TW201702623A - 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置 - Google Patents

用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置 Download PDF

Info

Publication number
TW201702623A
TW201702623A TW105111821A TW105111821A TW201702623A TW 201702623 A TW201702623 A TW 201702623A TW 105111821 A TW105111821 A TW 105111821A TW 105111821 A TW105111821 A TW 105111821A TW 201702623 A TW201702623 A TW 201702623A
Authority
TW
Taiwan
Prior art keywords
battery
model
state
charge
module
Prior art date
Application number
TW105111821A
Other languages
English (en)
Other versions
TWI708068B (zh
Inventor
馬克 維爾德
克雷格 奧弗
孟尼卡 馬瑞尼斯庫
丹尼爾 奧格
阿巴斯 佛陶希
Original Assignee
歐希斯能源有限公司
帝國創新有限公司
克蘭菲爾德大學
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 歐希斯能源有限公司, 帝國創新有限公司, 克蘭菲爾德大學 filed Critical 歐希斯能源有限公司
Publication of TW201702623A publication Critical patent/TW201702623A/zh
Application granted granted Critical
Publication of TWI708068B publication Critical patent/TWI708068B/zh

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]
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • 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
    • 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
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

用於準確地測定鋰硫電池組、模組或電池之健康狀態(包括充電狀態及相對年紀)的系統及方法。本發明使用一鋰硫電池或電池組的一操作模型來於與充電狀態及健康狀態有關的一定範圍之條件下預測模型參數。操作模型包括因一鋰硫電池的獨特化學所致之記憶效應，其排除了其它方法使用於鋰硫電池組的健康狀態測定。模型參數係於實際壽命應用中識別，及參數係與採用卡爾曼(Kalman)濾波的操作式鋰硫模型的參數作比較。輸出包括健康狀態的一估值及其它關鍵效能指標。關鍵效能指標與例如電阻的測量值作比較來提供回授給估計程序以便改良準確度。系統可於一應用中呈軟體或韌體實施。

