TWI320977B - Apparatus and method for testing state of charge in battery - Google Patents

Description

1320977 九、發明說明： 【發明所屬之技術領域】 本發明係有關於估計電池充電狀態（SOC)之裝置和方 法；且由有關於使用融合型軟式計算以估計電池充電狀態 5 (SOC)之裝置和方法。 【先前技術】 一般說來，電池之充電狀態（SOC)有著非線性的特性。 因此’要精確地偵測電池的充電狀態實際上是困難的。是 10 故，必需依賴估計方法偵測電池之充電狀態。 傳統估計電池充電狀態方法的例子包含有安培_小時 (Ah)計數法、斷路電壓（〇VC)量測法、電池阻抗量測法，等 等。 安培-小時計數法係憑靠偵測電池的實際容量來偵測 15 電池充電狀態。然而，安培-小時計數法在偵測實際容量 時，會被感測器之誤差或精確度嚴重影響而具有嚴重誤差。 斷路電壓量測法讀取空載狀態下之電池的斷路電壓， 並自斷路電壓中估測一充電狀態。此方法之問題為其僅能 被在空載狀態下使用’且其受到外在因素，如溫度嚴重地 20 影響。 電池阻抗量測法係從電池之阻抗測量值來估計電也的 充電狀態。此方法之問題係因其被溫度嚴重影響，而降低 其估計值之精確度。 使用於低充電速率環培Φ夕主地 I , 衣兄中之手機、筆記型電腦等，鑑

6 於其之特性，其係不需對電池之充電狀態作精確偵測。對 於此些產品，係容易以安培-小時（Ah)計數法、斷路電壓 (OVC)量測法等來估計電池充電狀態。在此處充電速率之 用語係指瞬間輸出之尖峰電流的振幅。 然而’至於使用於高充電速率環境中之複合動力車 (=Vs)，電動車（EVs)等，在電池充電狀態非線性之程度被 :冋時#需要電池充電狀態之精確資訊，如同一般車輛 *要A料存里之精確資訊―樣。因此’以傳統估計電池充 電狀態方法來估計該些產品之電池充電狀態是有困難的。 【發明内容】 本發明之一目的係提供一裝置和方法以估計電池之充 二〃中電池充電狀態之估計儀使用融合型軟式計算 二、因此於咼充電迷率的環境中精確地估計電池充 15 電狀態。 根據本發明，係提供一裝置以估計電池充電狀態。該 裝置包括偵測器單元以僧測電池單元之電流、電壓及溫 度；以及軟式計算單元以輸出電池充電狀態估計值，盆係 使用神經網路演算法為基礎之徑向函數處理由仙器單元 20 所偵測之電流、電壓和溫度。 更進V軟式rf·算單元可以將神經網路演算法和模 糊演算法、遺傳演算法（GA)、細胞自動機演算法（ca)、免 疫糸統演异法、和約略集合演算法之任—結合，且因此可 適切地更新神經網路演算法的參數值。 ；-Ν' Vw 7 1320977 ♦ 【實施方式】 此處將詳細介紹本發明之實施例。 圖1係依照本發明一實施例之估計電池充電狀態（s〇c) 之裝置的方塊圖。請參照圖1 ’充電狀態估計裝置包括電池 單元10、偵測單元11、軟式計算單元20、充電放電器3〇、 及比較器40。 偵測單元11包括電流偵測器12、電壓偵測器14、及 溫度偵測器16。電流偵測器12在時間點k時從電池單元 10偵測電流i。電壓偵測器14在時間點k時從電池單元1〇 10偵測電壓V。溫度_器16在時間點k時從電池單元1〇 偵測溫度T。 軟式計算-般係被稱作為以工程模型大腦資訊傳輸、 推理、學習、遺傳、及生物免疫系統之函數近似器；且在 15 20 =業上係被廣泛地使用於控制和辨識領域。在此，辨識係 扣獲得一系統輸入/輸出之特徵。 ’、 未去算演算法係為在雖然其精確的資訊及方法尚為 構圖參數僅有輸出/輸入資訊時，亦可辨識及控 制—特定系統之演算法。 k 換言之，使用任：：: 都涉及到不同的缺點。 