KR20190070837A - 배터리 충전상태 예측 방법 및 시스템 - Google Patents

배터리 충전상태 예측 방법 및 시스템 Download PDF

Info

Publication number
KR20190070837A
KR20190070837A KR1020180098428A KR20180098428A KR20190070837A KR 20190070837 A KR20190070837 A KR 20190070837A KR 1020180098428 A KR1020180098428 A KR 1020180098428A KR 20180098428 A KR20180098428 A KR 20180098428A KR 20190070837 A KR20190070837 A KR 20190070837A
Authority
KR
South Korea
Prior art keywords
battery
state
charge
model
module
Prior art date
Application number
KR1020180098428A
Other languages
English (en)
Inventor
얀한 주오
앙 자오
하이밍 우
송리 리우
Original Assignee
동타이 하이-테크 이큅먼트 테크놀로지 씨오., 엘티디
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 동타이 하이-테크 이큅먼트 테크놀로지 씨오., 엘티디 filed Critical 동타이 하이-테크 이큅먼트 테크놀로지 씨오., 엘티디
Publication of KR20190070837A publication Critical patent/KR20190070837A/ko

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]
    • G01R31/367—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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

본 발명의 실시예는 배터리 충전상태 예측 방법 및 시스템을 제공하며, 상기 방법은 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 단계; 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 단계; 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계; 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 단계를 포함한다. 본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법 및 시스템은 배터리 충전상태의 예측 정확도를 향상시킬 수 있다.