Description

用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置 發明領域
大體上本發明係有關於用於決定一二次電池的充電狀態及健康狀態的方法及裝置，該電池對於正常使用中因電池的動態循環所致之容量變化的記憶效應敏感。本發明用在具有鋰硫化學的電池特別有用。本發明也係有關於該等方法於電池管理系統或能源系統控制器中之應用，及應用於電動車的里程探索及路徑探索的裝置及方法之用途。
發明背景
用於例如可攜式電子產品及電動車運輸中作為電源，配備有蓄電池的二次電池之剩餘充電量的可靠的決定能力受到製造商及消費者的高度肯定，以便計算該電動車的剩餘使用時間或可用距離。
以汽油車為例，燃料液面水平能夠簡單地測量，但於電動車及油電混合車及於電子裝置，因使用電池作為 電源故，較難以測量電池組中累積的殘餘能量。儘管有此困難，但已經發展出各項技術。
因此，用於測定二次電池的一項重要量尺為充電狀態SOC，其指示直到需要再充電前儲存於可再充電電池組中之剩餘能量。相反地，放電狀態指示自前次充電算起由該可再充電電池組所提供的能量。
更明確言之，SOC為直到需要再充電前，比較由一電池於該充電週期中所提供的總容量Qt，該電池中剩餘的容量的百分比指標。假設SOC0為於時間t0時的初始SOC百分比，於時間t時電池的SOC百分比定義為： 於該處I為電流，對放電定義為負而充電定義為正，及Qt為電池的最大容量，以Ah表示。
因此為了追蹤及測定SOC，需要設定充電狀態的一初值SOC0。於鋰離子及其它類型的可再充電電池組中，此點通常係參考在電池或電池組放電前的最大開路電壓(OCV)。然而，用於某些電池類型，容後詳述，值得矚目者為鋰硫電池，OCV受到極強力「記憶效應」(亦即磁滯)影響，又稱作「累進記憶效應」，其表示取決於電池的晚近史，最大開路電壓(OCV)可於極為不同的SOC達成。
就此方面而言，鋰硫化學比較其它類型的可再充電電池組提供了獨特的充電狀態估計的挑戰。舉例言之，如圖1中顯示，從鋰硫電池實例的OCV對充電狀態之例示性 作圖可知，如同鋰離子電池般，放電曲線為非線性。取而代之，LiS電池的OCV曲線自100% SOC始，在相對恆定OCV具有一個短容量高平台101，接著快速改變102到具有恆定OCV約2.15V的長型容量「低」平台於103，其繼續直到電池趨近於0% SOC時OCV快速下降104。於103的長型平台有效地排除了直接使用OCV於鋰硫可再充電電池組的可靠SOC測定。
曾經有其它試圖改良初始SOC測定的準確度，包括使用電阻及溫度度量來改良實際應用上的準確度，但甚至如此也無法發揮效用，原因在於鋰硫電池的內部電阻受前述「記憶效應」的強力影響，但在下次放電之前並非經常性地可能將電池回復到已知狀態。
不要求知曉起始容量的另一種已知方法，涉及庫倫計數來決定放電期間使用的能量或充電期間儲存的能量。但鋰於充電期間有寄生反應，表示法拉第效率顯著地低於100%。此種充電期間多硫化物穿梭溶解於電解質，避免了過充，但排除了庫倫計數於SOC測定中的使用，使得庫倫計數用於LiS電池為無效。
US 7,688,075 B2揭示使用經校正的鋰硫電池及於各種溫度及壽命從標準電池上的全面性實驗室研究所得SOC相較於電阻之與內嵌詢查表的線性交互關聯。此種方法運用鋰硫電池化學的一項獨特特徵，不似鋰離子電池，其造成放電期間電阻的可預測的且徐緩的改變。此種方法仰賴藉錐狀充電測定於100% SOC的電池之電阻，充電至最 大電壓，然後減低電流維持該電壓，直到電流等於預定恆定最小電流為止。如此提供了於明確界定的條件下之SOC的精準度量。
發明概要
發明人已經認知前述方法並未將鋰硫化學的另一項獨特特徵考慮進去，亦即於動態使用條件下，因活性種類於使用中變成暫時無活性所致，參數Qt於寬廣範圍內改變。
不似鋰離子電池組，此種機制為活性陰極材料(硫)溶解於電解質。針對任何充電週期於100% SOC的最大容量(Qt)或放電狀態(SOD)係由陰極內的活性硫轉換成硫化鋰加上來自先前週期的電解質內剩餘的中間產物之轉換測定。來自先前週期的電解質中的中間產物之濃度係由溫度、充電/放電速率及先前週期的充電或放電深度(亦即操作條件)決定。
如此，為了獲得於動態或實際壽命系統中為既精確又準確的健康狀態，發明人已經認知健康狀態的計算上需將電池過去史一併考慮。
此處，健康狀態SoH為一優值，其組合了儲存於一可再充電電池組中的剩餘能量與，就日曆壽命及/或週期壽命而言，可再充電電池組使用上相對於可再充電電池組之剩餘壽命的老化效應。
更明確言之，SoH為，比較該電池的該總額定容 量QT，於任何給定充電週期中最大可用容量(以安培-小時Ah測量)的百分比指標，Qusable(亦即針對該週期的Qt，補償暫時無活性種類，及選擇性地也補償永久性無活性種類)。
對鋰硫電池的關注已經提高，原因在於其有利的能量密度及低成本材料，減輕了可攜式裝置的負載及擴展了電動車的里程。鋰硫電池典型地係使用質量輕的組件製造成各種囊袋電池格式，給行動電氣裝置及電動車的業界現況提供了優異的理論能量密度。因此，期望提供可靠地測定二次電池諸如鋰硫電池的充電狀態及健康狀態的方法及裝置，該電池對因正常使用中的動態循環所致的容量變化之記憶效應敏感。
本發明已設計用於前文脈絡。
如此，有鑑於第一面向本發明提出用於模型化一二次電化學電池的一充電狀態SOC之裝置，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該裝置包含：一電池模型模組可操作用以，基於代表該電池的該內部狀態之一模型其針對全部充電狀態SOC交互關聯該電池之一終端電壓與該電池之一操作條件，預測於使用中的該電池的該等電氣特性；一記憶效應模組可操作用以，基於代表該電池中的活性反應物種類之量的該變化的一記憶體模型，模型化於使用中的該電池的該可用的容量，該記憶體模型基於該電池之一操作史將該電池的該額定容量Qt於使用期間為可用容量Qusable的該比例交互關聯；其中該裝置係經組配使得該電池模型模組及/或記憶效 應模組基於該電池之一操作史來調整於使用中的該電池模型模組用以補償由該記憶效應模組對該電池的該可用容量之該預測。
依據本發明之此一面向，提供基於電池晚近操作史而模型化該電池的該可用活性容量及可據此用以調整電池模型模組的一記憶效應模組，導致用於模型化一電池的充電狀態之裝置可補償因動態週期循環造成因活性種類於使用中變成暫時及/或永久性無活性所致的電池容量的改變。如此，可產生該電池的內部狀態之一可靠的模型，可考慮於真實世界之使用情況下電池於寬廣操作範圍的操作表現。
電化學電池可具有鋰硫化學。另外，經模型化的電池可具有另一種化學其患有所謂的記憶效應，藉此容量可能因活性反應物種類於使用中變成無活性所致而損耗。。
選擇性地，該電池的該操作條件包括下列中之一或多者：該電池的一終端電壓；該電池之一被視同開路電壓；該電池上之一電流負載；該電池之一溫度；該電池之一內部電阻。
選擇性地，代表該電池之該內部狀態的該模型為等效電路網路模型包含多個模型化電氣元件，該等效電路網路模型係藉該等效電路網路模型之該等組成電氣元件的該等性質而被參數化。該等效電路網路模型包含一電壓源，串聯表示為RC對的一歐姆電阻及一或多個擴散電阻。選擇性地，該等效電路網路模型係藉該電池之一被視同開 路電壓而被取作為電壓源，及該等歐姆及擴散電阻的該等參數化性質係經選擇為，於一給定電流負載及溫度下，於一給定充電狀態，將該電路的該電壓降至該電池的該終端電壓而模型化該電池表現。等效電路網路(ECN)為能夠被參數化來模型化於使用中的該電池的表現之一特別有效的模型。
替代ECN，可使用其它模型。選擇性地，代表該電池的該內部狀態的該模型為參數化以物理學為基礎的電池模型。
選擇性地，該裝置進一步包含一參數值資源經組配用以於該給定操作條件針對該電池的該模型化表現提供該電池模型模組值給該電池模型的該等參數是有用的。選擇性地，針對該電池模型的該等參數值係取決於該電池之已模型化充電狀態。選擇性地，針對該電池模型的該等參數值係基於標準電池之測試經驗上或半經驗上推衍。選擇性地，針對該電池模型的該等參數值係儲存於一參數值資源內，選擇性地一詢查表。
選擇性地，代表於該電池中的活性反應物種類之量的該變化的該記憶體模型追蹤於該電池中的一活性反應物之量及/或於該電池中的一暫時無活性反應物之量及選擇性地於該電池中的一永久無活性反應物之量。選擇性地，代表於該電池中的活性反應物種類之量的該變化的該記憶體模型包含一集合的規則有關於該電池的該等反應物種類的該等不同表現、於該等不同表現中之該等反應物種 類的該等量、於充電及放電期間反應物種類參與其中的該等不同表現的該等反應、及其反應速率。選擇性地，該等經模型化的反應速率係藉下列中之一或多者參數化：該電池的該等操作條件；反應物種類的該等不同表現之該等經模型化的量；該電池的該內部狀態；於使用中的該電池的該等電氣特性。選擇性地，針對該等經模型化的反應速率之該等參數化值係藉針對該電池的理論預測推衍，或基於標準電池的測試經驗上或半經驗上匹配或推衍。
選擇性地，代表於該電池中的活性反應物種類之量的該變化的該記憶體模型為一簡化實體模型，其將該電池的該等反應物種類分組為三組表示高級表現、中級表現、及低級表現，及其中該模型將該電池的該充電及放電曲線劃分成一高平台及低平台，及在該等高-至-中級表現間之反應優勢主導該高平台，及在該等中-至-低級表現間之反應優勢主導該低平台。選擇性地，該記憶體模型假設，當該電池終端電壓落至低於該等高與低平台間之一邊界位準時，在該等高-至-中級表現間之該等反應不會發生，結果導致反應物的高級表現之一剩餘量變成被視為暫時無活性及無法貢獻給該電池的該剩餘容量。於某些情況下，此種簡化實體模型充分考慮了於動態使用期間電池容量的變化。
選擇性地，該記憶效應模組係經組配用以，給定由該記憶體模型加以模型化的該電池史，基於該電池中之該活性反應物種類之量，針對一給定集合的操作條件而模型化該電池的該可用容量Qusable。
選擇性地，該裝置係經組配用以基於由該記憶效應模組對該電池的該可用容量之一預測而調整於使用中的該電池模型模組，係經由調整該參數值資源來提供參數值用以補償於該電池的可用容量的該損耗。選擇性地，該參數值資源係經組配用以使用對應於一給定低電流充電或放電速率針對該電池模型的該等參數值作為一基準線參數集合，及其中該裝置係經組配用以調整該參數值資源使得當該終端電壓降至低於該邊界電壓時，該參數值資源跳過該等基準線參數值用以從對應於該低平台的該相同終端電壓之該相同歐姆電阻值繼續，其中該被跳過的容量表示因暫時無活性種類所致的該容量損耗。
有鑑於第二面向，本發明提出用於估計一二次電化學電池於使用中之一充電狀態SOC之裝置，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該裝置包含：一電池操作條件監視器模組經組配用以接收於使用中的該電池的該等操作條件之度量；一電池模型模組可操作用以，基於代表該電池的該內部狀態之一模型其針對全部充電狀態SOC交互關聯該電池之一終端電壓與該電池之一操作條件，預測於使用中的該電池的該等電氣特性；一記憶效應模組可操作用以，基於代表該電池中的活性反應物種類之量的該變化的一記憶體模型，模型化於使用中的該電池的該可用的容量，該記憶體模型基於該電池之一操作史將該電池的該額定容量Qt於使用期間為可用容量Qusable的該比例交互關聯；其中該裝置係經組配使得該電 池模型模組及/或記憶效應模組基於該電池之一操作史來調整於使用中的該電池模型模組用以補償由該記憶效應模組對該電池的該可用容量之該預測；一狀態估計器模組經組配用以基於由該電池操作條件監視器模組於使用期間接收的該電池的該等操作條件的該等度量來操作該電池模型模組及該記憶效應模組而估計於使用中的該電池的一內部狀態；及一充電狀態估計器模組經組配用以基於該電池的該經估計的內部狀態來操作該電池模型模組而估計該電池之一充電狀態。
依據本發明之此一面向，用於模型化該電池的該充電狀態的裝置可應用來可靠地估計於使用中的該電池的充電狀態，於其中藉電池模型模組對該電池的該內部狀態的估計係經調整來補償，由於記憶效應模組基於其晚近操作史而追蹤該電池的該可用容量的結果，因該電池的動態循環所致之容量變異的記憶效應。
電化學電池可具有鋰硫化學。另外，經模型化的電池可具有另一種化學其患有所謂的記憶效應，藉此容量可能因活性反應物種類於使用中變成無活性所致而損耗。
選擇性地，該充電狀態估計器模組係進一步經組配用以提供該電池的該健康狀態的一估值為該電池的該經模型化可用容量Qusable對該電池的該額定容量Qt之一比。
選擇性地，該狀態估計器模組係經組配用以藉由操作為一迭代回授迴路來細化於各個時間間隔的該經估計的狀態，於其中於該先前時間間隔到該目前時間間隔基於 朝向該電池的該經估計的內部狀態投射的該電池模型，該電池的該內部狀態之一預測係基於該電池的該經測得的操作條件而經校正來更新該電池的該目前內部狀態的該估值。選擇性地，該狀態估計器模組係經組配為一卡爾曼(kalman)型濾波器，選擇性地為一卡爾曼濾波器、一擴充型卡爾曼濾波器、一無跡卡爾曼濾波器、一粒子濾波器、或一龍伯格(Luenberger)狀態估計器。選擇性地，該狀態估計器模組係經組配用以操作一預測誤差最小化技術來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。選擇性地，該狀態估計器模組係經組配用以解一集合的模糊邏輯規則來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。卡爾曼型濾波器的使用在獲得該電池的該充電狀態之平順的準確的估計上特別有效，該點係藉一校正-估計迴路提供回授而予改良，且可全然避免詢查表儲存經驗上-或理論上-推衍的參數值之需要。
選擇性地，藉於使用中的該電池操作條件監視器模組接收的該電池的該等操作條件的該等度量包括：該電池的一終端電壓；該電池上的一電流負載；及選擇性地該電池的一溫度；及選擇性地該電池的一內部電阻。
選擇性地，該電池模型模組及該記憶效應模組係由依據本發明之第一面向前文陳述中之任一者提供。
選擇性地，該裝置進一步包含電池操作條件度量構件包括：一終端電壓感測電路；及一電流負載感測電路； 及選擇性地：一電池內部電阻感測電路包含一切換電路包括一平衡電阻器；及一溫度感測器。
選擇性地，該裝置進一步包含一或多個處理器及電腦可讀取媒體儲存指令，其當由一或多個處理器執行時，使得該處理器或該等處理器實行依據本發明的前文陳述中之任一者的裝置。
選擇性地，針對該電池模型表示該電池的該內部狀態之該等參數值係，藉預測誤差最小化技術，從測試電池資料於使用中的模型或於該等參數值的憑經驗推衍識別。選擇性地，該預測誤差最小化技術界定一純量匹配函數。
有鑑於第三面向，本發明提出一種包含多個電池或用於耦合至多個電池的能源系統控制器的電池組管理系統，其包含：依據本發明的前文陳述中之任一者的裝置經配置用以估計該等多個電池於使用中的充電狀態SOC及選擇性地健康狀態SoH。用於模型化或估計一電池的該充電狀態之裝置之使用在提供一電池組的多個電池中的剩餘電荷或容量的一輸出指示的電池管理系統或能源系統控制器特別有用。
有鑑於第四面向，本發明提出用於估計一電動車的一里程之裝置，該電動車包含多個二次電化學電池經配置用以供電給該車輛，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該裝置包含：依據本發明的第二或第三面向根據前文陳述中之任一者的裝置經組配用以 操作以估計於使用中的該等電池的一充電狀態及一剩餘容量；及一里程估計模組經組配用以基於使用中的該等電池的該充電狀態及一剩餘容量之估計及於該車輛內於使用中的該等電池的該等經預測的操作條件來估計該電動車之一里程。根據此一面向，使用估計一電池的一充電狀態之裝置允許可靠地估計電動車的一里程。