相對於另術之電池充電狀態估計僅能 ®衣境而在-特定環境中係為精確。 ，算=了：決上述問題並使函數之近似值更為精確，軟戈 ㈣合難切算估計電池充電狀態。 早几20使用之融合型軟式計算演算法係由 8 .=藉由適應之更新參數而自我構圖之多個演算法以融合型 .“目互結合而成的，且係從於生物動機。此處， 係參考生物資訊閱識後之運用。 機 姻政軟式、4 r單70 20㈣的軟式計算演算法更為由神經 5 網路演舁法與模糊演算法、遺傳.、t 1 、 演算法_、免疫系統演算= =:、細胞自動機 -個結合而成的演算法。免二=集合演算法之中任 .控制點、以及擾亂設定為抗二 =分別以辮識或 々仇體及抗原之模型方法，因此， _ =至Ϊ加入任何擾亂時，亦可估計任何需求點。細胞自動 =^(CA)係為以二進制類型字串作複雜演算法模型之 用1方^略集合演算法係以數字公式作相關參數模型與應 二神經網路演算法與模糊演算法所結合之模糊神經演 15數值:類Γ使用神經網路實行模糊推理系統自動調整參 理論rm算家法規可:動地藉由執行學習演算法以模糊 ，常’熟稔某種系統的人係使用模糊資訊執行工作， 20用模糊j確貝訊° #如’熟稳焊接系統的熟練焊接工使 、=’例如’當__熔接溫度在約略此處應輕微增強 時以女善地執行焊接工作。 以模糊理論為基礎所創設的專家規則係參照在某一系 規貝 組成專家之方式取得 一般說來，在模糊演算法中取得規則基礎是最困難的 工作。同時，模糊神經〉貝算法具有以使用神經網路的學習 能力自動地創造規則基礎之優點。 更進一步，以神經網路的觀點，神經網路的尺寸（即神 經單7C數目）、活化函數的選擇等，對於整體表現上有重大 的影響。於此領域使用模糊理論時，神經網路的表現可為 最佳。更精確地說，藉由對許多規則基礎設定神經網路尺 寸，以及使用任一模糊函數做為活化函數，神經網路的表 現可為最佳。 在模糊神經演算法中，神經網路係作為頭腦之硬體實 施模型，以及人類思維之模糊概念模型。 由神經網路演算法與遺傳演算法(G A)結合而成的神經 遺傳廣算法（GA)係為執行不同參數的辨識之演算法，且需 等，數X實行使用遺傳演算法（GA)之神經網路的 性演算法之學習。 ，除了該等演算法，軟式計算單元2()可運用由神經網 與細胞自動機演算法（CA)結合而成的神經·細胞 機肩异法，由神經網路演算法與約略集合演算法灶人 而成的神經'約略集合演算法，等等。 鼻法〜 來估W也Π 軟式計算單元2G使賴糊神經演算法 軟式=演m中模糊神經演算法只說明融合型 示了杈糊神經演算法之外，軟式計算單 態。”可使用融合型軟式計算演算法來估計電池充電狀 軟式計算單元20係以福甸丨留- 電壓V、及傲 / 70 1所測得的電流i， 及恤度T ’與一偵測時間 演算法，# B am 吁Π让為基礎以執行模糊神經 去並且輸出電池充電狀態之估計值F。 當從比較H 40接收-演算法更新 i=r。演算法上執行-學㈣算法，二: S軟式計异演算法被更新時，軟式計算單元α執行該 2新的軟式計算演算法，並且輸出已更新的電池充電狀 態估計值F。 充電放電器30供給電池單元1〇之充電/放電電流。 比較器40係將軟式計算單元2〇冑出之估計值f與一 預定目標值FT比較。當輸出的估計值F與目標值打間之 差異係大於-臨介範圍時，比較器4G輸出演算法更新訊號 至軟式計算單元20。 理想中，目標值FT是真正“名副其實的，，電池充電狀 態數值。然而，因為找出此數值係為困難，因此，在明確 條件下係採用透過適當的試驗所獲得的參考值。 譬如，目標值FT可為補償由充電/放電器輸入至電池 額疋谷Ϊ之安培-小時（Ah)計數值、及斷路電壓（〇vc)量測 值之數值。 圖2說明在圖1之軟式計算單元20中之模糊神經網路 的結構。請參照圖2 ’模糊神經網路一般係由輸入層、隱藏 層、以及輸出層所組成的。 