Description

배터리 충전상태 예측 방법 및 시스템{BATTERY STATE OF CHARGE PREDICTION MEHOD AND SYSTEM}
본 발명의 실시예는 배터리 관리기술 분야에 관한 것으로, 특히 배터리 충전상태 예측 방법 및 시스템에 관한 것이다.
리튬이온 배터리는 통신, 전력 시스템, 교통 운수 등 분야에서 에너지 저장 전원으로 널리 사용되고 있다. 배터리는 에너지 공급 부재로서, 배터리 동작 상태의 좋고 나쁨은 전반적인 시스템 안전성 및 작동 신뢰성에 직접적인 영향을 준다. 배터리 팩의 양호한 성능을 확보하고 배터리 팩의 사용 수명을 연장시키기 위하여, 신속하고 정확하게 배터리의 작동 상태를 확인하여 배터리를 합리적이고 효과적으로 관리 및 제어하여야 한다.
배터리 충전상태(State of Charge, 약칭 SOC)의 정확한 추정은 배터리 에너지 관리 시스템의 핵심 기술 중의 하나이다. 배터리의 SOC는 직접 측정하여 얻을 수 없으며, 기타 물리량을 측정하고 일정한 수학적 모형 및 알고리즘을 이용하여 추정하여 얻을 수 밖에 없다.
현재 통상적으로 사용되는 배터리 SOC 추정 방법으로는, 개방회로 전압 방법, 암페어-시간 적분 법 등이 있다. 그러나 개방회로 전압 방법을 이용할 경우, 배터리가 반드시 충분히 긴 시간 동안 정치된 후 안정된 상태에 도달하여야 하며, 시스템이 정지 또는 대기 상태에서의 SOC 추정에만 적용되므로 온라인 실시간 검측 요구를 만족시킬 수 없으며; 암페어-시간 적분 법을 이용할 경우, 전류 측정 정밀도의 영향을 받기 쉽고 정밀도는 높지 않다.
따라서, 비교적 높은 정밀도를 가지며 온라인 실시간 검측 요구를 만족시키는 배터리 충전상태 예측 방법을 제공하는 것은 급히 해결되어야 할 문제로 대두되고 있다.
종래 기술에 존재하는 상술한 문제를 해결하기 위하여, 본 발명의 실시예는 배터리 충전상태 예측 방법 및 시스템을 제공한다.
일 측면에 따르면, 본 발명의 실시예는, 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 단계; 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 단계; 상기 배터리의 충전상태의 3차 스프라인 피팅 함수(cubic spline fitting function)를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링(extend Kalman filter, EKF) 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계; 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 단계를 포함하는 배터리 충전상태 예측 방법을 제공한다.
다른 한 측면에 따르면, 본 발명의 실시예는, 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 획득 모듈; 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 파라미터 최적화 모듈; 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 모형 구축 모듈; 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 예측 모듈을 포함하는 배터리 충전상태 예측 시스템을 제공한다.
또 다른 한 측면에 따르면, 본 발명의 실시예는, 메모리 및 프로세서를 포함하고, 상기 프로세서와 상기 메모리 사이는 버스를 통해 서로 통신하며; 상기 메모리는 상기 프로세서에 의해 수행 가능한 프로그램 명령을 저장하고, 상기 프로세서는 상기 프로그램 명령을 호출하여 상기 배터리 충전상태 예측 방법을 수행하는 전자기기를 제공한다.
또 다른 한 측면에 따르면, 본 발명의 실시예는, 컴퓨터 프로그램이 저장되는 컴퓨터 판독가능한 저장 매체에 있어서, 상기 컴퓨터 프로그램이 프로세서에 의해 수행되면 상기 배터리 충전상태 예측 방법을 구현하는 컴퓨터 판독가능한 저장 매체를 제공한다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법 및 시스템에 따르면, 피측정 배터리의 충방전 과정에서의 전압 및 전류를 획득하고, 피측정 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 피측정 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻으며, 피측정 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 최적화된 모형 파라미터 및 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 배터리의 충전상태 예측 모형을 구축하며, 충전상태 예측 모형에 따라 배터리의 충전상태를 예측함으로써, 배터리 충전상태의 예측 정확도를 향상시킬 수 있는 효과를 가진다.
본 발명의 실시예 또는 종래 기술에 따른 기술방안을 더욱 명확하게 설명하기 위하여, 이하 실시예 또는 종래 기술의 설명에서 사용되는 도면에 대하여 간단하게 설명한다. 이하의 설명에서 사용되는 도면은 본 발명의 일부 실시예이며, 해당 기술분야에서 통상의 지식을 가진 자에게 있어서 창의적인 작업 없이도 상기 도면에 근거하여 기타의 도면을 얻을 수 있는 것은 자명할 것이다.
도1은 본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법을 나타내는 흐름도이다.
도2는 본 발명의 실시예에서 제공하는 배터리 충전상태 예측 시스템의 구성을 나타내는 개략도이다.
도3은 본 발명의 실시예에서 제공하는 전자기기의 구성을 나타내는 개략도이다.
도4는 종래 기술에 따른 배터리 정보 온라인 모니터링 시스템의 구성을 나타내는 개략도이다.
본 발명의 실시예에 따른 목적, 기술방안 및 장점을 더욱 명확하게 하기 위하여, 이하 본 발명의 실시예 중의 도면을 참조하여 본 발명의 실시예에 따른 기술방안을 명확하게 설명하며, 이하 설명한 실시예는 본 발명의 전부 실시예가 아니고 일부 실시예이다. 본 발명의 실시예에 의해 해당 기술분야에서 통상의 지식을 가진 자가 창의적인 작업 없이 얻는 기타 모든 실시예는 본 발명의 보호 범위에 속한다.
