Robert Bosch Gmbh Method and system for estimation of open circuit voltage of a battery cell
KR102439041B1 (ko) 2020-08-14 2022-09-02 주식회사 한국파워셀 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치
CN112234673B (zh) * 2020-09-30 2022-04-22 长安大学 一种适用于均衡电路的电池能量均衡方法
CN112379272B (zh) * 2020-11-16 2021-09-21 北京理工大学 一种基于人工智能的锂离子电池系统soc估计方法
DE102020130732A1 (de) 2020-11-20 2022-05-25 Audi Aktiengesellschaft Verfahren zum Ermitteln eines Werts eines Parameters einer Batteriezelle, Steuereinrichtung und Kraftfahrzeug
KR102575963B1 (ko) * 2020-11-30 2023-09-07 동국대학교 산학협력단 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법 및 그 제어장치
JP2024501977A (ja) * 2020-12-30 2024-01-17 バクスター・インターナショナル・インコーポレイテッド 輸液装置におけるバッテリ警報を生成するためのシステムおよび方法
KR20220112997A (ko) 2021-02-05 2022-08-12 경북대학교 산학협력단 신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정장치
WO2022248532A1 (en) * 2021-05-25 2022-12-01 Danmarks Tekniske Universitet Data-driven and temperature-cycles based remaining useful life estimation of an electronic device
CN113552490B (zh) * 2021-06-29 2022-04-01 广东工业大学 一种基于休息恢复效应的可重构电池组soc估计方法
CN113258154B (zh) 2021-07-16 2021-10-15 苏州浪潮智能科技有限公司 一种电池充电方法、装置、设备及介质
CN114280490B (zh) * 2021-09-08 2024-02-09 国网湖北省电力有限公司荆门供电公司 一种锂离子电池荷电状态估计方法及系统
US11694560B1 (en) 2021-12-28 2023-07-04 Beta Air, Llc Computing device and method for predicting battery temperature in an electric aircraft
CN114725578A (zh) * 2022-04-29 2022-07-08 苏州市职业大学 一种基于新能源汽车的锂电池温控装置系统
CN115659790B (zh) * 2022-10-13 2024-02-06 厦门宇电自动化科技有限公司 一种动力电池包的温度实时检测方法
CN117289141A (zh) * 2023-11-22 2023-12-26 深圳市麦迪瑞科技有限公司 基于人工智能的电动自行车充电状态监测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2740554A1 (fr) 1995-10-31 1997-04-30 Philips Electronique Lab Systeme de controle de la phase de decharge des cycles de charge-decharge d'une batterie rechargeable, et dispositif hote muni d'une batterie intelligente
JP3520886B2 (ja) * 1996-03-08 2004-04-19 サンケン電気株式会社 二次電池の状態判定方法
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
JPH1132442A (ja) 1997-07-10 1999-02-02 Matsushita Electric Ind Co Ltd 蓄電池残容量推定方法及び蓄電池残容量推定システム
EP1081499B1 (en) * 1998-05-28 2003-07-09 Toyota Jidosha Kabushiki Kaisha Means for estimating charged state of battery and method for estimating degraded state of battery
JP2002543754A (ja) 1999-05-05 2002-12-17 ミッドトロニクス インコーポレイテッド 自動車用車両のためのエネルギ管理システム
JP2002228730A (ja) 2001-02-06 2002-08-14 Shikoku Electric Power Co Inc 二次電池の残存電力量の推定装置
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
JP4038788B2 (ja) * 2002-02-22 2008-01-30 アクソンデータマシン株式会社 バッテリの残存容量判定方法と、その装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100901252B1 (ko) * 2006-08-02 2009-06-08 주식회사 엘지화학 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치
KR100911316B1 (ko) * 2007-08-23 2009-08-11 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
WO2009035288A3 (en) * 2007-09-13 2009-05-07 Lg Chemical Ltd System and method for estimating long term characteristics of battery
KR100936892B1 (ko) * 2007-09-13 2010-01-14 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
US8412658B2 (en) 2007-09-13 2013-04-02 Lg Chem, Ltd. System and method for estimating long term characteristics of battery
KR101021745B1 (ko) * 2008-01-30 2011-03-15 주식회사 엘지화학 배터리 셀 모듈의 추정 상태를 결정하는 시스템, 방법 및 그 제조물
US9316699B2 (en) 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
US10427535B2 (en) 2015-11-24 2019-10-01 Samsung Electronics Co., Ltd. Method and apparatus for battery management
US11870042B2 (en) 2017-09-06 2024-01-09 Semiconductor Energy Laboratory Co., Ltd. Power storage system, vehicle, electronic device, and semiconductor device
KR101965832B1 (ko) * 2017-11-27 2019-04-05 (주) 페스코 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법
KR20190079215A (ko) * 2017-12-27 2019-07-05 주식회사 비앤에이치코리아 복수의 성형수술경험자의 비포 앤 애프터 이미지에 대한 빅데이터를 분석하여 성형수술을 희망하는 고객에게 가상의 성형이미지를 제공하는 딥러닝 기반 가상성형장치
KR101992051B1 (ko) * 2018-03-19 2019-06-21 충북대학교 산학협력단 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템
US11493558B2 (en) 2018-04-27 2022-11-08 Semiconductor Energy Laboratory Co., Ltd. Estimation method of state of charge of power storage device and estimation system of state of charge of power storage device