有鑑於第五面向，本發明提出用於針對一電動車規劃一路徑之裝置，該電動車包含多個二次電化學電池經配置用以供電給該車輛，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該裝置包含：依據本發明之第四面向前文陳述用於估計一電動車的一里程的裝置；及一路徑規劃模組經組配用以至少部分地基於由該里程估計模組根據遵循該路徑的該等電池的該等經預測的操作條件所產生的該電動車之一估計里程來規劃朝向一期望目的地的一路徑。根據此一面向，對電動車使用可靠的里程估計可輔助路徑規劃。
選擇性地，該裝置進一步包含一路徑優化模組用於從由該路徑規劃模組所規劃的多個路徑中選出朝向一目的地的一最佳路徑。
有鑑於第六面向，本發明提出包含指令之電腦可讀取媒體，該等指令當由一或多個處理器執行時，使得該處理器或該等處理器實行依據本發明的前文陳述中之任一者的裝置。
有鑑於第七面向，本發明提出一種用於產生一二 次電化學電池的一模型之方法，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該模型係可操作用以，基於代表該電池的該內部狀態之一模型其針對全部充電狀態SOC交互關聯該電池之一終端電壓與該電池之一操作條件，預測於使用中的該電池的該等電氣特性，其中表示該電池的該內部狀態的該模型為一等效電路網路模型包含多個模型化電氣元件，該等效電路網路模型係藉該等效電路網路模型之該等組成電氣元件的該等性質而予參數化，該方法包含：針對全部充電狀態SOC跨該電池的該操作條件之範圍產生代表於使用中的該電池的該表現之資料；基於代表於使用中的該電池的該表現之該所產生的資料，呈該充電狀態的一函數識別該等效電路模型的該等參數，其造成該等效電路具有電氣特性其產生該等效電路模型的一表現對應於代表於使用中的該電池的該表現之該所產生的資料。
雖然前述本發明之面向陳述有關用於電池的ECN模型的使用方法，但須瞭解此點並非限制性也非本發明之主要特徵。可使用其它電池模型，包括以物理學為基礎的電池模型及高保真模型，如同使用ECN模型，其可經參數化及用來模型化於使用中的該電池的表現。
電化學電池可具有鋰硫化學。另外，經模型化的電池可具有另一種化學其患有所謂的記憶效應，藉此容量可能因活性反應物種類於使用中變成無活性所致而損耗。
選擇性地，該等效電路網路模型包含一電壓源串 聯表示為RC對的一歐姆電阻及一或多個擴散電阻，其中該電壓源的該電壓，及該歐姆電阻及RC對的該電阻及電容將該等效電路模型予以參數化。
選擇性地，該電池的該操作條件包括下列中之一或多者：該電池之一終端電壓；該電池之一視同開路電壓；該電池上之一電流負載；該電池之一溫度；該電池之一內部電阻。
選擇性地，針對全部充電狀態SOC跨該電池的該操作條件之範圍產生代表於使用中的該電池的該表現之資料包括，使用該電池的一高保真實體模型針對不同的操作條件於該電池的不同充電狀態，預測該電池的一終端電壓表現。
選擇性地，針對全部充電狀態SOC跨該電池的該操作條件之範圍產生代表於使用中的該電池的該表現之資料包括：於一範圍之不同工作條件下受控地測試該經模型化電池的該設計之標準電池的該表現包括：接收於不同充電/放電速率及溫度及充電狀態該電池的終端電壓之度量；及選擇性地接收於不同充電/放電速率及溫度及充電狀態該電池的內部電阻之度量。選擇性地，於一範圍之不同工作條件下受控地測試該經模型化電池的該設計之標準電池的該表現包括：於設定的放電速率施加電流脈衝至該電池及留下該等脈衝間之一緩和時間足夠允許該電池的終端電壓返回一開路電壓。選擇性地，受控地測試該經模型化電池的該設計之標準電池的該表現進一步包括：始於該測 試電池的一視同完全充電狀態及前進至施加該等電流放電脈衝直到該電池的終端電壓降至低於用來校準針對該測試電池的一完全放電狀態的一預定位準為止。選擇性地，產生代表於使用中的該電池的該表現之資料進一步包括：在各個脈衝間於該緩和期的該結束時取該電池的終端電壓作為於該充電狀態該電池的該開路電壓。選擇性地，呈該充電狀態的一函數識別該等效電路模型的該等參數包含：使用於該充電狀態該電池的開路電壓來識別於該充電狀態針對該等效電路網路模型的該電壓源之該參數值。選擇性地，呈該充電狀態的一函數識別該等效電路模型的該等參數包含：使用於一電流脈衝的該開始於該電池的終端電壓中之該瞬時降來識別於該充電狀態針對該等效電路網路模型的該歐姆電阻成分之該參數值。選擇性地，呈該充電狀態的一函數識別該等效電路模型的該等參數包含：使用從該瞬時電壓降繼續於該電池的終端電壓中之該徐緩降來識別對該充電狀態貢獻給該等效電路網路模型的該擴散電阻成分該等RC對之該等電阻及電容的參數值。
選擇性地，該方法進一步包含使用一預測誤差最小化技術來細化基於代表於使用中的該電池的該表現之該所產生的資料而識別的代表於使用中的該電池的該內部狀態之該電池模型之該等參數值。
選擇性地，該方法進一步包含於一參數值資源中儲存針對該等效電路網路模型之該等經識別的參數值用於模型化跨該範圍之該電池的操作條件於全部充電狀態該電 池的該表現，其中該參數值資源選擇性地為一詢查表。
選擇性地，該方法進一步包含將針對該電路模型之該等經識別的參數值帶入取決於該充電狀態的函數。選擇性地，該等參數值係呈充電狀態之一函數而儲存於一參數值資源。
有鑑於第八面向，本發明提出一種產生具有一鋰硫化學的一二次電化學電池之一記憶體模型的方法，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該模型可操作來預測，該記憶體模型可操作用以於使用中追蹤於該電池中的一活性反應物之量及/或於該電池中的一暫時無活性反應物之量及選擇性地於該電池中的一永久無活性反應物之量，該方法包含：建立一集合之規則係有關於該鋰硫電池化學之該等反應物種類之該等不同表現、於該等不同表現中之該等反應物種類之該等量、於其中反應物種類之該等不同表現於充電及放電期間參與的反應、及其該等反應速率；藉下列中之一或多者參數化該等經模型化的反應速率：該電池的該等操作條件；反應物種類之該等不同表現的該等經模型化的量；該電池的該內部狀態；於使用中的該電池的該等電氣特性；及藉下列步驟識別針對該等經模型化的反應速率之該等參數化值：基於一高保真實體模型針對該電池的理論預測；或基於標準電池之測試經驗上或半經驗上匹配或推衍該等參數值。
選擇性地，代表於該電池中的活性反應物種類之量的該變化的該記憶體模型為一簡化實體模型，其將該電 池的該等反應物種類分組為三組表示高級表現、中級表現、及低級表現，及其中該模型將該電池的該充電及放電曲線劃分成一高平台及低平台，及在該等高-至-中級表現間之反應優勢主導該高平台，及在該等中-至-低級表現間之反應優勢主導該低平台。選擇性地，該記憶體模型假設，當該電池終端電壓落至低於該等高與低平台間之一邊界位準時，在該等高-至-中級表現間之該等反應不會發生，結果導致反應物的高級表現之一剩餘量變成被視為暫時無活性及無法貢獻給該電池的該剩餘容量。
有鑑於第九面向，本發明提出一種用於估計具有一鋰硫化學的一二次電化學電池的一充電狀態SOC之方法，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該方法包含：接收於使用中的該電池的該等操作條件之度量；藉下列步驟估計於使用中的該電池的一內部狀態：使用一電池模型模組來模型化該電池，該電池模型模組基於代表該電池的該內部狀態的一模型，其針對全部充電狀態SOC將該電池的一終端電壓與該電池的一操作條件交互關聯，而估計該電池的該等電氣特性；基於代表因活性反應物種類於使用中變成暫時無活性的一量變化所致的該電池中之活性反應物種類之量的該變化之一記憶體模型，預測於使用中的該電池的該可用容量，其中該記憶體模型基於該電池的一操作史，將該電池的該額定容量Qt其於使用期間為可用容量Qusable的比例交互關聯，藉此考慮因活性反應物種類於使用中變成暫時無活性所致的該 電池之可用容量的可逆變化；基於該電池的一操作史，調整於使用中的該電池模型模組來補償由該記憶效應模組對該電池的該可用容量的該預測；及估計該電池模型的該內部狀態組配其匹配所接收的該電池的該等操作條件之度量；及基於已模型化的該電池的該內部狀態組配，估計電池的該充電狀態SOC。
選擇性地，該方法進一步包含：估計該電池的該健康狀態為該電池的該經模型化可用容量Qusable對該電池的該額定容量Qt之一比。
選擇性地，該方法進一步包含：藉由操作為一迭代回授迴路來細化於各個時間間隔的該電池的該經估計的內部狀態，於其中於該先前時間間隔到該目前時間間隔基於朝向該電池的該經估計的內部狀態投射的該電池模型，該電池的該內部狀態之一預測係基於該電池的該經測得的操作條件而經校正來更新該電池的該目前內部狀態的該估值。
選擇性地，該方法進一步包含：使用一卡爾曼型濾波器，選擇性地為一卡爾曼濾波器、一擴充型卡爾曼濾波器、一無跡卡爾曼濾波器、一粒子濾波器、或一龍伯格狀態估計器來估計於各個時間間隔的該電池的該經估計的內部狀態。
選擇性地，該方法進一步包含：使用一預測誤差最小化技術來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。
選擇性地，該方法進一步包含：解一集合的模糊邏輯規則來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。
選擇性地，藉於使用中的該電池操作條件監視器模組接收的該電池的該等操作條件的該等度量包括：該電池的一終端電壓；該電池上的一電流負載；及選擇性地該電池的一溫度；及選擇性地該電池的一內部電阻。
選擇性地，該方法係於一電池管理系統包含多個電池或用於耦合至多個電池的能源系統控制器操作。
有鑑於第十面向，本發明提出一種用於估計一電動車的一里程之方法，該電動車包含多個二次電化學電池經配置用以供電給該車輛，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該方法包含：執行依據本發明之第九面向前文陳述中的方法用以估計於使用中的該等電池的一充電狀態及一剩餘容量；基於使用中的該等電池的該充電狀態及一剩餘容量之估計及於該電動車內於使用中的該等電池的該等經預測的操作條件來估計該車輛之一里程。
有鑑於第十一面向，本發明提出一種用於針對一電動車規劃一路徑之方法，該電動車包含多個二次電化學電池經配置用以供電給該車輛，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該方法包含：執行依據本發明之第十面向前文陳述中的方法用以估計一電動車的一里程；及至少部分地基於由該里程估計模組根據遵循 該路徑的該等電池的該等經預測的操作條件所產生的該電動車之一估計里程來規劃朝向一期望目的地的一路徑。選擇性地，該方法進一步包含從由該路徑規劃模組所規劃的多個路徑中選出朝向一目的地的一最佳路徑。
101-104‧‧‧OCV曲線
300‧‧‧裝置
301‧‧‧記憶體
302‧‧‧控制器
303‧‧‧依電性記憶體、終端電壓感測電路
304‧‧‧電流計、電流負載感測電路
305‧‧‧電阻感測器、電池內部電阻感測電路
306‧‧‧溫度感測器
400‧‧‧電池操作條件度量構件、電池操作條件監視器模組
401‧‧‧開關
402‧‧‧平衡電阻器
403‧‧‧電池
511‧‧‧程式邏輯、SOC模型
512‧‧‧參數值資源
513‧‧‧操作史
521‧‧‧處理器
522‧‧‧RAM
531‧‧‧SOC模型
532‧‧‧電池模型模組
533‧‧‧記憶效應模組
534‧‧‧電池狀態估計器
535‧‧‧SOC估計器模組
1501-1504、1801-1806‧‧‧方塊
1700、2300‧‧‧方法
1701-1706、2301-2304‧‧‧步驟
C1-2‧‧‧電容器
Cp‧‧‧電容
Em‧‧‧電池電位
Qt‧‧‧額定容量
Rusable‧‧‧可用容量
R0-2‧‧‧電阻器
Ro‧‧‧歐姆電阻
Rp‧‧‧電阻
SoC‧‧‧充電狀態
SoH‧‧‧健康狀態
V1-2‧‧‧電壓
Vcell‧‧‧電池電壓
Voc、Vocv‧‧‧開路電壓
Vt‧‧‧終端電壓
現在將僅藉舉例說明及參考附圖描述本發明之面向的某些較佳實施例，附圖中：圖1為針對一鋰硫電池實例將OCV對充電狀態作圖的一例示性放電曲線；圖2為一線圖例示呈放電速率及溫度之函數，一鋰硫電池實例的歐姆電阻對放電程度(亦即1-SOC)之徐緩變化；圖3為依據本發明之一具體實施例用於估計SOC及SOH的一裝置的示意例示；圖4為一簡化電路圖例示電池操作條件度量構件及內部電阻感測電路的操作；圖5為依據本發明之一具體實施例用於估計SOC及SOH的一裝置的示意例示，其中該控制器及記憶體係以進一步細節顯示；圖6a為電壓相對於時間之作圖及圖6b為電流相對於時間之作圖顯示得自使用一測試LiS電池的一ECN模型參數化實驗的實驗性測試結果實例；圖7a及7b顯示用於LiS電池之表現的簡單等效電路網路模型；圖8a及8b分別顯示針對圖6中顯示的一電流脈衝，電流 負載對時間及測試LiS電池的終端電壓對時間的細節；圖9a及9b分別顯示呈於10℃的SOC之函數及0.1C電流放電速率之參數化值R1及R2；圖10顯示針對0.1C恆定電流放電速率經ECN預測的實驗放電曲線，及針對0.2C恆定電流放電速率的放電曲線之標準實驗資料；圖11a例示如圖11b顯示的進行動態週期循環的一相同電池的容量變化，圖11b顯示針對前饋脈衝、脈衝、及後饋脈衝週期的電池電壓對時間；圖12a顯示針對0.1C及0.5C放電速率如由一簡單記憶體模型指示的對RO讀取一詢查表；圖12b針對藉簡單記憶體模型調整的ECN作圖該等模型化的放電曲線；圖13顯示藉簡單記憶體模型調整的由ECN電池模型預測的放電曲線用來預測Qt隨不同電流放電速率之變化；圖14顯示針對不同放電速率得自調整針對0.1C的RO值之讀數的比較性RO作圖；圖15顯示針對鋰硫電池一般形式等效電路模型之一例示；圖16a-d顯示於一預測誤差最小化方法中於不同放電位準該電池的電壓之經評估的RMSE值，連同經識別的參數值；圖17例示依據本發明之一實施例充電狀態/健康狀態估計方法之一實例； 圖18顯示使用一操作該等效電路模型及卡爾曼濾波，即時SOC/SOH估計的一示意例示；圖19顯示使用一簡單卡爾曼濾波器作為狀態估計器用於參數估計及解譯的一系統架構實例；圖20顯示使用一非線性卡爾曼濾波器作為狀態估計器用於參數估計及解譯的一系統架構實例；圖21顯示使用多重假說濾波器作為狀態估計器用於參數估計及解譯的一系統架構實例；圖22顯示使用模糊邏輯作為狀態估計器用於參數估計及解譯的一系統架構實例；圖23顯示使用一簡化等效電路針對從0.5%至2% SOC增量的各種預測範圍之預測結果；及圖24為一流程圖例示依據本發明的面向之一實施例一種用於估計電動車的一里程及規劃一路徑之方法。
較佳實施例之詳細說明
雖然後文詳細說明部分係特別有關鋰硫電池陳述本發明之實施例，但須瞭解本發明也可運用於其它電池化學，特別透過動態負載及週期循環(亦即一週期期間的可變電流、變化溫度、及充電及放電的變化深度)，其中電池的可用容量因活性種類於使用中變成暫時無活性所致而改變者。因鋰硫電池具有此種記憶效應，故本發明用於正常使用條件下可靠地模型化與估計鋰硫電池的充電狀態及健康狀態為特別有用。