도1은 본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법을 나타내는 흐름도이며, 도1에 도시된 바와 같이, 상기 배터리 충전상태 예측 방법은, 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 단계(10); 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 단계(11); 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계(12); 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 단계(13)를 포함한다.
도4는 종래 기술에 따른 배터리 정보 온라인 모니터링 시스템의 구성을 나타내는 개략도이다. 서버는 피측정 배터리의 사이클 충방전 과정에서의 전압 및 전류를 획득할 수 있고, 상기 배터리의 사이클 충방전 과정에서의 전압 및 전류는 종래의 배터리 정보 온라인 모니터링 시스템을 통해 채집하여 얻을 수 있다.
도4에 도시된 바와 같이, 상기 배터리 정보 온라인 모니터링 시스템은, 마이크로프로세서(41), 전원 공급 모듈(42), 배터리 정보 처리 모듈(43), CAN 통신 모듈(44), 데이터 저장 모듈(45) 및 배터리 정보 센서(46)를 포함할 수 있다. 상기 마이크로프로세서(41)는 상기 전원 공급 모듈(42), 상기 배터리 정보 처리 모듈(43), 상기 CAN 통신 모듈(44) 및 상기 데이터 저장 모듈(45)과 각각 전기적으로 연결되고, 상기 배터리 정보 처리 모듈(43)과 상기 배터리 정보 센서(46)는 전기적으로 연결되며, 상기 배터리 정보 센서(46)는 전압센서, 전류센서 및 온도센서를 통합할 수 있고, 상기 배터리 정보 센서(46)는 피측정 배터리와 직접 전기적으로 연결된다. 본 발명의 실시예에 있어서, 상기 마이크로프로세서(41)는 MC9S12XET256을 사용할 수 있다.
상기 서버가 획득한 피측정 배터리의 충방전 과정에서의 전압 및 전류 데이터는 일정한 시간 간격으로 상기 배터리에 대해 충방전 테스트를 수행하여 얻은 전압 및 전류를 포함할 수 있다. 예를 들어, 5시간 간격으로 상기 배터리에 대해 충방전 테스트를 수행할 수 있다.
그 후, 상기 서버는 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 종래의 유전 알고리즘을 이용하여 2차 RC 등가회로 모형 중의 모형 파라미터를 식별하여 최적화된 모형 파라미터를 얻을 수 있으며, 상기 모형 파라미터를 식별하는 과정은 상기 모형 파라미터를 최적화하는 과정이다.
상기 서버는 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 상기 배터리의 충전상태 예측 모형을 구축할 수 있고, 상기 서버는 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측할 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법은, 배터리의 충방전 과정에서의 전압 및 전류를 획득하고, 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻으며, 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 최적화된 모형 파라미터 및 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 배터리의 충전상태 예측 모형을 구축하며, 충전상태 예측 모형에 따라 배터리의 충전상태를 예측함으로써, 배터리 충전상태의 예측 정확도를 향상시킬 수 있다.
선택적으로, 상술한 실시예의 기초상에서, 상기 모형 파라미터는 상기 배터리의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 포함한다.
구체적으로, 상기 실시예에서 설명한 모형 파라미터는 피측정 배터리의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 포함할 수 있다.
여기서, 상기 옴 저항은 RΩ, 상기 전기화학적 분극 저항은 RS, 상기 전기화학적 분극 전기용량은 CS, 상기 농도차 분극 저항은 Rl, 상기 농도차 분극 전기용량은 Cl로 표시될 수 있다.
상기 서버는 종래의 유전 알고리즘에 기반하여 획득한 피측정 배터리의 충방전 과정에서의 전압 및 전류에 따라 2차 RC 등가회로 모형 중의 상기 모형 파라미터를 식별하여 최적화된 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 얻을 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법은, 유전 알고리즘을 이용하여 2차 RC 등가회로 모형 중의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 최적화함으로써, 상기 방법은 보다 과학적이다.
선택적으로, 상술한 실시예의 기초상에서, 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하는 단계는, 상기 배터리의 충방전 과정에서의 충전상태 및 개방회로 전압을 획득하는 단계; 및 상기 배터리의 충방전 과정에서의 충전상태 및 개방회로 전압에 따라 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축하는 단계를 포함한다.
구체적으로, 서버는 피측정 배터리의 충방전 과정에서의 충전상태 및 개방회로 전압을 획득할 수 있고, 상기 충전상태 및 상기 개방회로 전압은 상기 배터리가 정치상태에서의 충전상태 및 개방회로 전압, 상기 배터리에 부하를 인가하여 충방전을 수행하는 과정에서의 충전상태 및 개방회로 전압, 및 상기 배터리로부터 부하를 제거하여 다시 정치 상태로 회복하였을 때의 충전상태 및 개방회로 전압을 포함할 수 있다.
그 후, 상기 서버는 획득한 상기 배터리의 충전상태 및 개방회로 전압에 따라 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축할 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법은, 피측정 배터리의 충방전 과정에서의 충전상태 및 개방회로 전압을 획득한 후, 배터리의 충방전 과정에서의 충전상태 및 개방회로 전압에 따라 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축함으로써, 상기 방법은 보다 과학적이다.