假設基礎函數的數量是等同於模糊控制規則的數量、 1320977 . 假設模糊規則的結論是一常數、假設該網路之運算子係等 同於輸出層函數、以及假設在模糊規則中的歸屬函數是等 寬度（散佈程度）的基礎函數，則模糊系統是等同於圖2的一 徑向基礎函數網路。在此，徑向基礎函數網路是神經網路 5 之一具體名字，且係為一種神經網路。 軟式計鼻單元20係根據模糊神經網路的結構執行模 糊神經演算法。模糊神經演算法不外乎是電池充電狀態估 计演算法。係以等式1表示根據軟式計算單元2〇中之模糊 神經網路以應用電池充電狀態估計演算法之最後輸出之一 10 形式。

等式1 F = Φ (P，X)W 其中’ Φ是模糊徑向函數、或徑向基礎函數、或神經 網路中之活化函數，ρ是參數，X是輸入值，W是在學 15 期間待更新之比重值。 現在，下列為等式1於圖2之模糊神經網路結構之廉 用。 心' 在圖2中，X — xd(k)係為輸入至模糊神經網路纟士構之 —輪入數據向量。在本實施例中，“(”二⑴^让卜此處， hv、和τ是電流、電壓、和溫度數據，該等數據皆於時 間點k被圖【之偵測單元u從電池單元1〇所债測到的。 在等式1中，F，即最後輸出值，係徑向函數 和wd(k)的產物β 此處，W係表徵連接力（比重）之係數。藉由於下面將 12 1320977 .敘述之反傳導（Bp)學習演算法，w在每個時間點k都會被 更新。如此，函數趨近執行非線性函數之辨識。 由圖1之比較器40比較模糊神經網路之輸出值F以及 目輮值FT。當介於輸出值g〇和目標值gT間的誤差是超過 5 一臨界範圍（例如3%)時，圖】之比較器4〇輸出更新訊號到 圖1之軟式計算單元20。 當圖1之軟式計算單元2〇接收演算法更新訊號時，圖 2的模糊神經網路執行學習演算法。在本實施例中，學習演 算法將以聚焦在BP學習演算法上以說明，但是其僅作為解 ίο說。譬如’學習演算法可包括卡曼濾波器（KalmanFilter)， 遺傳演算法，模糊學習演算法，等等。 至於BP學習演算法，首先，以下式定義誤差函數。 等式2 E= l/2x(FT(k)-F(k)) 15 其中，FT(k)是期望輸出值，即目標值，而F(k)是模糊 神經網路的實際輸出值。因此，以下列等式3表示最後的 比重更新值。 等式3 W(t+1)= W(t)+ 7? (- SE/δΨ) 20 其中，77為學習值。 以此種方式，藉著反覆執行BP學習演算法而更新模 糊神經演算法。£明確地，藉著反覆執行Bp學習演算法而 更新模糊神經演算法的w值。 又，模糊神經網路藉由被更新的w值決定新的輪出值 13 以輸出至比較器40。此過程係被重複直到模糊神經網路 的輸出值F和目標值FT之間的誤差落在一預定範圍中。 當模糊神經網路的輪出值F與目標值FT之間的誤差 $ :偏離在該預定範圍之外時’圖！之比較器如並不傳送演 5算法更新訊號。因此，在模糊神經網路中之學習演算法的 執^係終止。使用藉由執行學習演算法得到之最終模糊神 4决算法公式（如，等式1}而輸出電池充電狀態的估計值。 圖3係本發明一實施例之估算充電狀態方法之流程 圖。請參照圖3’偵測單元U從電池單元1〇於時間點k(步 1〇驟S30)偵測到電流i、電壓V、和溫度T。 軟式計算單元20使用從偵測單元11偵測到的電流i， 電壓V，#溫度τ的數據，以及時間k的數據，作為輸入數 據向量而執行模糊神經演算法，因而，輸出一臨時估計值 g〇(步驟S32)。換言之，軟式計算單元2〇使用_)=(丨，v， 15 T，k)以執仃模糊神經演算法，因而，輸出一臨時估計值F。 比較器40將此一臨時估計值F與目標值FT比較，並 且檢查是否比較之誤差係落在3°/。（步驟S34)中。在本實施 例中，誤差的臨界範圍係設在3%之内，但其僅是說明。相 應地，誤差的臨界範圍可由設計者充份變化❶當誤差的臨 2〇界範圍复狹窄時，電池充電狀態的最後估計值會變較高， 而备誤差的臨界範圍變寬時，電池充電狀態的最後估計值 會變較低。 當臨時估計值F與目標值FT之間的誤差是在3%之外 時軟式。·}·算單元2〇在模糊神經演算法上執行上述的學習 14 1320977 演算法，因此更新模糊神經演算法（步驟S36)。 計算單元20執行被更新的軟式計算演算法以計算電池充人^ 狀態之一被更新後的臨時估計值F(步驟§32)。