Also Published As

Publication number Publication date
CA2550072A1 (en) 2005-06-30
CA2550072C (en) 2011-04-19
BRPI0416424A (pt) 2007-01-16
TWI260808B (en) 2006-08-21
BRPI0416424B1 (pt) 2017-06-20
KR100651573B1 (ko) 2006-11-29
TW200531326A (en) 2005-09-16
EP1702219A1 (en) 2006-09-20
CN100570388C (zh) 2009-12-16
CN1890574A (zh) 2007-01-03
EP1702219A4 (en) 2010-06-09
JP2007518973A (ja) 2007-07-12
BRPI0416424B8 (pt) 2023-01-17
RU2006119641A (ru) 2007-12-27
US20050194936A1 (en) 2005-09-08
JP4331210B2 (ja) 2009-09-16
EP1702219B1 (en) 2012-05-02
WO2005059579A1 (en) 2005-06-30
US7583059B2 (en) 2009-09-01
ATE556327T1 (de) 2012-05-15
RU2328753C2 (ru) 2008-07-10

Similar Documents

Publication Publication Date Title
KR100651573B1 (ko) 신경망을 이용한 배터리 잔존량 추정 장치 및 방법
KR100793616B1 (ko) 배터리 잔존량 추정 장치 및 방법
Wassiliadis et al. Revisiting the dual extended Kalman filter for battery state-of-charge and state-of-health estimation: A use-case life cycle analysis
CA2333619C (en) Means for estimating charged state of battery and method for estimating degraded state of battery
US6534954B1 (en) Method and apparatus for a battery state of charge estimator
CN105008946B (zh) 用于确定用于SoC的控制技术观测器的方法
Campestrini et al. Influence of change in open circuit voltage on the state of charge estimation with an extended Kalman filter
JP4609882B2 (ja) 車両用蓄電装置の内部状態検出方式
US11255916B2 (en) Method and device for monitoring a stable convergence behavior of a Kalman filter
CN116113837A (zh) 用于估计电池的荷电状态的方法
JP2006220617A (ja) 車両用蓄電装置の内部状態検出方式
KR100878123B1 (ko) 배터리 상태 및 파라미터 추정 시스템 및 방법
Song et al. Online state-of-charge estimation for lithium-ion batteries considering model inaccuracies under time-varying current conditions
JP2020106317A (ja) リチウム一次電池の内部抵抗同定方法、放電深度推定装置、及び放電深度推定方法
JP4582584B2 (ja) 二次電池の残存容量演算方法
Sakile et al. Estimation of lithium‐ion battery state of charge for electric vehicles using a nonlinear state observer
Zhang et al. Online estimation for parameters and state-of-charge of LiMn2O2 batteries with a modified adaptive Kalman filter
Restaino et al. Rao-blackwellised particle filter for battery state-of-charge and parameters estimation
Dardchuntuk et al. Unscented Kalman Filter for State of Charge Estimation of Lithium Titanate Battery
Atukalp et al. Analytical Kalman Filter Tuning Method for Battery State of Charge Estimation: Validation for Grid Battery Energy Storage
CN114460479A (zh) 一种电池荷电状态检测方法、装置及介质
KR20220132319A (ko) 차등 충전 상태에 기반하는 충전 상태 추정 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20121011

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20131018

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20141017

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20150923

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20160928

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20170919

Year of fee payment: 12

FPAY Annual fee payment

Payment date: 20181016

Year of fee payment: 13