선택적으로, 상술한 실시예의 기초상에서, 상기 최적화된 모형 파라미터 및 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 배터리의 충전상태 예측 모형을 구축하는 단계는, 상기 최적화된 모형 파라미터에 따라 상기 배터리의 상태 방정식을 구축하는 단계; 상기 배터리의 평형 기전력, 옴전압강하, RC 회로전압에 따라 상기 배터리의 측정 방정식을 구축하는 단계; 상기 측정 방정식, 상기 상태 방정식 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계를 포함한다.
구체적으로, 서버는 유전 알고리즘을 이용하여 2차 RC 등가회로 모형 중의 모형 파라미터를 식별하여 최적화된 모형 파라미터를 얻은 후, 상기 최적화된 모형 파라미터에 따라 피측정 배터리의 상태 방정식을 구축할 수 있으며, 상기 상태 방정식은 아래와 같이 표시될 수 있다.
Figure pat00001
이때,
Figure pat00002
이라고 하면, 상기 상태방정식은 아래와 같이 표시될 수 있다.
Figure pat00003
여기서, 상기 Xk는 아래와 같다.
Figure pat00004
여기서, 상기 Xk는 피측정 배터리의 제k번째 시각의 충전상태 벡터를 표시하고, 상기 Xk -1은 피측정 배터리의 제k-1번째 시각의 충전상태 벡터를 표시하며, 상기 ik-1은 피측정 배터리의 제k-1번째 시각의 대응하는 충전상태 벡터 전류를 표시하고, 상기 Wk-1은 피측정 배터리의 제k-1번째 시각의 과정 여기 노이즈을 표시하며, 이는 전류의 측정노이즈과 관련되므로 무시할 수 있고, 상기 Ccap은 피측정 배터리의 용량을 표시하며, 상기
Figure pat00005
은 피측정 배터리의 제k번째 시각의 옴전압강하를 표시하고, 상기
Figure pat00006
은 피측정 배터리의 제k번째 시각의 부하가 인가되기 전의 RC회로 전압을 표시하며, 상기
Figure pat00007
은 피측정 배터리의 제k번째 시각의 부하가 인가된 후의 RC회로 전압을 표시하고, 상기 SOCK은 피측정 배터리의 제k번째 시각의 충전상태를 표시한다.
상기 서버는 피측정 배터리의 평형 기전력, 옴전압강하 및 RC회로 전압에 따라 상기 배터리의 측정방정식을 구축할 수 있고, 상기 측정방정식은 아래와 같이 표시될 수 있다.
Figure pat00008
여기서, 상기 uk는 피측정 배터리의 제k번째 시각의 전압을 표시하고, 상기
Figure pat00009
는 피측정 배터리의 제k번째 시각의 평형 기전력을 표시하며, 상기 평형 기전력과 상기 배터리의 충전상태 사이에는 비선형 관계가 존재하고, 상기 wk는 피측정 배터리의 제k번째 시각의 측정노이즈을 표시한다.
그 후, 상기 서버는 피측정 배터리의 측정방정식, 상태방정식 및 충전상태의 3차 스프라인 피팅 함수에 따라 종래의 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하고, 상기 구축모형을 통해 피측정 배터리의 임의의 시각의 충전상태를 예측할 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 방법은, 최적화된 모형 파라미터에 따라 피측정 배터리의 상태방정식을 구축하고, 피측정 배터리의 평형 기전력, 옴전압강하, RC회로 전압에 따라 피측정 배터리의 측정방정식을 구축하며, 측정방정식, 상태방정식 및 피측정 배터리의 충전상태의 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 피측정 배터리의 충전상태 예측 모형을 구축함으로써, 상기 방법은 보다 과학적이다.
도2는 본 발명의 실시예에서 제공하는 배터리 충전상태 예측 시스템의 구성을 나타내는 개략도이며, 도2에 도시된 바와 같이, 상기 시스템은, 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 획득 모듈(20); 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 파라미터 최적화 모듈(21); 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 모형 구축 모듈(22); 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 예측 모듈(23)을 포함한다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 시스템은, 획득 모듈(20), 파라미터 최적화 모듈(21), 모형 구축 모듈(22) 및 예측 모듈(23)을 포함할 수 있다.
여기서, 상기 획득 모듈(20)은 피측정 배터리의 사이클 충방전 과정에서의 전압 및 전류를 획득할 수 있고, 피측정 배터리의 사이클 충방전 과정에서의 전압 및 전류는 종래의 배터리 정보 온라인 모니터링 시스템을 통해 채집하여 얻을 수 있다.
도4에 도시된 바와 같이, 상기 배터리 정보 온라인 모니터링 시스템은, 마이크로프로세서(41), 전원 공급 모듈(42), 배터리 정보 처리 모듈(43), CAN 통신 모듈(44), 데이터 저장 모듈(45) 및 배터리 정보 센서(46)를 포함할 수 있다. 상기 마이크로프로세서(41)는 상기 전원 공급 모듈(42), 상기 배터리 정보 처리 모듈(43), 상기 CAN 통신 모듈(44) 및 상기 데이터 저장 모듈(45)과 각각 전기적으로 연결되고, 상기 배터리 정보 처리 모듈(43)과 상기 배터리 정보 센서(46)는 전기적으로 연결되며, 상기 배터리 정보 센서(46)는 전압센서, 전류센서 및 온도센서를 통합할 수 있고, 상기 배터리 정보 센서(46)는 피측정 배터리와 직접 전기적으로 연결된다. 본 발명의 실시예에 있어서, 상기 마이크로프로세서(41)는 MC9S12XET256을 사용할 수 있다.
상기 획득 모듈(20)이 획득한 피측정 배터리의 충방전 과정에서의 전압 및 전류 데이터는 일정한 시간 간격으로 상기 배터리에 대해 충방전 테스트를 수행하여 얻은 전압 및 전류를 포함할 수 있다. 예를 들어, 5시간 간격으로 상기 배터리에 대해 충방전 테스트를 수행할 수 있다.