與其它常用電池組系統相反，鋰硫電池中之活性材料於放電期間從陰極溶解入電解質內，於該處進行複雜的交互轉換成具有可變的電化學活性及安定性的多種中間產物種類，該程序於充電時逆轉。如圖2顯示，電解質組成的改變造成電阻的逐漸改變，其可用以指示於穩態的已校準系統中的SOC，如已公開的美國專利案US 7,688,075 B2描述。但中間產物種類的可逆溶解並非100%有效，充電或放電結束時電解質中剩餘的中間產物種類之濃度隨著充電/放電速率、溫度及放電或充電深度(在下一個充電/放電週期開始之前)而異。此等種類產生可變內部電阻，及因此單獨內部電阻並非鋰硫電池的SOC之可靠的預測因子。
對於任何充電或放電，針對該週期的最大可用容量Qt(亦即Qusable)係由陰極內可用的硫轉化成硫化鋰加上於電化學反應中電解質內進行的中間產物種類之濃度改變組成。電解質內中間產物種類之濃度的改變可以是正及負，且受其它因素影響，諸如電池材料、擴散速率、及活性材料降解速率，如此，相對充電狀態取決於先前週期的累進史。鋰硫電池經驗了於動態負載下的記憶效應。於真實壽命動態系統中可能經驗快速變化中的溫度、放電速率、及充電速率、以及充電及放電的可變深度，單獨前置校正SOC估計器無法獲得相對於電池電阻於「100% SOC/SOD」條件Qt的良好估值，原因在於「100% SOC/SOD」狀態係取決於使用期間電池經驗的實際環境及操作條件，而後者又依溶解於電解質內的中間產物種類之濃度決定。
為了達成此點，本發明提出用於模型化與估計電池其為「記憶效應知曉」的SOC及SOH的裝置。該模型使用電池或電池組的獨特環境史以便基於模型預測來識別該電池或電池組的電流狀態。
疊合在週期對週期SOC記憶效應上者為時間及週期數目推衍的降解方法，其不可逆地減少反應可用的活性硫種類之量及或降解電池材料而減低可用的活性硫種類的利用率。經由呈自實驗推衍的時間及週期數之函數減少可用的活性材料來考慮SOH。
為了測定鋰硫電池組的充電狀態及健康狀態，使用，運用一模型及針對在動態負載下操作的一鋰硫電池收集的累進史資料，估計鋰硫電池的終端電壓的裝置及方法。
參考圖3，用於估計一電池的健康狀態的裝置300包括一記憶體301用以儲存使用中的電池已經暴露的累積操作條件而給控制器302運用。裝置300耦合至使用中的鋰硫電池(於圖中未顯示)且係經組配用以估計其SOC及SOH。於此一實施例中，該裝置進一步包含電池操作條件度量構件包括：一終端電壓感測電路303；及一電流負載感測電路304；一電池內部電阻感測電路305包含一切換電路包括一平衡電阻器；及一溫度感測器306。此等構件經配置用以測量或計算電池上的電流負載、電池上的終端電壓、電池的內部電阻之度量、及電池之溫度及/或周圍溫度且輸入控制器302。
參考圖4，以進一步細節顯示電池操作條件度量 構件400。此處，電池的內部電阻係於使用中即時定期測量，藉由計算來自藉切換(使用開關401)一平衡電阻器402所加諸的一電流脈衝計算而得，以便給該裝置提供以使用中的電池403之測量得的內部電阻之直接回授。於實施例中，控制器302可根據電池的內部狀態的估值而提供使用中之電池的內部電阻的一估值。藉由比較此估值與使用電池內部電阻感測電路305所得的內部電阻之度量，電池的內部狀態之控制器的模型可使用正向回授調整。
依據本發明之面向，如於圖5中顯示，控制器302具體實行一種裝置(亦即於本實施例中的SOC模型531)用以模型化一電池(例如，LiS電池)的充電狀態及健康狀態。特別，控制器302包含用於執行電腦可讀取指令的處理器521，及RAM 522。
依據本發明之面向，記憶體301儲存程式邏輯511，其當由控制器302(特別處理器521)執行時使得控制器302實行了用於模型化及估計電池的SOC/SOH的裝置。
更明確言之，處理器521於RAM 522具體實行了一SOC模型531，藉由模型化於其操作範圍內的操作表現，用以模型化電池403的充電狀態及健康狀態。
此點可藉SOC模型531達成，該模型包含一電池模型模組532其可操作用以，基於表示電池的內部狀態的一模型(諸如等效電路網路(ECN)或基於物理學的電池模型)其針對全部充電狀態SOC將電池的終端電壓與電池的操作條件交互關聯，來預測使用中之電池的電氣特性。於ECN 模型的實例中，電池模型係藉等效電路網路模型的組成電氣元件的性質加以參數化。針對ECN的參數值自儲存於記憶體301內的一參數值資源512提供給電池模型模組532，該記憶體301經組配用以給電池模型模組提供針對ECN電池模型的參數值用於在給定操作條件時該電池的模型化表現。如此，針對一集合的給定操作條件及一SOC，可獲得針對ECN的參數值。為了產生參數值用以形成電池403的電池模型，針對該電池模型的參數值係基於標準電池測試而實驗性地或半經驗性地推衍。針對該電池模型的參數值係取決於經模型化的電池之充電狀態。選擇性地，參數值資源512為一詢查表。
SOC模型531也包括一記憶效應模組可操作用以，基於表示電池中之活性反應物種類的數量變化之一記憶體模型，來模型化該使用中之電池的可用容量，該記憶體模型將該電池的額定容量比例Qt與基於儲存於記憶體301的電池操作史513於使用期間的可用容量Qusable交互關聯。該記憶體模型追蹤電池中之活性反應物數量及/或電池中之暫時無活性反應物數量(表示因電池的動態使用及負荷所致之容量的暫時變異)及選擇性地，電池中之永久無活性反應物數量(表示電池的容量之永久損耗)。該記憶體模型包含一集合的規則攸關電池之反應物種類的不同表現、在該等不同表現中之反應物種類數量、其中於充放電期間該等反應物種類的不同表現參與的反應、及其反應速率。已模型化的反應速率係由下列中之一或多者加以參數化：反 應物種類的不同表現之模型化數量；電池的內部狀態；使用中之電池的電氣特性。針對模型化反應速率之參數化值係藉針對電池的理論預測推衍，或係基於標準電池測試而實驗性地或半經驗性地匹配或推衍。
為了考慮記憶體對使用中之電池的容量變異的效應，SOC模型531係經組配用以基於電池的操作史來調整使用中之電池模型模組532，用以補償由記憶效應模組對電池的可用容量之預測。此項調整可由電池模型模組532及/或記憶效應模組533執行。
如此，SOC模型531一旦形成，可被用以模型化電池於其操作範圍的內部狀態及操作表現，甚至將記憶效應一併列入考慮。
然而，於使用中，SOC模型531可用來以下述方式估計電池的SOC。
程式邏輯511也造成處理器521在RAM 522具體實現一電池狀態估計器534經組配用以，基於使用期間由電池操作條件監視器模組400所接收的該電池之操作條件的度量來估計使用中之電池的內部狀態，操作電池模型模組532及記憶效應模組533。一旦電池狀態估計器534已經使用SOC模型531估計電池403的內部狀態，一SOC估計器模組535，其可以是或可以不是電池狀態估計器模組534的一子組件，係經組配用以基於經估計的電池的內部狀態來估計電池的一充電狀態而操作電池模型模組532。此點係藉參考參數值資源512，使用針對ECN模型的估計參數決定SOC而 予達成。
雖然前述實例指出，藉較為通用處理器521諸如CPU核心基於儲存於記憶體301中的程式邏輯，本發明組件之經軟體驅動的具體實施例，但於替代實施例中，某些本發明組件可部分內嵌為經預先組配的電子系統或內嵌式控制器及電路，使用例如特定應用積體電路(ASIC)或可現場程式規劃閘陣列(FPGA)，其可藉內嵌式軟體或韌體部分組配，具體實施為可規劃邏輯裝置。
用於形成SOC模型531的裝置300及用於模型化與估計一電池的SOC的電池狀態估計器534之特定實施例將容後詳述。於其各種實施例中，本發明提出用於精準及正確測定鋰硫電池組、模組、或電池的充電狀態及健康狀態之裝置及方法。於實施例中，裝置300提供作為包含多個電池或能源系統控制器用於耦合至多個電池的電池管理系統的部件。
產生電池模型模組-等效電路實例
首先針對電池產生等效電路模組，其針對電池的各個SOC(亦即100%至0%)呈電流及溫度之函數而交互關聯終端電壓V。此點係使用標準電池測試設備達成，用以自相同類型的標準電池來產生測試資料，隨後使用LiS電池的高保真實體模型來分析或預測。輸出係用來參數化等效電路模組，參數值係取決於SOC。參數值及模型係內嵌於包含多個電池的電池管理系統或能源系統控制器。
當進行實驗測試時，此點係用以觀察在不同工作 條件下電池的表現，諸如充電或放電速率(亦即比較於一給定時框將遞送額定容量的放電/充電電流，該放電/充電電流之比)及溫度。各個測試資料包括時間、加諸電流、電池終端電壓及溫度。如於圖6b中顯示，於一典型測試方法中，相對於時間施加至電池的電流負載，有恆定幅值的連續放電電流脈衝施加至電池，及測量電池的終端電壓。如圖可知，於該測試實例中，施加具有1C放電速率的86個連續電流放電脈衝，各自接著600秒的休息。
如從圖6a可知，該圖顯示相對於時間LiS電池的終端電壓，測試電池始於完全充電2.8-2.1V，及繼續直到電池的終端電壓降至低於0.5V至2.1V的預先界定的截止電壓為止。取樣率可在0.1秒至12小時間改變。
於實驗測試資料的收集中，針對電池的終端電壓，各個電流脈衝接著有足夠緩和時間(1秒至100小時)用以回到開路電壓VOC及/或穩態。
針對一等效電路網路，然後選擇一模型結構其以運算複雜度提供彈性用以匹配實驗性資料平衡的符合優度。針對LiS電池的表現之一簡單模型實例顯示於圖7a，其中終端電壓Vt之產生方式係經由電池提供其開路電壓VOCV，串聯由一或多個具有電阻Rp及電容Cp的RC對所提供的歐姆電阻Ro及擴散電阻。此例之相當例顯示於圖7b取開路電壓作為電壓源，串聯由RC對-Rn、Cn-所提供的歐姆電阻Ro及擴散電阻。
然後LiS電池的等效電路網路模型由等效電路網 路模型的組成電氣元件的性質-亦即開路電壓及歐姆電阻及擴散電阻-加以參數化。參數化例如使用測試資料中觀察得的表現進行。
模型參數化方法之一個實例取開路電壓VOCV作為可能來源，其值係藉SOC界定，SOC係藉電流亦即已界定的模型輸入決定。模型結構中之RC對之數目可增加來改良模型與實驗資料間之吻合。模型的目的係為了，結定於特定溫度的一特定輸入電流，呈時間之函數預測跨電路的總電壓降。提供開路電壓-Rn及Cn，此值可經求出。因鋰硫電池中之開路電壓並非真正OCV，其係等於2.15V±0.1V，為了用於模型目的，在各個緩和期結束的電池電位Em取作為OCV。
現在參考圖8a及8b，其針對圖6中顯示的一電流脈衝分別顯示電流負載對時間，及測試LiS電池之終端電壓對時間的細節。如於圖8b中顯示，藉由測量施加電流脈衝時的即刻電壓降，或解除電流脈衝時的即刻電壓升，可從實驗資料直接計算或參數化串聯歐姆電阻R0。即刻電壓變化係推定為等效電路模型的歐姆電阻成分的結果，及用以計算歐姆電阻成分。
推定造成延遲電阻，導致圖8b顯示的電池電壓之彎曲變化的擴散電阻成分之其餘Rn及Cn值為未知。在電流脈衝結束之後使用緩和期曲線中之資料，下述參數化處理係用以將等效電路網路模型匹配至輸出實驗資料來決定該等值。
數學上地，跨等效電路網路的電位差根據如下關係式，等於開路電壓減跨IR0歐姆電阻及RC對擴散電阻(以兩對RC對為例V1及V2)的電壓降：V=E m -IR 0-V 1-V 2
跨RC對中之各者的電位降係由下述關係式主控：
因此於脈衝期間電池電壓由下式給定：
於該處Vn(0)為跨RC對的初始電壓，於各個脈衝之始假設為零。緩和期間電壓係由下式給定：
於該處V n (0)=IR n 為前一個脈衝結束時的電位，其可假設電容器被完全充電求出。
針對未知Rn、Cn參數的匹配程序使用非線性最小平方技術或適當的替代方案，最小化模型與實驗間的誤差平方之全部資料點的和：
於該處i歷經放電曲線中之全部資料點的範圍。該值使用信賴-區域反射演算法或適當替代方案而予最小化。
在使用實驗測試資料估計用於ECN模型的全部參數之後，針對各個SOC為RC分支電阻及電容形成詢查表，資料使用最佳匹配曲線擬合而平滑化，如於圖9a及9b中顯示，其分別顯示於10℃及0.1C的電流放電速率，呈SOC之函數R1及R2的參數化值。十字表示參數估計結果，及該線為最佳匹配曲線。
詢查表可儲存於依據本發明之工作SOC/SOH估計器中作為參數值資源512，其係用以產生標準測試LiS電池的表現模型，而不考慮任何記憶損耗效應。
曲線的匹配參數及方程組例如係根據下列匹配多項式產生：
取決於匹配的曲線形式，二或多個多項式可用以匹配曲線的不同部分。只使用單一多項式匹配該等曲線不合實際的情況下如此係有用的，因而可使用二或多個多項式的組合。
於該處詢查表保有方程組對SOC的參數。於參數化之後，實驗性及預測的恆定電流放電曲線可經作圖，如於圖10中顯示(其顯示針對0.1C放電速率的經ECN預測的及 實驗性放電曲線，及針對0.2C放電速率的標準放電曲線之實驗性資料)來驗證該模型。
為了解模型方程組，使用庫倫計數來決定於特定解時間步驟之參數值，使用內插法以決定詢查表內的任何需要的中間值。方程組經解出來判定當時的總電位降。
產生記憶效應模組
然後，由等效電路網路模型產生的詢查表由鋰硫記憶效應模型修改，以便基於電池的先前史及於特定週期期間可能的環境條件而調整Qt。先前充電/放電事件及其條件(溫度及電流幅值)影像溶解於電解質內的物質種類之濃度，因而可能導致電池的瞬時串聯電阻的顯著變化，如於圖11中可觀察得，於該處可觀察得Qt的變異，電池容量預饋脈衝實驗為Ca 2.5Ah，及第一週期後饋脈衝實驗的容量減至Ca. 2Ah，但隨後週期的容量回復到Ca. 2.8Ah。詳言之，圖11a例示進行動態週期循環的相同電池之容量變化，如於圖11b中顯示，其顯示針對預饋脈衝、脈衝饋送、及後饋脈衝週期的電池電壓。於相同溫度及電流的相同電池週期循環獲得2.5Ah的容量。然後接受經模擬的動態放電及充電。次兩個接續週期顯示2Ah的首先較低容量，接著為2.8Ah的較大容量，驗證於動態負載下的可逆容量變化，及對電流變異有複雜的反應。
動態週期循環後的Qt變化為記憶效應的表徵。
為了擷取此種記憶效應及其對充電估計狀態的影響，使用提供電池模型的等效電路模型以外的但與其連 結的一模型，此乃於記憶效應模組533中實施的記憶體模型。
記憶體模型保持追蹤於電池的不同表現中存在的硫材料量：目前活性反應物及產物，及暫時無活性種類，允許當預測SOC時欲監視及補償的因記憶效應所致的該電池之可用容量的暫時變化。
該模型也可擴大來包括因活性材料損耗所致的降級，藉由涵括進一步表現-多硫化物材料的表現使得針對SOH考慮永久地為無活性，允許當預測SOC時欲監視及補償的因反應物不可逆性損耗所致的該電池之可用容量的永久減少。
如此，記憶體模型允許依據本發明之SOC估計裝置及方法基於存在有多少活性反應物種類(Qusable)而提供SOC，而其仍然可有用地促成Qt。健康狀態係由Qusable/Qt=0判定，於該處Qt=0為電池的起始容量。
遍歷電池壽命針對任何給定電流負載，藉由於此等不同表現中監視硫的數量，記憶體模型有效地追蹤電池的充電狀態。其與一等效電路模型或任何類型的模型其擷取沈澱/溶解、氧化還原反應及擴散通過電解質的動力學之任何類型的模型具有協同增效性。
為了針對一給定電池產生及操作LiS模型，開始時，施加至LiS電池的夠低電流情況可取作為參考充電/放電效能，即使並非代表電池的使用亦復如此。於此種情況下，記憶體模型指示此種參考資訊用於任何實際電流負載下預 測/監視電池的充電狀態之方式。
一集合之硫種類連同其參與的反應被投射成用於充電及/或放電的一集合規則(方程組)。反應可以是電化學及化學兩者。電池的電壓計算為同時進行的全部電化學反應的平衡電壓，作為針對各個容許反應的透過能恩斯特(Nernst)方程組實例。硫材料從一種表現轉換成其它表現的速率係由不同反應的速率給定，但也由流經的電流量、溫度、及反應物量相較於產物量給定。反應速率係經預測、匹配、或經實驗推衍。數學上，此種效應可描述為藉解出巴特勒-佛瑪(Butler-Volmer)方程組或類似者用以擷取各種反應物對電池內部的總離子電流的貢獻。結果，於各個表現中的材料之瞬時數量係取決於電池的過去史，及造成電池電壓及串聯電阻取決於該瞬時數量。