10 比較器40將此一被更新的臨時估計值f 二二並檢查比較之誤差是不是落在3%裡面(步驟：句。 叫估計值F與目標值”之間的誤差在外之外時軟 式計算單A 20在模糊神經演算法上再次地執行學習演算 法，並且執行被更新後的模糊神經演算法（步驟S32)。/' 換言之，軟式計算單元2G重複地執行學f演算法，以 及更新後的模糊神經演算法’直賤時估計值f盘目標值 FT之間的誤差是在3%之内。 當臨時估計值F與目標值FT之間的誤差是在则 時’軟式計算單it 20*執行學習演算法。结果，得到一個 最終之模糊神經演算法公式（例如等式3)。 15 ㈣最終模糊神經演算法公式計算所得之臨時估計值 F係被判定為電池充電狀態之固定估計值F(步驟s38)。 本發明可以電腦可讀編碼實行一電腦可讀記錄媒介。 電腦可讀記錄媒介包括所有類型之其中儲存電腦可讀資料 之媒介。電腦可讀資料之媒介的範例包括唯讀式記憶體 2〇 (R〇M)、隨機存取記憶體（RAM) '光碟（CD)-R〇M、磁帶、 軟磁片、光學數據存儲設備，$等，且更可以載波（例如透 過網際網路來傳輸）之型態實施之物。更進一步地，電腦可 讀記錄媒介是可透過網路連結而傳播於電腦系統中並且 允許電腦可讀取之編碼以儲存和執行之方式散佈。 15 l j厶11 工業上的應用 ι — 巾可以得知，根據本發明，透過融合型軟式計 异决异法和學習演算法，可立即估計電池充電狀態。更進 ν於不同的核境中，如溫度，充電速率，等等，可更 精確地而使用最少數據估計電池充電狀態。 >因此根據本發明’可在高充電速率的環境中，精確 估計電池充電狀態。因為使用融合型軟式計算演算法估計 電池充電狀態’其可克服各個單—軟式計算演算法僅在一 特殊環境巾是相對精確，而在別的環境巾降低其精碎度之 缺點。 ㈣是#以❹模㈣經演算法來當作融合型軟式計 算演算法時’模糊邏輯係以神經網路而實施。因此，苴可 • {透過學習自動地創造模糊規則。由於此種可能性，相較 於已存在的單-模糊神經演算法，在初始比重設定穩定度 15及系統收斂有關之出色表現係為可能。 本發明是能被廣泛地使用於對電池充電狀態的估計有 • 冑要較高精確度的領域’如，混合動力車業。因此，本發 明可應用於混合動力車的經離子聚合物電池（㈣），及他 類電池。 20 1述實施例僅係為了方便說明而舉例而已，本發明所 主張之權利範圍自應以申請專利範圍所述為準，而非僅限 於上述實施例。 【圖式簡單說明】 16 圖1係本發明—私从— 較佳貫施例之對於估計電池充電狀態（socn 的裝置之方塊圖。 二+例說明圖1的軟式計算單元中模糊神經網路 構。 5圖3係本發明一較佳實施例之估計電池充電狀態方法的流 程圖。 【主要元件符號說明】 電流偵測器12 軟式計算單元20 電池單元1 0 偵測單元11 電壓偵測器14 溫度偵測器16 充電放電器30 比較器40 步驟 S30，S32，S34，S36，S38 17

Claims (1)