상기 파라미터 최적화 모듈(21)은 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 식별하여 최적화된 모형 파라미터를 얻을 수 있다.
상기 모형 구축 모듈(22)은 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득한 후, 상기 최적화된 모형 파라미터 및 상기 충전상태의 3차 스프라인 피팅 함수에 따라 상기 배터리의 충전상태 예측 모형을 구축할 수 있으며, 상기 예측 모듈(23)은 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측할 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 시스템의 기능은 구체적으로 상술한 방법 실시예를 참조할 수 있으며, 여기서 중복된 설명은 생략한다.
본 발명의 실시예에서 제공하는 충전상태 예측 시스템은, 피측정 배터리의 충방전 과정에서의 전압 및 전류를 획득하고, 피측정 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 피측정 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻으며, 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 최적화된 모형 파라미터 및 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 배터리의 충전상태 예측 모형을 구축하며, 충전상태 예측 모형에 따라 배터리의 충전상태를 예측함으로써, 배터리 충전상태의 예측 정확도를 향상시킬 수 있다.
선택적으로, 상술한 실시예의 기초상에서, 상기 파라미터 최적화 모듈은, 구체적으로 유전 알고리즘을 이용하여 상기 배터리의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 최적화한다.
구체적으로, 상기 실시예에서 전술한 파라미터 최적화 모듈은 종래의 유전 알고리즘에 기반하여 제1획득모듈에서 획득한 피측정 배터리의 충방전 과정에서의 전압 및 전류에 따라 2차 RC 등가회로 모형 중의 상기 모형 파라미터를 식별하여 최적화된 모형 파라미터를 얻을 수 있다. 여기서, 상기 모형 파라미터는 피측정 배터리의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 포함할 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 시스템은, 유전 알고리즘을 이용하여 2차 RC 등가회로 모형 중의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 최적화함으로써, 상기 시스템은 보다 과학적이다.
선택적으로, 상술한 실시예의 기초상에서, 상기 모형 구축 모듈은 상기 배터리의 충방전 과정에서의 충전상태 및 개방회로전압을 획득하는 획득 서브 모듈; 및 상기 배터리의 충방전 과정에서의 충전상태 및 개방회로전압에 따라 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축하는 함수 피팅 서브 모듈을 포함한다.
구체적으로, 상기 실시예에서 설명한 모형 구축 모듈은 획득 서브 모듈 및 함수 피팅 서브 모듈을 포함할 수 있다.
여기서, 상기 획득 서브 모듈은 피측정 배터리의 충방전 과정에서의 충전상태 및 개방회로전압을 획득할 수 있고, 상기 충전상태 및 상기 개방회로전압은 상기 배터리가 정치상태에서의 충전상태 및 개방회로전압, 상기 배터리에 부하를 인가하여 충방전을 수행하는 과정에서의 충전상태 및 개방회로전압, 및 상기 배터리로부터 부하를 제거하여 다시 정치 상태로 회복하였을 때의 충전상태 및 개방회로전압을 포함할 수 있다.
그 후, 상기 함수 피팅 서브 모듈은 획득한 상기 배터리의 충전상태 및 개방회로전압에 따라 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축할 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 시스템은, 피측정 배터리의 충방전 과정에서의 충전상태 및 개방회로전압을 획득한 후, 배터리의 충방전 과정에서의 충전상태 및 개방회로전압에 따라 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축함으로써, 상기 시스템은 보다 과학적이다.
선택적으로, 상술한 실시예의 기초상에서, 상기 모형 구축 모듈은 최적화된 모형 파라미터에 따라 상기 배터리의 상태방정식을 구축하는 상태방정식 서브 모듈; 상기 배터리의 평형 기전력, 옴전압강하, RC 회로전압에 따라 상기 배터리의 측정방정식을 구축하는 측정방정식 서브 모듈; 및 상기 측정방정식, 상기 상태방정식 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 모형 구축 서브 모듈을 포함한다.
구체적으로, 상기 실시예에서 설명한 모형 구축 모듈은 상태방정식 서브 모듈, 측정방정식 서브 모듈 및 모형 구축 서브 모듈을 포함할 수 있다.
여기서, 상기 상태방정식 서브 모듈은 파라미터 최적화 모듈에서 획득한 최적화된 모형 파라미터에 따라 피측정 배터리의 상태방정식을 구축할 수 있으며, 상기 상태방정식은 아래와 같이 표시될 수 있다.
Figure pat00010
이때,
Figure pat00011
이라고 하면, 상기 상태방정식은 아래와 같이 표시될 수 있다.
Figure pat00012
여기서, 상기Xk는 아래와 같다.
Figure pat00013
여기서, 상기 Xk는 피측정 배터리의 제k번째 시각의 충전상태 벡터를 표시하고, 상기 Xk -1은 피측정 배터리의 제k-1번째 시각의 충전상태 벡터를 표시하며, 상기 ik-1은 피측정 배터리의 제k-1번째 시각의 대응하는 충전상태 벡터 전류를 표시하고, 상기 Wk-1은 피측정 배터리의 제k-1번째 시각의 과정 여기 노이즈을 표시하며, 이는 전류의 측정노이즈과 관련되므로 무시할 수 있고, 상기 Ccap은 피측정 배터리의 용량을 표시하며, 상기
Figure pat00014
은 피측정 배터리의 제k번째 시각의 옴전압강하를 표시하고, 상기