於記憶體模型的一個簡化版本中，活性材料呈現三種可能的表現：高級、中級、及低級多硫化物。高-至-中級反應優勢主導了較高操作電壓，產生了高級平台，而中-至-低級反應決定了低級平台。於放電期間，當電池處在低級平台電壓時若高級多硫化物仍然存在，則其不會(或推定不會)反應，如此變成暫時無活性。
針對低電流脈衝放電的串聯電阻被視為與溶解於電解質的中級多硫化物之量成比例。於本簡化記憶體模型中，只有三個硫表徵。結果，於低平台中，屬於中級多硫化物的活性材料的比例指示電池的剩餘容量，而於高平台中，則由高及中級多硫化物兩者指示。
有鑑於本簡化記憶體模型，現在將描述一種可能的機制用以於自參數值資源512(亦即詢查表)取回參數值中調整電池模型的操作，用以補償電池模型用來使得活性反應物種類藉記憶體模型而予模型化成暫時無活性。
如前述，電池的電壓係於ECN模型中以電壓源(Em，開路電壓)減跨電路中的RC組件的電壓降獲得。例如： 於該處
由於此種辦法的結果，於一電流負載之下，電池電壓Vcell到達對應低平台區域之值，儘管Em對應高平台區域。Vcell與Em間之差隨著電流負載而增加。一旦Vcell到達預先界定的邊界Vb(高與低平台間之邊界電壓)時，未反應的高級多硫化物被儲存為無活性物或休眠，而根據低平台中的支配反應，中級多硫化物開始朝向低級多硫化物反應。
針對此點的補償係藉來自針對RO的等效電路模型的詢查表在使用中被讀取。在使用中，若電池電壓變成低於高平台與低平台間的邊界電壓，亦即Vcell Vb，則發現RO作圖上的位置對應於低級平台中的相同RO值(溶解等量的中級多硫化物)，如圖12a的虛線箭頭指示。當基於記憶體模型補償時，模型化容量的此項調整效果係顯示於圖12b，其針對由記憶體模型調整的ECN作圖模型化放電曲線。詳言之，圖12a顯示針對RO讀取詢查表為如由針對0.1C及0.5C放電速率的簡單記憶體模型指示。針對0.1C放電曲線，使用參考詢查表(因為此表對應夠低電流)。但可知於 0.5C時，於該處電池電壓降至低於高平台與低平台間之邊界電壓，要求使用詢查表來考慮於較高電流放電的影響機制，如由點線箭頭指示(亦即，自作圖讀取RO值跳到在RO作圖的向下斜坡上的對應RO值)。如於圖12b中可知，結果，比較於0.1C放電，於0.5C只有約1.3Ah暫時容量耗損。
由點線箭頭指示的容量軸上的跳躍值取作為經由高級多硫化物的失活化的暫時損耗容量。
如圖14所示，該圖顯示針對不同的放電速率(0.5C及1C)調整得自針對0.1C的ECN電池模型的RO值之讀取所得的比較性RO作圖，電流愈高，則暫時損耗的容量愈多。
簡化記憶體模型係藉將Vb高平台與低平台間之邊界帶入而予參數化，該邊界可從低電流、恆定電流放電估計。如於圖13中顯示，此種簡化記憶體模型能夠用來調整電池模型而預測Qt隨電流的變化。
於記憶體模型的另一個更複雜變化中，如表1中顯示的與電子流的存在獨立無關的反應添加至模型，連同所需足夠的額外狀態集合，其表示於多硫化物串的不同還原階段之活性及無活性材料。涵括於模型中的種類數目係經選擇為最少數目以適當描述鋰硫電池的性能，但通常包括氧化還原反應、化學交互轉換，諸如分子、離子、及基團的締合及解離及其任何平衡組合。
根據如上程序建構一集合的方程組。本模型的參數化要求考慮反應及反應物種類的電化學參數，諸如於Assary et al,J Phys.Chem C 118(2014)中可得者，否則參數可經預測或帶入實驗資料。
藉預測誤差最小化(PEM)參數化
比較前述方法更加運算上價廉及因此能夠用來例如即時識別應用內部的模型參數(以及針對電池模型的產生之實驗測試資料中識別參數)的電池及記憶體模型產生及參數化之替代方法為預測誤差最小化。
為了識別電池模型的參數值，電池模型的參數(針對參數值資源512)係從應用(亦即電池操作條件度量構 件400)供給的輸入例如藉預測誤差最小化(PEM)(或合宜替代方案)識別。
藉PEM的識別程序含有三個主要部分：1)模型結構選擇；2)參數帶入模型；及3)識別誤差最小化。現在循序描述此等部分。
1)模型結構選擇
首先，使用串聯及或並聯的電容器與電阻器的組合選擇一等效電路。圖15顯示用於鋰硫電池的等效電路模型之一般形式的圖解。此處可知通用模型包括合宜開路電壓節段1501作為從實驗測試資料供給的或從LiS電池的高保真實體模型模擬的電壓源，其考慮如前述老化效應及穿梭效應。開路電壓可由串聯及或並聯的電容器與電阻器的額外等效電路進一步修改，用以涵括Li-S電池的特異性記憶效應1502及自行放電1503。然後一串聯RC電路呈電流負載I及溫度T之函數針對充電及放電的一般趨勢調整電壓源。模型結構須經選擇以平衡準確度及計算複雜度。然後該模型輸出SOC、SOH、電池的內部電阻R、及終端電壓Vt之預測。圖7表示最基本實例。
2)參數帶入模型
匹配標準經選擇來帶入模型參數(亦即電壓源、歐姆電阻及擴散電阻成分值)。一個辦法實例為識別程序。判定電池模型參數使得達到測量得的終端電壓(得自實驗或應用資料)與電池模型輸出間之最小差值。模型參數向量(θ)經判定使得如下定義的預測誤差(ε)為最小化。
於該處y(tk)為於時間k時的電池輸出及為使用參數θ於時間k時的輸出之預測值。預測誤差取決於參數向量，故須施加迭代最小化程序。結果，純量匹配函數被最小化如下：
3)識別誤差最小化
選定一識別誤差最小化演算法，一個辦法實例為於該處一電池的終端電壓估計的平均誤差係使用如下定義的均方根誤差(RMSE)標準計算。 於該處Vt為測量得的電池的終端電壓，為電池模型輸出，及N為Vt的長度，以秒表示。圖16d顯示於不同充電位準的RMSE值，連同分別於圖16a、16b及16c中之RO、RP及CP的經識別的ECN模型參數值。
使用卡爾曼型濾波器，即時電荷狀態估計方法
參考圖17，例示依據本發明之一實施例電荷狀態估計之一方法1700實例。
首先，於步驟1701，電流、電壓及溫度係於動態負載期間使用電池操作條件度量構件400於使用中測量，及於步驟1702，此等儲存於記憶體，於該處用以更新反映出記憶體中電池的操作史513之一狀態向量。然後於步驟1701測量得的操作條件連同儲存於表中的先前循環條件(例 如，充電-放電速率及溫度)的累積史而於步驟1703輸入到內嵌式等效電路模型或作為操作史513中的狀態向量。然後於步驟1703，例如藉PEM方法預測模型參數(使用電池模型模組532)。
然後，於步驟1704，自鋰硫電池的一操作模型，藉實驗推衍的或預測的詢查表連同於步驟1705輸出的系統之測量參數諸如電壓、溫度及電阻估計(使用記憶效應模組533)健康狀態。於步驟1706，此等估計得的輸出可用於回授迴路，藉由比較估計得的資料與實際測量資料來於步驟1707即時提高參數估計的準確度。
不似鋰硫常見電池類型的類似系統，等效電路模型額外考慮鋰硫電池中的獨特記憶效應，其取決於溫度及充放電速率的累進效應而改變充電或放電上的最大容量Qt。
記憶體知曉模型係部署於應用程式的軟體或韌體，使得充電狀態及健康狀態估計並不仰賴標準電池的廣泛校準或大量測試資料。
確實，依據本發明之另一個實施例，包括於動態負載下的記憶效應之鋰硫化學的獨特特性之特定模型係自實驗資料產生。一等效電路模型(或任何替代模型，諸如任何基於物理學的電池模型，半經驗性或全經驗性)係在呈軟體或韌體的應用程式內部實現為即時內嵌式系統的一部分。目前等效電路網路模型參數係使用針對參數識別及卡爾曼型濾波的相同辦法即時連續地識別，諸如擴充型卡爾 曼濾波器、無跡卡爾曼濾波器、粒子濾波器、龍伯格(Luenberger)狀態估計器(觀察器)或任何其它狀態觀察器或狀態估計器變化例來提供電池狀態估計器534。如應用需要指示，演算法更新速率及數值精度係對處理器成本作折衷。
此種使用卡爾曼型濾波器作為狀態估計器的具體實施之一實例係例示於圖18，顯示使用操作等效電路模型及卡爾曼濾波的即時SOC/SOH估計的示意圖。此處於1801，電流負載I、溫度T、及終端電壓V之測量值係於動態負載期間接收自電池操作條件度量構件400。如前述於1802，此等值被發送至記憶體於該處用以更新例如，表示電池的歷史操作條件的狀態向量，及然後於1803，發送至ECN狀態估計器模組534。於卡爾曼濾波器之預測步驟中，此一狀態估計器534係用來基於電流狀態、SOC模型531、及目前操作條件而在未來的給定時階預測內部電池狀態。於該未來時階接收自電池操作條件度量構件400的測量值然後用於卡爾曼濾波器的校正步驟。首先，預期測量值係於1804藉ECN觀察模型調整於1803預測的ECN狀態而產生。然後於針對ECN的統計適應模型中與於1805的實際測得的操作條件作比較，使用卡爾曼增益，判定一統計適應值，其用於1806的後處理來基於觀察得的電池表現而校正得自ECN模型的目前電池狀態之預測，及其於1807隨後回授給記憶體來以迭代方式調整及改良ECN模型。演算法架構可以多種方式實施。部署架構實例顯示於圖19-22。
最簡單者顯示於圖19，使用卡爾曼型濾波器來估 計或識別一等效電路網路模型的電流參數，參數估值對從鋰硫電池模型產生的參數詢查表解譯來估計目前健康狀態(SoH)及充電狀態(SOC)。
於圖20顯示的更複雜形式中，非線性卡爾曼濾波器可用於等效電路模型及其相關聯的記憶效應之非線性狀態估計。如於圖21中的架構顯示，其中簡化包括多個假說濾波器，其使用相對簡單狀態估計器，及然後基於預測誤差而選擇最可能的SOC或SoH。如圖22顯示，使用模糊邏輯的一架構也可採用於狀態估計及藉結合對記憶效應之瞭解的Li-S模型訓練。
於此種情況下，無需資料庫，模型的參數經連續調整。給定例如得自電池操作條件度量構件400的電壓、電流及溫度的即時輸入，該電池模型可用來預測電池的終端電壓。
預測模型的準確度係對線上模型識別的運算努力平衡。為了線上預測，該模型須針對期望的預測水平以常規間隔更新。預測水平愈低則準確度愈高。若無更新延遲，則RMSE將等於如上識別模型。圖23顯示使用簡化等效電路自0.5%至2% SOC增量針對各種預測水平的預測結果。於該實例中，當平均RMSE自13mV增至24mV時，預測水平從1%增至2% SOC，減低了運算努力達50%。基於SOC選擇預測水平，使得更新速率係與車輛的動力需求率成正比。
依據本發明之一個實施例，鋰硫特定詢查表或演 算法係儲存於電池管理系統或能源系統控制器，整合於電池系統或在應用系統內部作為軟體或韌體。使用鋰硫化學的獨特特性之特異性軟體模型，詢查表包括自實驗資料而參數化的於動態負載下的記憶效應。一模型的使用係指等效電路模型(或任何替代模型，諸如任何基於物理學的電池模型、半經驗性或全經驗性)。此等詢查表將於各種溫度及電流的電池電阻及電壓相對於Qt交互相關(100% SOC或100% SOD)，決定何時終端電壓到達預定截止電壓。於「100% SOC/SOD」狀態的Qt係從存在於電池的預測可用活性材料決定，該資訊係從已儲存的電池累進史、模組或電池的先前充電/放電速率、充電/放電深度及溫度輪廓資料推衍，以便準確地預測針對目前充電或放電循環的最大充電或放電容量。回授係使用電池平衡電阻器藉由測量電流、電壓、及計算的電阻提供。電池阻抗係透過平衡電阻器的切換測量。藉由切入及切出一電池平衡電阻器，將連續電流脈衝加諸電池，測量電池的終端電壓。當應用程式為閑置時，於任何充電狀態進行測試。取樣率可在0.1秒至60分鐘間改變。各個電流脈衝接著有足夠緩和時間(1秒至60秒)讓電池終端電壓回到開路電壓VOC及/或穩態。藉此方式，狀態估計並不要求廣泛校正，及基於動態負載下應用期間擷取的資料可即時更新。
依據本發明之另一實施例，本模型係部署於即時電池管理系統或能源系統控制器中。本模型的典型形式可以是詢查表，其基於多個輸入而回送模型參數，包括SOC、 電流幅值、溫度及針對全部條件要求高量測試資料。
給定放電/充電特性的類似趨勢，此種針對SOH估計的終端電壓預測辦法通常適用於多個電池類型。此種辦法可用於任何電池化學及設計。也是一種自包括鋰硫電池的全部複雜特徵的實體模型到更簡單內嵌式模型的耦合高保真預測的方法，因要求的運算努力減少所致，其參數能在一應用用途的電池管理系統或能源系統控制器內部即時識別。高保真預測模型可自描述鋰硫電池暴露於外部刺激之效能的基本物理理論的第一原理發展。此等模型預測化學、材料、電池建造、電池設計及操作條件的效應。鋰硫電池的高保真物理模型的輸出考慮諸如穿梭及降級機制等特徵用以改良SOH估計。藉此方式，高保真模型可用於針對一定範圍的實驗條件參數化較簡單的內嵌模型連同施加的電流及溫度以便預測健康狀態、電阻、電壓及所得溫度。該內嵌式模型係用來，即時或異地給定電池的操作史(例如，電流及溫度輪廓資料)，預測無法直接測量的內部狀態或虛擬狀態(諸如SOH及SOC)。
如從前述可知，依據本發明於裝置內嵌式等效電路模型(或其它模型類型，諸如基於物理學的或經半經驗性物理學啟發的模型，包括全經驗性電池模型)中，藉由涵括由將中間產物種類溶解於電解質帶來的記憶效應，連同鋰硫電池特異的自行放電、穿梭及其它老化機轉的效應，及檢測電流、溫度、內部電阻來提供回授，可即時及於動態循環條件下檢測系統的SOH。此種軟體/韌體解決方案可經 實施而無需增加額外獨立式裝置到電池管理系統用於狀態估計。
如從後文描述將瞭解，提供前述裝置及方法用於可靠地估計患有記憶效應的電池諸如LiS電池的充電狀態及健康狀態給至少部分由該等電池供電的電動車(EV)的一電池管理系統或能源系統控制器，允許關聯電動車的使用進行改良的里程估計及路徑規劃。此點係參考圖23例示，現在將進行參考。
於一具體實施例中，因此一種估計電動車的里程及規劃路徑之方法2300包括，於步驟2301，執行如前述方法來估計充電狀態及使用中之電池的剩餘容量。
然後，於步驟2302，該方法進一步包括基於充電狀態及使用中之電池的剩餘容量的估值而估計電動車的一里程。
然後，於步驟2303，該方法進一步包含至少部分地基於所估計的電動車之里程而規劃朝向期望目的地的一路徑，該估計的電動車之里程係藉里程估計模組基於遵循該路徑的電池之預測操作條件而產生。此點可使用路徑規劃演算法進行，於2304該演算法適用於由路徑規劃模組規劃自多個路徑，優化朝向一目的地的一路徑，該規劃係基於沿該等路徑的車輛估計里程，及選擇性地其它資訊諸如沿該等路徑的再充電點或換電池點。此外，因剩餘容量的估計可基於車輛中使用中之電池的預測操作條件，例如在一給定預測路徑，針對該路徑上的一給定駕駛人的駕駛風 格，針對該路徑上的給定環境條件等，該里程估計及路徑規劃演算法例如可於此等因素迭代重複解出，來給該駕駛人推薦到達一給定目的地欲遵循的最佳路徑。典型地，路徑選擇將基於保留完成一給定旅程需要的容量而被優化，但另外，可給予較大權值來優化完成一旅程的速度，或其它標準。
雖然已經連結被視為最實用的且較佳實施例描述本發明，但須瞭解本發明並不限於所揭示之實施例及附圖，反而相反地，預期涵蓋落入於隨附之申請專利範圍的精髓及範圍內的各種修改及變化。如依據本發明描述各型電路及裝置可用來實現測量系統。須瞭解此乃例示性，不背離本發明之精髓及範圍，熟諳技藝人士可做出各種修改。本發明係僅受後文申請專利範圍所限。
300‧‧‧裝置
301‧‧‧記憶體
302‧‧‧控制器
303‧‧‧依電性記憶體、終端電壓感測電路
304‧‧‧電流計、電流負載感測電路
305‧‧‧電阻感測器
306‧‧‧溫度感測器