Figure pat00015
은 피측정 배터리의 제k번째 시각의 부하가 인가되기 전의 RC회로 전압을 표시하며, 상기
Figure pat00016
은 피측정 배터리의 제k번째 시각의 부하가 인가된 후의 RC회로 전압을 표시하고, 상기 SOCk은 피측정 배터리의 제k번째 시각의 충전상태를 표시한다.
상기 측정방정식 서브 모듈은 피측정 배터리의 평형 기전력, 옴전압강하 및 RC회로 전압에 따라 상기 배터리의 측정방정식을 구축할 수 있고, 상기 측정방정식은 아래와 같이 표시될 수 있다.
Figure pat00017
여기서, 상기 uk는 피측정 배터리의 제k번째 시각의 전압을 표시하고, 상기
Figure pat00018
는 피측정 배터리의 제k번째 시각의 평형 기전력을 표시하며, 상기 평형 기전력과 상기 배터리의 충전상태 사이에는 비선형 관계가 존재하고, 상기 wk는 피측정 배터리의 제k번째 시각의 측정노이즈을 표시한다.
그 후, 상기 모형 구축 서브 모듈은 피측정 배터리의 측정방정식, 상태방정식 및 충전상태의 3차 스프라인 피팅 함수에 따라 종래의 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하고, 상기 구축모형을 통해 피측정 배터리의 임의의 시각의 충전상태를 예측할 수 있다.
본 발명의 실시예에서 제공하는 배터리 충전상태 예측 시스템은, 최적화된 모형 파라미터에 따라 피측정 배터리의 상태방정식을 구축하고, 피측정 배터리의 평형 기전력, 옴전압강하, RC회로 전압에 따라 피측정 배터리의 측정방정식을 구축하며, 측정방정식, 상태방정식 및 피측정 배터리의 충전상태의 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 피측정 배터리의 충전상태 예측 모형을 구축함으로써, 상기 시스템은 보다 과학적이다.
도3은 본 발명의 실시예에서 제공하는 전자기기의 구성을 나타내는 개략도이며, 도3에 도시된 바와 같이, 상기 장치는 프로세서(processor)(31), 메모리(memory)(32) 및 버스(33)를 포함하고, 상기 프로세서(31)와 상기 메모리(32) 사이는 상기 버스(33)를 통해 통신하며; 상기 프로세서(31)는 상기 메모리(32) 중의 프로그램 명령을 호출하여 상술한 각 방법 실시예에서 제공한 방법, 예를 들어, 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 단계; 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 단계; 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계; 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 단계를 포함하는 방법을 실행한다.
본 발명의 실시예는, 비일시적 컴퓨터 판독가능한 저장 매체에 저장되는 컴퓨터 프로그램을 포함하고, 상기 컴퓨터 프로그램은 프로그램 명령을 포함하며, 컴퓨터에 의해 상기 프로그램 명령이 수행되면, 컴퓨터는 상술한 각 방법 실시예에서 제공한 방법, 예를 들어, 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 단계; 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 단계; 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계; 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 단계를 포함하는 방법을 수행하는 컴퓨터 프로그램 제품을 개시한다.
본 발명의 실시예는, 컴퓨터가 상술한 각 방법 실시예에서 제공한 방법, 예를 들어, 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 단계; 상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 단계; 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계; 및 상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 단계를 포함하는 방법을 수행하게 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독가능한 저장 매체를 제공한다.
상술한 전자기기 등 실시예는 예시적인 것으로서, 상기 별도의 부품으로 설명된 장치는 물리적으로 분리될 수 있거나 분리되지 않을 수도 있고, 장치로 나타난 부품은 물리적 장치이거나 물리적 장치가 아닐 수도 있으며, 즉 어느 한 곳에 위치하거나 또는 복수개의 네트워크 요소에 분포될 수도 있다. 실제 수요에 따라 일부 또는 전부의 모듈을 선택하여 본 실시예의 기술방안의 목적을 달성할 수 있다. 해당 기술분야에서 통상의 지식을 가진 자는 창의적인 작업 없이 본 발명을 이해하고 실시할 수 있다.
해당 기술분야에서 통상의 지식을 가진 자는, 상기 실시형태들에 대한 설명을 통해, 각 실시형태는 소프트웨어 및 필요한 범용 하드웨어 플랫폼을 통해 구현될 수 있으며, 하드웨어를 통해 구현될 수도 있음을 명확히 이해할 수 있다. 이러한 이해에 기초하여, 상술한 기술방안은 본질적으로 또는 종래 기술에 기여하는 부분은 소프트웨어 제품 형태로 구현될 수 있고, 컴퓨터 소프트웨어 제품은 ROM/RAM, 자기 디스크, 플롭티컬 디스크 등 컴퓨터 판독가능한 저장 매체에 저장될 수 있으며, 한 대의 컴퓨터 장치(개인용 컴퓨터, 서버 또는 네트워크 장치 등일 수 있음)가 각 실시예 또는 실시예의 일부에 따른 방법을 수행하는 여러개의 명령을 포함할 수 있다.
유의할 것은, 이상의 각 실시예는 본 발명의 실시예에 따른 기술방안을 설명하기 위하여 제시한 것이며, 본 발명을 제한하기 위한 것이 아니다. 상술한 각 실시예를 참조하여 본 발명의 실시예를 상세하게 설명하였으나 해당 기술분야에서 통상의 지식을 가진 자라면 상술한 각 실시예에 기재된 기술방안을 수정하거나, 전부 또는 일부 기술특징을 균등물에 의해 치환될 수 있으며; 이러한 수정 또는 치환은 기술방안의 본질이 본 발명의 실시예의 각 기술방안의 범위를 벗어나지 않음을 이해할 수 있을 것이다.

Claims (10)

  1. 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 단계;
    상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 단계;
    상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계; 및
    상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 단계를 포함하는 것을 특징으로 하는 배터리 충전상태 예측 방법.
  2. 청구항1에 있어서,
    상기 모형 파라미터는,
    상기 배터리의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 포함하는 것을 특징으로 하는 배터리 충전상태 예측 방법.
  3. 청구항1에 있어서,
    상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하는 단계는,
    상기 배터리의 충방전 과정에서의 충전상태 및 개방회로전압을 획득하는 단계; 및
    상기 배터리의 충방전 과정에서의 충전상태 및 개방회로전압에 따라 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축하는 단계를 포함하는 것을 특징으로 하는 배터리 충전상태 예측 방법.
  4. 청구항1에 있어서,
    상기 최적화된 모형 파라미터 및 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 배터리의 충전상태 예측 모형을 구축하는 단계는,
    상기 최적화된 모형 파라미터에 따라 상기 배터리의 상태방정식을 구축하는 단계;
    상기 배터리의 평형 기전력, 옴전압강하, RC 회로전압에 따라 상기 배터리의 측정방정식을 구축하는 단계; 및
    상기 측정방정식, 상기 상태방정식 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 단계를 포함하는 것을 특징으로 하는 배터리 충전상태 예측 방법.
  5. 배터리의 충방전 과정에서의 전압 및 전류를 획득하는 획득 모듈;
    상기 배터리의 충방전 과정에서의 전압 및 전류에 따라 유전 알고리즘을 이용하여 상기 배터리의 2차 RC 등가회로 모형 중의 모형 파라미터를 최적화하여 최적화된 모형 파라미터를 얻는 파라미터 최적화 모듈;
    상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 획득하고, 상기 최적화된 모형 파라미터 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 모형 구축 모듈; 및
    상기 충전상태 예측 모형에 따라 상기 배터리의 충전상태를 예측하는 예측 모듈을 포함하는 것을 특징으로 하는 배터리 충전상태 예측 시스템.
  6. 청구항5에 있어서,
    상기 파라미터 최적화 모듈은, 구체적으로 유전 알고리즘을 이용하여 상기 배터리의 옴 저항, 전기화학적 분극 저항, 전기화학적 분극 전기용량, 농도차 분극 저항 및 농도차 분극 전기용량을 최적화하는 것을 특징으로 하는 배터리 충전상태 예측 시스템.
  7. 청구항5에 있어서,
    상기 모형 구축 모듈은,
    상기 배터리의 충방전 과정에서의 충전상태 및 개방회로전압을 획득하는 획득 서브 모듈; 및
    상기 배터리의 충방전 과정에서의 충전상태 및 개방회로전압에 따라 상기 배터리의 충전상태의 3차 스프라인 피팅 함수를 구축하는 함수 피팅 서브 모듈을 포함하는 것을 특징으로 하는 배터리 충전상태 예측 시스템.
  8. 청구항5에 있어서,
    상기 모형 구축 모듈은,
    상기 최적화된 모형 파라미터에 따라 상기 배터리의 상태방정식을 구축하는 상태방정식 서브 모듈;
    상기 배터리의 평형 기전력, 옴전압강하, RC 회로전압에 따라 상기 배터리의 측정방정식을 구축하는 측정방정식 서브 모듈; 및
    상기 측정방정식, 상기 상태방정식 및 상기 3차 스프라인 피팅 함수에 따라 확장칼만필터링 알고리즘을 이용하여 상기 배터리의 충전상태 예측 모형을 구축하는 모형 구축 서브 모듈을 포함하는 것을 특징으로 하는 배터리 충전상태 예측 시스템.
  9. 메모리 및 프로세서를 포함하고, 상기 프로세서와 상기 메모리 사이는 버스를 통해 서로 통신하며; 상기 메모리는 상기 프로세서에 의해 수행 가능한 프로그램 명령을 저장하고, 상기 프로세서는 상기 프로그램 명령을 호출하여 청구항1 내지 청구항4의 어는 한 항에 기재된 방법을 수행하는 것을 특징으로 하는 전자기기.
  10. 컴퓨터 프로그램이 저장되는 컴퓨터 판독가능한 저장 매체에 있어서,
    상기 컴퓨터 프로그램이 프로세서에 의해 수행되면 청구항1 내지 청구항4의 어느 한 항에 기재된 방법을 구현하는 것을 특징으로 하는 컴퓨터 판독가능한 저장 매체.
KR1020180098428A 2017-12-13 2018-08-23 배터리 충전상태 예측 방법 및 시스템 KR20190070837A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711329195.4A CN109917298A (zh) 2017-12-13 2017-12-13 一种电池荷电状态预测方法和系统
CN201711329195.4 2017-12-13