Claims (78)

  1. 一種用於模型化一具有一鋰硫化學的二次電化學電池的一充電狀態SOC之裝置，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該裝置包含：一電池模型模組，其可操作用以基於代表該電池的該內部狀態之一模型來預測於使用中的該鋰硫電池的該等電氣特性，該代表該電池的該內部狀態之模型係針對全部充電狀態SOC交互關聯該電池之一終端電壓與該電池之一操作條件；一記憶效應模組，其可操作用以，基於代表因該等活性反應物種類於使用中變成暫時無活性的一量之變化所致的該電池中的活性反應物種類之量的該變化的一記憶體模型，來模型化於使用中的該鋰硫電池的該可用的容量，其中該記憶體模型基於該電池之一操作史來預測該電池的該額定容量Qt於使用期間為可用容量Qusable的該比例，該記憶效應模組藉此考慮因活性反應物種類於使用中變成暫時無活性所致之該電池的可用容量之可逆性變化；其中該裝置係經組配使得該電池模型模組及/或記憶效應模組基於該鋰硫電池之一操作史來調整於使用中的該電池模型模組用以補償由該記憶效應模組對該電池的該可用容量之該預測。
  2. 如請求項1之裝置，其中該電池的該操作條件包括下列 中之一或多者：該電池之一被視同開路電壓；該電池上之一電流負載；該電池之一溫度；該電池之一內部電阻。
  3. 如請求項1或2之裝置，其中代表該電池之該內部狀態的該模型為一等效電路網路模型，該等效電路網路模型包含多個模型化電氣元件，且該等效電路網路模型係藉該等效電路網路模型之該等組成電氣元件的該等性質而被參數化。
  4. 如請求項3之裝置，其中該等效電路網路模型包含一電壓源串聯表示為RC對的一歐姆電阻及一或多個擴散電阻。
  5. 如請求項4之裝置，其中該等效電路網路模型係藉該電池之一被取作為電壓源之被視同開路電壓及該等歐姆及擴散電阻的參數化性質而模型化該電池表現，該等參數化性質係經選擇以使得於一給定電流負載及溫度下，於一給定充電狀態，將該電路的該電壓降至該電池的該終端電壓。
  6. 如請求項1或2之裝置，其中代表該電池的該內部狀態的該模型為一參數化之以物理學為基礎的電池模型。
  7. 如請求項3至6中任一項之裝置，其進一步包含一參數值資源，其係經組配用以有用於在給定操作條件下針對該電池的該模型化表現提供該電池模型模組值給該電池模型的該等參數。
  8. 如請求項7之裝置，其中針對該電池模型的該等參數值係取決於該電池之已模型化充電狀態。
  9. 如請求項7或8之裝置，其中針對該電池模型的該等參數值係基於標準電池之測試經驗上或半經驗上推衍。
  10. 如請求項7、8或9之裝置，其中針對該電池模型的該等參數值係儲存於一參數值資源內，選擇性地係儲存於一詢查表。
  11. 如請求項1至10中任一項之裝置，其中代表於該電池中的活性反應物種類之量的該變化的該記憶體模型追蹤於該電池中的一活性反應物之量及/或於該電池中的一暫時無活性反應物之量及選擇性地於該電池中的一永久無活性反應物之量。
  12. 如請求項11之裝置，其中代表於該電池中的活性反應物種類之量的該變化的該記憶體模型包含：一規則的集合，該等規則係有關於該電池的該等反應物種類的該等不同表現、於該等不同表現中之該等反應物種類的該等量、於充電及放電期間反應物種類參與其中的該等不同表現的該等反應及其反應速率。
  13. 如請求項12之裝置，其中該等經模型化的反應速率係藉下列中之一或多者而被參數化：該電池的該等操作條件；反應物種類的該等不同表現之該等經模型化的量；該電池的該內部狀態；於使用中的該電池的該等電氣特性。
  14. 如請求項12或13之裝置，其中針對該等經模型化的反應速率之該等參數化值係藉針對該電池的理論預測推衍，或基於標準電池的測試經驗上或半經驗上匹配或推 衍。
  15. 如請求項12、13或14之裝置，其中代表於該電池中的活性反應物種類之量的該變化的該記憶體模型為一簡化實體模型，其將該電池的該等反應物種類分組為表示高級表現、中級表現及低級表現之三組，且其中該模型將該電池的該充電及放電曲線劃分成一高平台及低平台，且該模型假設：在該等高-至-中級表現間之反應優勢主導該高平台，且在該等中-至-低級表現間之反應優勢主導該低平台。
  16. 如請求項15之裝置，其中該記憶體模型假設，當該電池終端電壓落至低於該等高與低平台間之一邊界位準時，在該等高-至-中級表現間之該等反應不會發生，結果導致反應物的高級表現之一剩餘量變成被視為暫時無活性及無法貢獻給該電池的該剩餘容量。
  17. 如請求項11至16中任一項之裝置，其中該記憶效應模組係經組配用以，給定由該記憶體模型加以模型化的該電池史，基於該電池中之該活性反應物種類之量，針對一給定集合的操作條件而模型化該電池的該可用容量Qusable。
  18. 如請求項11至17中任一項之裝置當依附於請求項8至11中之任一項時，其中該裝置係經組配用以基於經由調整該參數值資源來提供參數值用以補償於該電池的可用容量的該損耗以由該記憶效應模組對該電池的該可用容量之一預測，來調整於使用中的該電池模型模組。
  19. 如請求項18中當依附於請求項4及16時之裝置，其中該參數值資源係經組配用以使用對應於一給定低電流充電或放電速率針對該電池模型的該等參數值作為一基準線參數集合，且其中該裝置係經組配用以調整該參數值資源使得當該終端電壓降至低於該邊界電壓時，該參數值資源跳過該等基準線參數值，以從對應於該低平台的該相同終端電壓之該相同歐姆電阻值繼續，其中該被跳過的容量表示因暫時無活性種類所致的該容量損耗。
  20. 一種用於估計一具有一鋰硫化學的二次電化學電池於使用中之一充電狀態SOC之裝置，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該裝置包含：一電池操作條件監視器模組，其經組配用以接收於使用中的該鋰硫電池的該等操作條件之度量；一電池模型模組，其可操作用以基於代表該電池的該內部狀態之一模型來預測於使用中的該鋰硫電池的該等電氣特性，代表該電池的該內部狀態之模型其針對全部充電狀態SOC交互關聯該電池之一終端電壓與該電池之一操作條件，；一記憶效應模組，其可操作用以，基於代表因該等活性反應物種類於使用中變成暫時無活性的一量之變化所致的該電池中的活性反應物種類之量的該變化的一記憶體模型，來模型化於使用中的該鋰硫電池的該可用的容量，其中該記憶體模型基於該電池之一操作史來 預測該電池的該額定容量Qt於使用期間為可用容量Qusable的該比例，該記憶效應模組藉此考慮因活性反應物種類於使用中變成暫時無活性所致之該電池的可用容量之可逆性變化；其中該裝置係經組配使得該電池模型模組及/或記憶效應模組基於該鋰硫電池之一操作史來調整於使用中的該電池模型模組用以補償由該記憶效應模組對該電池的該可用容量之該預測；一狀態估計器模組，其經組配用以基於由該電池操作條件監視器模組於使用期間接收的該鋰硫電池的該等操作條件的該等度量，來操作該電池模型模組及該記憶效應模組，而估計於使用中的該電池的一內部狀態；及一充電狀態估計器模組，其經組配用以基於該電池的該經估計的內部狀態來操作該電池模型模組，而估計該鋰硫電池之一充電狀態。
  21. 如請求項20之裝置，其中該充電狀態估計器模組係進一步經組配用來以提供該電池的該健康狀態的一估值，該估值為該電池的該經模型化可用容量Qusable對該電池的該額定容量Qt之一比。
  22. 如請求項20或21之裝置，其中該狀態估計器模組係經組配用以藉由操作為一迭代回授迴路來細化於各個時間間隔的該經估計的狀態，於該迭代回授迴路中於該先前時間間隔到該目前時間間隔基於朝向該電池的該經估 計的內部狀態投射的該電池模型，該電池的該內部狀態之一預測係基於該電池的該經測得的操作條件而經校正來更新該電池的該目前內部狀態的該估值。
  23. 如請求項22之裝置，其中該狀態估計器模組係經組配為一卡爾曼(kalman)型濾波器，選擇性地為一卡爾曼濾波器、一擴充型卡爾曼濾波器、一無跡卡爾曼濾波器、一粒子濾波器或一龍伯格(Luenberger)狀態估計器。
  24. 如請求項20或21之裝置，其中該狀態估計器模組係經組配用以操作一預測誤差最小化技術，來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。
  25. 如請求項20或21之裝置，其中該狀態估計器模組係經組配用以解一集合的模糊邏輯規則，來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。
  26. 如請求項20至25中任一項之裝置，其中藉於使用中的該電池操作條件監視器模組接收的該電池的該等操作條件的該等度量包括：該電池的一終端電壓；該電池上的一電流負載；及選擇性地該電池的一溫度；及選擇性地該電池的一內部電阻。
  27. 如請求項20至26中任一項之裝置，其中該電池模型模組及該記憶效應模組係由如請求項1至19中任一項之一裝置提供。
  28. 如請求項20至27中任一項之裝置，其進一步包含有包括 下列之電池操作條件度量構件：一終端電壓感測電路；及一電流負載感測電路；及選擇性地：一電池內部電阻感測電路，其包含一切換電路包括一平衡電阻器；及一溫度感測器。
  29. 如請求項1至28中任一項之裝置，其進一步包含一或多個處理器及電腦可讀取媒體儲存指令，其當由一或多個處理器執行時，使得該處理器或該等處理器實行如請求項1至28中任一項之該裝置。
  30. 如請求項1至29中任一項中當依附請求項3時之裝置，其中針對該電池模型表示該電池的該內部狀態之該等參數值係，藉預測誤差最小化技術，從測試電池資料於使用中的模型或於該等參數值的憑經驗推衍識別。
  31. 如請求項30之裝置，其中該預測誤差最小化技術界定一純量匹配函數。
  32. 一種包含多個電池或用於耦合至多個電池的能源系統控制器的電池組管理系統，其包含：如請求項1至31中任一項之裝置，其經配置用以估計該等多個電池於使用中的充電狀態SOC及選擇性地健康狀態SoH。
  33. 一種用於估計一電動車的一里程之裝置，該電動車包含多個經配置用以供電給該車輛之二次電化學電池，其中 容量可因活性反應物種類於使用中變成無活性而被損耗，該裝置包含：如請求項20至31中任一項之裝置，其經組配用以操作以估計於使用中的該等電池的一充電狀態及一剩餘容量；一里程估計模組，其經組配用以基於使用中的該等電池的該充電狀態及一剩餘容量之估計及於該車輛內於使用中的該等電池的該等經預測的操作條件來估計該電動車之一里程。
  34. 一種用於針對一電動車規劃一路徑之裝置，該電動車包含多個二次電化學電池經配置用以供電給該車輛，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該裝置包含：用於估計一電動車的一里程的如請求項33之裝置；及一路徑規劃模組，其經組配用以至少部分地基於由該里程估計模組根據遵循該路徑的該等電池的該等經預測的操作條件所產生的該電動車之一估計里程，來規劃朝向一期望目的地的一路徑。
  35. 如請求項34之裝置，其進一步包含一路徑優化模組，該路徑優化模組係用於從由該路徑規劃模組所規劃的多個路徑中選出朝向一目的地的一最佳路徑。
  36. 一種包含指令之電腦可讀取媒體，該等指令當由一或多個處理器執行時，使得該處理器或該等處理器實行如請 求項1至35中任一項之裝置。
  37. 一種用於產生一二次電化學電池的一模型之方法，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該模型係可操作用以，基於代表該電池的該內部狀態之一模型其針對全部充電狀態SOC交互關聯該電池之一終端電壓與該電池之一操作條件，預測於使用中的該電池的該等電氣特性，其中表示該電池的該內部狀態的該模型為一等效電路網路模型，該等效電路網路模型包含多個模型化電氣元件，該等效電路網路模型係藉該等效電路網路模型之該等組成電氣元件的該等性質而予參數化，該方法包含：針對全部充電狀態SOC跨該電池的該操作條件之範圍產生代表於使用中的該電池的該表現之資料；基於代表於使用中的該電池的該表現之該所產生的資料，呈該充電狀態的一函數識別該等效電路模型的該等參數，使得該等效電路具有電氣特性，該等電氣特性產生該等效電路模型的一表現對應於代表於使用中的該電池的該表現之該所產生的資料。
  38. 如請求項37之方法，其中該電化學電池具有一鋰硫化學。
  39. 如請求項37或38之方法，其中該等效電路網路模型包含一電壓源，該電壓源串聯表示為RC對的一歐姆電阻及一或多個擴散電阻，其中該電壓源的該電壓，及該歐姆電阻及RC對的該電阻及電容將該等效電路模型予以參 數化。
  40. 如請求項37、38或39之方法，其中該電池的該操作條件包括下列中之一或多者：該電池之一終端電壓；該電池之一視同開路電壓；該電池上之一電流負載；該電池之一溫度；該電池之一內部電阻。
  41. 如請求項37至40中任一項之方法，其中針對全部充電狀態SOC跨該電池的該操作條件之範圍產生代表於使用中的該電池的該表現之資料包括，使用該電池的一高保真實體模型針對不同的操作條件於該電池的不同充電狀態，預測該電池的一終端電壓表現。
  42. 如請求項37至41中任一項之方法，其中針對全部充電狀態SOC跨該電池的該操作條件之範圍產生代表於使用中的該電池的該表現之資料包括：於一範圍之不同工作條件下受控地測試該經模型化電池的該設計之標準電池的該表現，包括：接收於不同充電/放電速率及溫度及充電狀態該電池的終端電壓之度量；及選擇性地接收於不同充電/放電速率及溫度及充電狀態該電池的內部電阻之度量。
  43. 如請求項42之方法，其中於一範圍之不同工作條件下受控地測試該經模型化電池的該設計之標準電池的該表現包括：於設定的放電速率施加電流脈衝至該電池及留下該等脈衝間之一緩和時間足夠允許該電池的終端電壓 返回一開路電壓。
  44. 如請求項43之方法，其中受控地測試該經模型化電池的該設計之標準電池的該表現進一步包括：始於該測試電池的一視同完全充電狀態，及前進至施加該等電流放電脈衝直到該電池的終端電壓降至低於用來校準針對該測試電池的一完全放電狀態的一預定位準為止。
  45. 如請求項43或44之方法，其進一步包含：在各個脈衝間於該緩和期的該結束時取該電池的終端電壓作為於該充電狀態該電池的該開路電壓。
  46. 如請求項45中當依附於請求項39之方法時，其中呈該充電狀態的一函數識別該等效電路模型的該等參數包含：使用於該充電狀態該電池的開路電壓來識別於該充電狀態針對該等效電路網路模型的該電壓源之該參數值。
  47. 如請求項43至46中任一項中當依附於請求項39時之方法，其中呈該充電狀態的一函數識別該等效電路模型的該等參數包含：使用於一電流脈衝的該開始於該電池的終端電壓中之該瞬時降，來識別於該充電狀態針對該等效電路網路模型的該歐姆電阻成分之該參數值。
  48. 如請求項43至47中任一項中當依附於請求項39時之方法，其中呈該充電狀態的一函數識別該等效電路模型的該等參數包含： 使用從該瞬時電壓降繼續於該電池的終端電壓中之該徐緩降，來識別對該充電狀態貢獻給該等效電路網路模型的該擴散電阻成分該等RC對之該等電阻及電容的參數值。
  49. 如請求項37至48中任一項之方法，其進一步包含使用一預測誤差最小化技術，來細化基於代表於使用中的該電池的該表現之該所產生的資料而識別的，代表於使用中的該電池的該內部狀態之該電池模型之該等參數值。
  50. 如請求項37至49中任一項之方法，其進一步包含：於一參數值資源中儲存針對該等效電路網路模型之該等經識別的參數值，該等參數值係用於模型化跨該範圍之該電池的操作條件於全部充電狀態該電池的該表現，其中該參數值資源選擇性地為一詢查表。
  51. 如請求項37至50中任一項之方法，其進一步包含將針對該電路模型之該等經識別的參數值帶入取決於該充電狀態的函數。
  52. 如請求項51之方法，其中該等參數值係呈充電狀態之一函數而儲存於一參數值資源。
  53. 一種產生一具有一鋰硫化學的二次電化學電池之一記憶體模型的方法，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該記憶體模型可操作用以於使用中追蹤於該電池中的一活性反應物之量及/或於該電池中的一暫時無活性反應物之量及選擇性地於該電池中的一永久無活性反應物之量，該方法包含： 建立一集合之規則，其係有關於該鋰硫電池化學之該等反應物種類之該等不同表現、於該等不同表現中之該等反應物種類之該等量、於其中反應物種類之該等不同表現於充電及放電期間參與的反應、及其該等反應速率；藉下列中之一或多者參數化該等經模型化的反應速率：該電池的該等操作條件；反應物種類之該等不同表現的該等經模型化的量；該電池的該內部狀態；於使用中的該電池的該等電氣特性；及藉下列步驟識別針對該等經模型化的反應速率之該等參數化值：基於一高保真實體模型針對該電池的理論預測；或基於標準電池之測試經驗上或半經驗上匹配或推衍該等參數值。
  54. 如請求項53之方法，其中代表於該電池中的活性反應物種類之量的該變化的該記憶體模型為一簡化實體模型，其將該電池的該等反應物種類分組為表示高級表現、中級表現及低級表現之三組，且其中該模型將該電池的該充電及放電曲線劃分成一高平台及低平台，且該模型假設：在該等高-至-中級表現間之反應優勢主導該高平台，及在該等中-至-低級表現間之反應優勢主導該低平台。
  55. 如請求項54之方法，其中該記憶體模型假設，當該電池終端電壓落至低於該等高與低平台間之一邊界位準時，在該等高-至-中級表現間之該等反應不會發生，結 果導致反應物的高級表現之一剩餘量變成被視為暫時無活性及無法貢獻給該電池的該剩餘容量。
  56. 一種用於估計一具有一鋰硫化學的二次電化學電池的一充電狀態SOC之方法，其中容量可因活性反應物種類於使用中變成暫時無活性所致而損耗，該方法包含：接收於使用中的該電池的該等操作條件之度量；藉下列步驟估計於使用中的該電池的一內部狀態：使用一電池模型模組來模型化該電池，該電池模型模組基於代表該電池的該內部狀態的一模型而估計該電池的該等電氣特性，且該代表該電池的該內部狀態的模型係針對全部充電狀態SOC將該電池的一終端電壓與該電池的一操作條件交互關聯；基於代表因活性反應物種類於使用中變成暫時無活性的一量變化所致的該電池中之活性反應物種類之量的該變化之一記憶體模型，來預測於使用中的該電池的該可用容量，其中該記憶體模型基於該電池的一操作史，將該電池的該額定容量Qt其於使用期間為可用容量Qusable的比例交互關聯，藉此考慮因活性反應物種類於使用中變成暫時無活性所致的該電池之可用容量的可逆性變化；基於該電池的一操作史來調整於使用中的該電池模型模組，以補償由該記憶效應模組對該電池的該可用容量的該預測；及 估計該電池模型的該內部狀態組配，其匹配所接收的該電池的該等操作條件之度量；以及基於已模型化的該電池的該內部狀態組配，估計電池的該充電狀態SOC。
  57. 如請求項56之方法，其進一步包含：估計該電池的該健康狀態作為該電池的該經模型化可用容量Qusable對該電池的該額定容量Qt之一比。
  58. 如請求項56或57之方法，其進一步包含：藉由操作為一迭代回授迴路來細化於各個時間間隔的該電池的該經估計的內部狀態，於該迭代回授迴路中於該先前時間間隔到該目前時間間隔基於朝向該電池的該經估計的內部狀態投射的該電池模型，該電池的該內部狀態之一預測係基於該電池的該經測得的操作條件而經校正來更新該電池的該目前內部狀態的該估值。
  59. 如請求項58之方法，其進一步包含：使用一卡爾曼型濾波器，選擇性地為一卡爾曼濾波器、一擴充型卡爾曼濾波器、一無跡卡爾曼濾波器、一粒子濾波器、或一龍伯格狀態估計器來估計於各個時間間隔的該電池的該經估計的內部狀態。
  60. 如請求項56或57之方法，其進一步包含：使用一預測誤差最小化技術來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。
  61. 如請求項56或57之方法，其進一步包含：解一集合的模糊邏輯規則，來識別代表於使用中的該電池的該內部狀態之該電池模型的該等參數之估值。
  62. 如請求項56至61中任一項之方法，其中藉於使用中的該電池操作條件監視器模組接收的該電池的該等操作條件的該等度量包括：該電池的一終端電壓；該電池上的一電流負載；及選擇性地該電池的一溫度；及選擇性地該電池的一內部電阻。
  63. 如請求項56至62中任一項之方法，其中於一電池管理系統包含多個電池或用於耦合至多個電池的能源系統控制器操作。
  64. 一種用於估計一電動車的一里程之方法，該電動車包含多個二次電化學電池經配置用以供電給該車輛，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該方法包含：執行如請求項56至63中任一項之方法以估計於使用中的該等電池的一充電狀態及一剩餘容量；基於使用中的該等電池的該充電狀態及一剩餘容量之估計及於該電動車內於使用中的該等電池的該等經預測的操作條件來估計該車輛之一里程。
  65. 一種用於供一電動車規劃一路徑之方法，該電動車包含多個經配置用以供電給該車輛之二次電化學電池，其中容量可因活性反應物種類於使用中變成無活性而被損耗，該方法包含： 執行如請求項64之方法以估計一電動車的一里程；及至少部分地基於由該里程估計模組根據遵循該路徑的該等電池的該等經預測的操作條件所產生的該電動車之一估計里程，來規劃朝向一期望目的地的一路徑。
  66. 如請求項65之方法，其進一步包含從由該路徑規劃模組所規劃的多個路徑中選出朝向一目的地的一最佳路徑。
  67. 一種實質上如前文參考該等附圖描述的用於模型化一二次電化學電池的一充電狀態SOC的裝置。
  68. 一種實質上如前文參考該等附圖描述的用於估計於使用中的一二次電化學電池的一充電狀態SOC的裝置。
  69. 一種實質上如前文參考該等附圖描述的電池組管理系統。
  70. 一種實質上如前文參考該等附圖描述的能源系統控制器。
  71. 一種實質上如前文參考該等附圖描述的用於估計一電動車之一里程的裝置。
  72. 一種實質上如前文參考該等附圖描述的用於針對一電動車規劃一路徑的裝置。
  73. 一種實質上如前文參考該等附圖描述的電腦可讀取媒體。
  74. 一種實質上如前文參考該等附圖描述的用於產生一二次電化學電池的一模型之方法。
  75. 一種實質上如前文參考該等附圖描述的用於產生一二次電化學電池的一記憶體模型之方法。
  76. 一種實質上如前文參考該等附圖描述的用於估計於使用中的一二次電池的一充電狀態SOC之方法。
  77. 一種實質上如前文參考該等附圖描述的用於估計一電動車之一里程的方法。
  78. 一種實質上如前文參考該等附圖描述的用於針對一電動車規劃一路徑的方法。
TW105111821A 2015-04-16 2016-04-15 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置 TWI708068B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
GB1506497.5A GB2537406B (en) 2015-04-16 2015-04-16 Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries
GB1506497.5 2015-04-16