Publications (1)

Publication Number Publication Date
KR20190070837A true KR20190070837A (ko) 2019-06-21

Family

ID=66696053

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180098428A KR20190070837A (ko) 2017-12-13 2018-08-23 배터리 충전상태 예측 방법 및 시스템

Country Status (5)

Country Link
US (1) US20190178945A1 (ko)
JP (1) JP2019105621A (ko)
KR (1) KR20190070837A (ko)
CN (1) CN109917298A (ko)
WO (1) WO2019114240A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112103580A (zh) * 2020-09-21 2020-12-18 武汉大学 一种基于等效内阻的锂电池充电方法
WO2023158195A1 (ko) * 2022-02-17 2023-08-24 주식회사 엘지에너지솔루션 배터리 관리 장치 및 서버

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110794319A (zh) * 2019-11-12 2020-02-14 河南工学院 预测锂电池阻抗模型的参数的方法、装置及可读存储介质
CN111177992B (zh) * 2019-12-16 2024-03-29 中车工业研究院有限公司 基于电化学理论和等效电路模型的电池模型及其构建方法
CN111551869A (zh) * 2020-05-15 2020-08-18 江苏科尚智能科技有限公司 锂电池低频参数测量方法、装置、计算机设备和存储介质
CN111639425B (zh) * 2020-05-26 2023-06-23 东风汽车有限公司 蓄电池启动性能预测方法、存储介质及电子设备
CN113011082B (zh) * 2021-02-07 2022-07-12 山东大学 一种改进蚁群算法优化粒子滤波的锂电池soc预测方法
CN113036846B (zh) * 2021-03-08 2023-03-17 山东大学 基于阻抗检测的锂离子电池智能优化快速充电方法及系统
CN113075560B (zh) * 2021-04-19 2022-11-18 南京邮电大学 一种动力锂离子电池健康状态在线预估方法
CN113381700B (zh) * 2021-06-29 2024-01-30 哈尔滨工业大学 一种高频无源rc积分放大器的rc参数设计方法
CN113447821B (zh) * 2021-06-30 2023-07-14 国网北京市电力公司 评估电池荷电状态的方法
CN114252771B (zh) * 2021-12-13 2024-05-07 北京经纬恒润科技股份有限公司 一种电池参数在线辨识方法及系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8352204B2 (en) * 2004-12-21 2013-01-08 Battelle Energy Alliance, Llc Method of detecting system function by measuring frequency response
KR100804698B1 (ko) * 2006-06-26 2008-02-18 삼성에스디아이 주식회사 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법
JP5442718B2 (ja) * 2008-05-07 2014-03-12 コミサリア ア レネルジー アトミック エ オ ゼネルジー アルテルナティブ 電池の残存容量の推定方法
WO2010144834A2 (en) * 2009-06-11 2010-12-16 Montana Tech Of The University Of Montana Method of estimating pulse response using an impedance spectrum
JP4689755B1 (ja) * 2010-03-23 2011-05-25 古河電気工業株式会社 電池内部状態推定装置および電池内部状態推定方法
JP5393619B2 (ja) * 2010-08-26 2014-01-22 カルソニックカンセイ株式会社 バッテリの充電率推定装置
FR2975501B1 (fr) * 2011-05-20 2013-05-31 Renault Sas Procede d'estimation de l'etat de charge d'une batterie electrique
CN103293485A (zh) * 2013-06-10 2013-09-11 北京工业大学 基于模型的蓄电池荷电状态估计方法
CN104237791A (zh) * 2013-06-20 2014-12-24 电子科技大学 一种锂电池荷电状态估算方法及电池管理系统和电池系统
US20150349385A1 (en) * 2014-04-01 2015-12-03 Medtronic, Inc. Method and System for Predicting Useful Life of a Rechargeable Battery
KR101767635B1 (ko) * 2014-10-24 2017-08-14 주식회사 엘지화학 이차 전지의 충전 상태 추정 장치 및 그 방법
JP6555773B2 (ja) * 2014-11-18 2019-08-07 学校法人立命館 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム
JP6400205B2 (ja) * 2014-11-28 2018-10-03 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 無線ネットワークに基づく電池管理システム
CN104502858B (zh) * 2014-12-31 2017-07-14 桂林电子科技大学 基于后向差分离散模型的动力电池soc估计方法与系统
CN105301509B (zh) * 2015-11-12 2019-03-29 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN206161820U (zh) * 2016-11-04 2017-05-10 首都师范大学 一种基于扩展卡尔曼粒子滤波的系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112103580A (zh) * 2020-09-21 2020-12-18 武汉大学 一种基于等效内阻的锂电池充电方法
CN112103580B (zh) * 2020-09-21 2022-04-01 武汉大学 一种基于等效内阻的锂电池充电方法
WO2023158195A1 (ko) * 2022-02-17 2023-08-24 주식회사 엘지에너지솔루션 배터리 관리 장치 및 서버

Also Published As

Publication number Publication date
JP2019105621A (ja) 2019-06-27
WO2019114240A1 (zh) 2019-06-20
US20190178945A1 (en) 2019-06-13
CN109917298A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
KR20190070837A (ko) 배터리 충전상태 예측 방법 및 시스템
CN110914696B (zh) 用于在电池的操作期间估计电池开路池格电压、充电状态以及健康状态的方法和系统
Farmann et al. A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles
KR102335296B1 (ko) 무선 네트워크 기반 배터리 관리 시스템
KR102652848B1 (ko) 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치
KR102424528B1 (ko) 배터리의 상태를 추정하는 장치 및 방법
JP6234946B2 (ja) 電池状態推定装置
WO2017000912A2 (zh) 电池健康状态的检测装置及方法
US20190346513A1 (en) Determining a state of health of a battery and providing an alert
WO2017095622A1 (en) Systems and related methods for determining self-discharge currents and internal shorts in energy storage cells
JP2008522152A (ja) バッテリーの状態及びパラメーターの推定システム及び方法
US20240125860A1 (en) Battery Management Device, and Electric Power System
JP2019192517A (ja) 電池情報処理システム、組電池、電池モジュールの容量算出方法、および、組電池の製造方法
EP4333242A1 (en) Battery state estimation device and power system
Li et al. Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach
CN114675188A (zh) 一种电池健康状态信息确定方法、装置及电池系统
Selvabharathi et al. Experimental analysis on battery based health monitoring system for electric vehicle
JP2023515529A (ja) インピーダンス決定によってバッテリシステムを監視するための方法及びバッテリ管理システム
CN110303941B (zh) 一种电池均衡方法、系统、设备以及介质
Gould et al. Novel battery model of an all-electric personal rapid transit vehicle to determine state-of-health through subspace parameter estimation and a Kalman Estimator
Lee et al. Deriving the optimized battery model for battery pack and anomaly detection based on the cloud battery management system
CN113352939A (zh) 剩余电量确定方法、装置、电子设备和存储介质
Kustiman et al. Battery state of charge estimation based on coulomb counting combined with recursive least square and pi controller
Gould et al. Battery health determination by subspace parameter estimation and sliding mode control for an all-electric Personal Rapid Transit vehicle—the ULTra
EP4016099A1 (en) Battery diagnostic apparatus and method

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application