Publications (2)

Publication Number Publication Date
TW201702623A true TW201702623A (zh) 2017-01-16
TWI708068B TWI708068B (zh) 2020-10-21

Family

ID=53298708

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105111821A TWI708068B (zh) 2015-04-16 2016-04-15 用於測定鋰硫電池之健康狀態及充電狀態的方法及裝置

Country Status (10)

Country Link
US (2) US11125827B2 (zh)
EP (2) EP3644078A1 (zh)
JP (1) JP6789240B2 (zh)
KR (1) KR102652848B1 (zh)
CN (1) CN107690585B (zh)
BR (1) BR112017022114B8 (zh)
ES (1) ES2917177T3 (zh)
GB (1) GB2537406B (zh)
TW (1) TWI708068B (zh)
WO (1) WO2016166555A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901061A (zh) * 2017-12-11 2019-06-18 江苏品全机电工程技术有限公司 一种电池信息采集监测系统
TWI718783B (zh) * 2019-11-28 2021-02-11 新普科技股份有限公司 以視覺化圖像建立電池狀態模型的方法
TWI751934B (zh) * 2020-07-31 2022-01-01 財團法人工業技術研究院 電池管理系統的測試設備和測試方法
TWI786770B (zh) * 2021-08-16 2022-12-11 加百裕工業股份有限公司 電池健康管理方法及電池健康管理裝置
TWI786769B (zh) * 2021-08-16 2022-12-11 加百裕工業股份有限公司 電池健康管理方法
US11853044B2 (en) 2020-07-31 2023-12-26 Industrial Technology Research Institute Test equipment and test method of battery management system

Families Citing this family (81)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10345385B2 (en) * 2014-05-12 2019-07-09 Gm Global Technology Operations Llc. Battery state estimation systems and methods using a nonlinear resistance element
US9696782B2 (en) 2015-02-09 2017-07-04 Microsoft Technology Licensing, Llc Battery parameter-based power management for suppressing power spikes
US10158148B2 (en) 2015-02-18 2018-12-18 Microsoft Technology Licensing, Llc Dynamically changing internal state of a battery
US9748765B2 (en) 2015-02-26 2017-08-29 Microsoft Technology Licensing, Llc Load allocation for multi-battery devices
EP3182552B1 (en) 2015-12-18 2018-11-14 Oxis Energy Limited Lithium-sulfur battery management system
CN110226095B (zh) * 2016-10-20 2022-06-17 Y软股份公司 嵌入式系统的通用自动化测试
KR102259265B1 (ko) 2016-12-06 2021-06-01 볼보 트럭 코퍼레이션 배터리 셀에 대한 충전 상태를 추정하는 방법
EP4094978A1 (en) * 2016-12-12 2022-11-30 Honeywell International Inc. Adaptive balancing for battery management
CN116487794A (zh) * 2017-01-09 2023-07-25 米沃奇电动工具公司 用于向电气设备提供输出电力的设备
GB201707354D0 (en) * 2017-05-08 2017-06-21 Oxis Energy Ltd Battery management
CN107271906B (zh) * 2017-05-31 2019-10-18 宁德时代新能源科技股份有限公司 电池包健康度估算方法和装置
CN107356879B (zh) * 2017-07-05 2019-09-24 中国科学院青岛生物能源与过程研究所 一种基于多物理场的电池健康状态检测与评估方法及装备系统
WO2019012357A1 (en) * 2017-07-10 2019-01-17 3M Innovative Properties Company HEALTH STATUS OF PARTIALLY DISCHARGED CELLS
KR102244140B1 (ko) 2017-12-21 2021-04-22 주식회사 엘지화학 배터리의 충전 상태를 캘리브레이션하기 위한 방법 및 배터리 관리 시스템
CN108594125A (zh) * 2018-04-11 2018-09-28 芜湖职业技术学院 锂电池模型参数辨识装置
EP3579007B1 (en) * 2018-06-07 2022-08-17 Rolls-Royce Deutschland Ltd & Co KG Method and apparatus for estimating a state of charge of a battery
CN111602308A (zh) * 2018-06-25 2020-08-28 谷歌有限责任公司 电池状态估计
JP7214993B2 (ja) * 2018-06-29 2023-01-31 株式会社リコー 蓄電システム
DE112019003484T5 (de) * 2018-07-10 2021-04-08 Sumitomo Electric Industries, Ltd. Sekundärbatterieparameter-Schätzungsvorrichtung, Sekundärbatterieparameter-Schätzungsverfahren und Programm
DE102018212545A1 (de) * 2018-07-27 2020-01-30 Audi Ag Verfahren zum Überwachen eines Zustands einer Batterie, Überwachungseinrichtung und Kraftfahrzeug
CN109307844B (zh) * 2018-08-17 2021-06-04 福建云众动力科技有限公司 一种锂电池soc的估算方法及装置
CN111289902B (zh) * 2018-12-06 2022-02-01 新盛力科技股份有限公司 电池电量状态的预估方法
WO2020123921A1 (en) * 2018-12-14 2020-06-18 Cummins Inc. End of battery state of charge (soc) vehicle system operation
FR3090117B1 (fr) * 2018-12-17 2021-03-19 Accumulateurs Fixes Estimation du soh et estimation du soc d’un element electrochimique
CN109596986B (zh) * 2018-12-29 2020-09-18 蜂巢能源科技有限公司 动力电池包内阻在线估算方法及电池管理系统
CN109975716A (zh) * 2019-03-07 2019-07-05 天津力神电池股份有限公司 一种锂离子电池内阻波动的检测方法
DE102019109622A1 (de) * 2019-04-11 2020-10-15 Bundesrepublik Deutschland, Vertreten Durch Das Bundesministerium Für Wirtschaft Und Energie, Dieses Vertreten Durch Den Präsidenten Der Physikalisch-Technischen Bundesanstalt Verfahren zum Bestimmen eines Alterungsparameters, eines Ladezustandsparameters und einer Temperatur eines Akkumulators, insbesondere eines Lithium-Akkumulators
US10727545B1 (en) * 2019-04-12 2020-07-28 Ses Holdings Pte. Ltd. Methods of charging secondary lithium metal batteries to reactive dead lithium with redox shuttling additives and battery control systems incorporating the same
CN110988701B (zh) 2019-04-25 2021-04-30 宁德时代新能源科技股份有限公司 电池可用能量确定方法、装置、管理系统以及存储介质
CN110988702B (zh) * 2019-04-25 2021-04-02 宁德时代新能源科技股份有限公司 电池可用容量确定方法、装置、管理系统以及存储介质
CN110133525B (zh) * 2019-05-13 2021-05-28 哈尔滨工业大学 一种应用于电池管理系统的锂离子电池健康状态估计方法
CN110376536B (zh) * 2019-08-05 2021-11-05 桑顿新能源科技(长沙)有限公司 电池系统soh检测方法、装置、计算机设备和存储介质
US11150305B2 (en) * 2019-09-04 2021-10-19 Karma Automotive Llc Method of estimating residual energy for a battery
US11515587B2 (en) * 2019-10-10 2022-11-29 Robert Bosch Gmbh Physics-based control of battery temperature
CN111645568A (zh) * 2019-10-14 2020-09-11 北京嘀嘀无限科技发展有限公司 安全充电方法、存储介质、电子设备及系统
CN111239611B (zh) * 2019-10-21 2021-12-10 浙江零跑科技股份有限公司 一种基于单体电池容量校准packsoc的计算方法
KR20210064770A (ko) * 2019-11-26 2021-06-03 현대자동차주식회사 차량 및 차량의 제어 방법
CN111123138B (zh) * 2019-12-24 2022-03-08 中创新航科技股份有限公司 一种电池组的soh的估算方法
CN111079349B (zh) * 2019-12-28 2023-04-07 绍兴市上虞区理工高等研究院 一种锂电池与超级电容复合电源系统能量实时优化方法
CN111208431B (zh) * 2020-01-07 2022-05-10 天津市捷威动力工业有限公司 一种电动汽车用锂离子电池全气候日历寿命预测方法
US11740290B2 (en) 2020-01-14 2023-08-29 Battelle Energy Alliance, Llc Energy storage cell qualification and related systems, methods, and devices
KR20210099504A (ko) 2020-02-04 2021-08-12 삼성전자주식회사 배터리 시스템에서 배터리의 작동 상태를 검출하는 방법 및 시스템
CN111403830B (zh) * 2020-03-23 2020-11-06 深圳市尚亿芯科技有限公司 锂电池安全监测系统
US11181587B1 (en) 2020-05-07 2021-11-23 Zitara Technologies, Inc. Battery analysis system and method
CN111929581B (zh) * 2020-06-05 2022-10-21 西安理工大学 一种动力锂电池内外部温度预测方法
CN112310985B (zh) * 2020-07-06 2022-07-12 长沙理工大学 考虑储能系统健康状态的风电功率平滑控制策略
CN111890986B (zh) * 2020-07-24 2022-10-11 重庆长安汽车股份有限公司 一种基于可自更新数据插值估算动力电池剩余充电时间的方法
KR102471890B1 (ko) * 2020-08-03 2022-11-29 삼성에스디아이 주식회사 배터리 팩의 시뮬레이션 방법
WO2022047204A1 (en) * 2020-08-30 2022-03-03 Hewlett-Packard Development Company, L.P. Battery life predictions using machine learning models
KR102225270B1 (ko) 2020-09-04 2021-03-10 주식회사 패러다임 배터리 셀의 무손실 밸런싱 제어 장치
DE102020211988A1 (de) * 2020-09-24 2022-03-24 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Ladezustandsbestimmung einer Batterie in einem elektrisch antreibbaren Kraftfahrzeug
CN112130087B (zh) * 2020-09-24 2024-01-09 上海空间电源研究所 一种估计锂离子蓄电池健康状态的方法
CN112147514B (zh) * 2020-09-25 2023-08-11 河南理工大学 基于rls的锂电池全工况自适应等效电路模型
JP2022054018A (ja) * 2020-09-25 2022-04-06 株式会社Ｇｓユアサ 推定装置、推定方法、及びコンピュータプログラム
CN112213643B (zh) * 2020-09-30 2023-06-23 蜂巢能源科技有限公司 电池初始容量、电池健康状态的预测方法、系统及设备
WO2022075655A1 (en) * 2020-10-06 2022-04-14 Samsung Electronics Co., Ltd. Methods and systems for detecting faulty behavior in a battery
KR20220052548A (ko) 2020-10-21 2022-04-28 주식회사 엘지에너지솔루션 리튬-황 전지의 잔여용량을 판별하는 방법 및 상기 방법을 구현하는 전지 팩
CN112345940B (zh) * 2020-10-27 2023-08-22 中北大学 基于soc预估的车辆复合电源系统模糊逻辑控制方法
DE102020130834A1 (de) * 2020-11-23 2022-05-25 Audi Aktiengesellschaft Energiespeichervorrichtung zur Speicherung elektrischer Energie, Verfahren zum Betreiben einer Energiespeichervorrichtung und Kraftfahrzeug
KR20230124620A (ko) * 2020-12-22 2023-08-25 에스이에스 홀딩스 피티이. 엘티디. 역 쿨롱 효율에 기초한 이차 전기화학 유닛 이상 탐지및/또는 과충전 방지를 포함하는 방법, 장치 및 시스템
CN112818507A (zh) * 2020-12-30 2021-05-18 杭州凯歌新能源科技有限公司 一种agv智能仓储机器人bms三元锂电池浅放放电过程中动态容量修正方法
WO2022169652A1 (en) * 2021-02-05 2022-08-11 Rejoule Incorporated Methods of real-time active measurement for electrochemical systems
CN112858929B (zh) * 2021-03-16 2022-09-06 上海理工大学 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
CN113093040A (zh) * 2021-03-22 2021-07-09 领翌技术(横琴)有限公司 电动汽车电池健康度评估方法、装置和系统
TWI758136B (zh) * 2021-03-22 2022-03-11 新普科技股份有限公司 狀態估計方法及電池組
CN112904219B (zh) * 2021-04-08 2023-03-21 合肥工业大学 一种基于大数据的动力电池健康状态的预测方法
FR3123156A1 (fr) * 2021-05-18 2022-11-25 Psa Automobiles Sa Systeme de gestion de baterie comprenant des moyens de detection de cellules limitantes, vehicule et procede sur la base d’un tel systeme
KR102633760B1 (ko) * 2021-08-05 2024-02-05 삼성에스디아이 주식회사 배터리의 상대 충전 상태를 산출하는 방법 및 장치
JP7266125B2 (ja) * 2021-08-19 2023-04-27 株式会社日立製作所 電気車両用バッテリーの動的容量を推定するための方法とそのシステム
US11774504B2 (en) 2021-10-04 2023-10-03 Zitara Technologies, Inc. System and method for battery management
CN114056096B (zh) * 2021-10-20 2023-07-07 中国科学技术大学先进技术研究院 维持电动汽车总线电压稳定的方法、系统、介质及设备
CN113984833B (zh) * 2021-10-29 2024-03-01 江苏徐工工程机械研究院有限公司 一种环境温度等效及加速试验方法
KR102638180B1 (ko) * 2021-11-03 2024-02-16 엘지전자 주식회사 에너지 저장장치 및 그 동작방법
CN113960484B (zh) * 2021-11-10 2023-06-27 北京理工大学重庆创新中心 一种基于单体压差的大数据电池健康诊断方法
US11688895B1 (en) 2022-03-10 2023-06-27 Lyten, Inc. Battery safety system for detecting analytes
US20230375635A1 (en) * 2022-05-18 2023-11-23 Hyliion Inc. System and method for battery state of health characterization based on route segments
WO2023244366A1 (en) * 2022-06-14 2023-12-21 Enphase Energy, Inc. Storage system configured for use with an energy management system
CN115389965B (zh) * 2022-10-27 2023-03-24 中安芯界控股集团有限公司 一种基于大数据的电池安全性能测试系统及方法
CN116053536B (zh) * 2023-01-28 2023-06-16 湖北工业大学 一种质子交换膜燃料电池估测方法及计算机可读介质
CN116540104B (zh) * 2023-05-22 2024-03-22 车百中汽科技(北京)有限公司 一种考虑温度影响的锂离子电池健康度确定方法及系统
CN117686937B (zh) * 2024-02-02 2024-04-12 河南科技学院 一种用于电池系统内单体电池的健康状态估计方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPO917297A0 (en) * 1997-09-15 1997-10-09 Commonwealth Scientific And Industrial Research Organisation Charging of batteries
US7072871B1 (en) * 2001-08-22 2006-07-04 Cadex Electronics Inc. Fuzzy logic method and apparatus for battery state of health determination
JP4097183B2 (ja) * 2001-12-27 2008-06-11 パナソニックＥｖエナジー株式会社 二次電池の残存容量推定方法および装置、並びに電池パックシステム
US7324902B2 (en) * 2003-02-18 2008-01-29 General Motors Corporation Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health
US7109685B2 (en) * 2003-09-17 2006-09-19 General Motors Corporation Method for estimating states and parameters of an electrochemical cell
US7019494B2 (en) 2004-01-06 2006-03-28 Moltech Corporation Methods of charging lithium sulfur cells
KR100692404B1 (ko) * 2004-12-21 2007-03-09 현대자동차주식회사 메모리효과를 방지하기 위한 배터리 충전상태 계산 알고리즘
US7688075B2 (en) * 2005-04-20 2010-03-30 Sion Power Corporation Lithium sulfur rechargeable battery fuel gauge systems and methods
US7957921B2 (en) * 2008-02-19 2011-06-07 GM Global Technology Operations LLC Model-based estimation of battery hysteresis
JP4975075B2 (ja) * 2009-09-30 2012-07-11 クラリオン株式会社 ナビゲーション装置および経路演算方法
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
US8185302B2 (en) * 2010-08-26 2012-05-22 Ford Global Technologies, Llc Conservational vehicle routing
FR2975501B1 (fr) * 2011-05-20 2013-05-31 Renault Sas Procede d'estimation de l'etat de charge d'une batterie electrique
DE102011083165A1 (de) * 2011-09-22 2013-03-28 Robert Bosch Gmbh Energiespeicher, Anordnung umfassend den Energiespeicher und Verfahren zum Ermitteln eines Funktionszustands eines Energiespeichers
JP5852399B2 (ja) * 2011-10-17 2016-02-03 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ バッテリの状態予測システム、方法及びプログラム
CN102540096B (zh) * 2012-01-17 2014-07-23 浙江大学 一种用于磷酸铁锂动力电池剩余容量估算自修正的方法
US9176198B2 (en) 2012-02-17 2015-11-03 GM Global Technology Operations LLC Battery state estimator with overpotential-based variable resistors
US20130311116A1 (en) 2012-05-16 2013-11-21 Robert Bosch Gmbh Battery System and Method with SOC/SOH Observer
CN102778653A (zh) * 2012-06-20 2012-11-14 哈尔滨工业大学 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法
CN102721933A (zh) * 2012-06-29 2012-10-10 国家电网公司 一种锂离子电池的soc估算方法和系统
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
CN103439668B (zh) * 2013-09-05 2015-08-26 桂林电子科技大学 动力锂离子电池的电荷状态估算方法与系统
US9983266B2 (en) * 2015-03-30 2018-05-29 Eaton Intelligent Power Limited Apparatus and methods for battery monitoring using discharge pulse measurements

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109901061A (zh) * 2017-12-11 2019-06-18 江苏品全机电工程技术有限公司 一种电池信息采集监测系统
CN109901061B (zh) * 2017-12-11 2021-09-03 品全技术集团有限公司 一种电池信息采集监测系统
TWI718783B (zh) * 2019-11-28 2021-02-11 新普科技股份有限公司 以視覺化圖像建立電池狀態模型的方法
TWI751934B (zh) * 2020-07-31 2022-01-01 財團法人工業技術研究院 電池管理系統的測試設備和測試方法
US11853044B2 (en) 2020-07-31 2023-12-26 Industrial Technology Research Institute Test equipment and test method of battery management system
TWI786770B (zh) * 2021-08-16 2022-12-11 加百裕工業股份有限公司 電池健康管理方法及電池健康管理裝置
TWI786769B (zh) * 2021-08-16 2022-12-11 加百裕工業股份有限公司 電池健康管理方法

Also Published As

Publication number Publication date
GB201506497D0 (en) 2015-06-03
US20180095141A1 (en) 2018-04-05
EP3644078A1 (en) 2020-04-29
WO2016166555A1 (en) 2016-10-20
CN107690585A (zh) 2018-02-13
GB2537406A (en) 2016-10-19
JP6789240B2 (ja) 2020-11-25
BR112017022114A2 (pt) 2018-07-03
BR112017022114B8 (pt) 2023-03-07
TWI708068B (zh) 2020-10-21
EP3283893B1 (en) 2022-03-09
JP2018513378A (ja) 2018-05-24
GB2537406B (en) 2017-10-18
US11125827B2 (en) 2021-09-21
ES2917177T3 (es) 2022-07-07
US20220082631A1 (en) 2022-03-17
KR102652848B1 (ko) 2024-04-01
CN107690585B (zh) 2020-03-20
KR20170138488A (ko) 2017-12-15
BR112017022114B1 (pt) 2020-04-28
EP3283893A1 (en) 2018-02-21

Similar Documents

Publication Publication Date Title
US20220082631A1 (en) Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries
Deng et al. Online available capacity prediction and state of charge estimation based on advanced data-driven algorithms for lithium iron phosphate battery
Huang et al. Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation
Hussein Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks
Song et al. Current profile optimization for combined state of charge and state of health estimation of lithium ion battery based on Cramer–Rao bound analysis
Antón et al. Battery state-of-charge estimator using the SVM technique
Anton et al. Support vector machines used to estimate the battery state of charge
JP5058814B2 (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
Lin et al. Analytic bound on accuracy of battery state and parameter estimation
JP6234946B2 (ja) 電池状態推定装置
JP6801101B2 (ja) 蓄電池残量推定装置、蓄電池残量推定方法、およびプログラム
KR20080104296A (ko) 추정 배터리 상태 벡터와 추정 배터리 파라미터 벡터를 결정하는 시스템 및 방법
KR100901252B1 (ko) 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치
Zhou et al. Peak power prediction for series-connected LiNCM battery pack based on representative cells
Samadani et al. A review study of methods for lithium-ion battery health monitoring and remaining life estimation in hybrid electric vehicles
Knap et al. A self-discharge model of Lithium-Sulfur batteries based on direct shuttle current measurement
Taborelli et al. State of charge estimation using extended Kalman filters for battery management system
Qiu et al. Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter
Li et al. Parameter updating method of a simplified first principles-thermal coupling model for lithium-ion batteries
Fotouhi et al. State of charge and state of health estimation over the battery lifespan
Murawwat et al. State of charge estimation and error analysis of lithium-ion batteries for electric vehicles using Kalman filter and deep neural network
WO2006057469A1 (en) Method and system for joint battery stateand parameter estimation
Hussein et al. A review of battery state of charge estimation and management systems: Models and future prospective
Errifai et al. Combined Coulomb-Counting and Open-Circuit Voltage Methods for State of Charge Estimation of Li-Ion Batteries
Makinejad Advanced Monitoring Algorithms for Battery Storage Systems in Electric Vehicles