1. 第 98年11'月修正頁公告本 、申請專利範圍： . ρ 日修 sbM 1· 一種估計一電池之—充電狀態（5〇(：)之裝置，包括： -偵測器單元，其偵測一電池單元之一電流，一電壓 及一溫度；以及 ^ 一軟式計算單元，由該偵測器單元所偵測之該電流、 »亥電C和該溫度’計算並輸出一電池充電狀態估計值該 價測器單S係使用—融合型軟式計算演算法其係以一神 經網路演算法及軟式計算演算法相互結合以適合地更新參 數；以及 / 比較益，係連接於該軟式計算單元以監測該軟式計 算單元輸出之充電狀態估計值，比較該估計值與一隨電^ 充電電之預定目標值以及提供演算法更新訊號至該軟 j彳f單7L ’藉由一學習性演算法以更新該融合型軟式計 算演算法，其中當由該軟式計算單元輸出的估計值與一預 15 設目標值之間之一#显技田>Wr 差異係在一 6¾界鞄圍之外時，係造 習以跟隨該預設目標值。 …2·根據中請專利範圍第1之裝置，其中該軟式計算 早兀· 20 將該神經網路演算法與一模糊演算法、一遺傳演算法 (㈤、-細胞自動機演算法（CA)、一免疫系統演算法 -約略集合演算法之任一結合’所有的該些演算 更新複數個參數值；以及 適切地更新該神經網路演算法之該等參數值。 3·根據中請專利範圍第丨項之裝置，其中該目標值係 18 1320977 .透過一特定條件下對應之一試驗所取得的—參考值。 • 4·根據φ請專利範圍第3項之裝置’其中該目標值係 為自一充電放電器輸出至該電池之額定容晋 —— 至 < 女培·小 時（Ah)計數值及一斷路電壓（〇vc)值之一補償值。 5 5.根據申請專利範圍第1項之裝置，其中該學習演曾 法係為一倒傳遞學習演算法、一卡曼濾波器一遺傳演= 法、及一模糊學習演算法之任一個。 、 • 6.根據申請專利範圍第2項之裝置，其中，該目枳值 Φ -係透過在一特定條件下對應的一試驗所取得的一參考值\ 10 7·根據申請專利範圍第2項之裝置，其中該目標值係 為自一充電放電器輸出至該電池之額定容量之一安培-小 ' 時（Ah)計數值及一斷路電壓值（OCV)之一補償值。 - 8.根據申請專利範圍第2項之裝置，其中，該學習演 算法係為一倒傳遞學習演算法、一卡曼濾波$、一遺傳= 15 算法、及一模糊學習演算法之任一個。 9. 一種估計電池充電狀態（s〇c)之方法，該方法之步 I 驟包括： 偵測電池單元之一電流、一電壓及一溫度之步驟； 使用融5型軟式計鼻演算法，由所偵測之該電流、 2°該電壓和該溫度計算一電池充電狀態估計值，其係以一神 經網路决算法及軟式計算演算法相互結合以適合地更新參 數； 計算該計算出之估計值與一隨電池充電或放電之預定 目標值間之一差異值； 19 1320977 監測該差異值；以及 當該差異值係在一臨界範圍之外時，藉由一學習性演 法以更新戎融合型軟式計算演算法，使造成學習以跟隨 該預設目標值。 1 〇_根據申請專利範圍第9項之方法，其中該神經網 路廣算法係與-模糊演算法、—遺傳演算法（ga)、一細胞 自動機演具法（CA)、—免疫系統演算法及—約略集合演 异法之任一個結合，所有該些演算法適切地更新複數個參 數值，且適切地更新該神經網路演算法之該等參數值。 10 n.根據申請專利範@第9項之方法，其中該目標值 係透過一特定狀況下對應之一試驗所取得的一參考值。 12·根據申請專利範圍第9項之方法其中該目標值 係為自一充電放電器輸出至該電池之額定容量之—安培_ 小時（Ah)計數值及一斷路電壓值（〇cv)之—補償值。 15 1 J •根據申請專利範圍第 2〇 穴丫 战竿習、、寅 算法係為一倒傳遞學習演算法、一卡曼濾波器、一遺運 演算法、一模糊學習演算法之任一個。 運 14.根據申請專利範圍第1〇項之方法其中該^ 係透過在一特定條件下對應的一試驗所取得的—參"目標值 I5·根據申凊專利範圍第10項之方法，甘A 再中該目；ρ 係為自一充電放電器輸出至該電池之額定容量之一^ 小時（Ah)計數值及一斷路電壓值（〇cv)之一補俨值女培- 20 1320977

   16.根據申請專利範圍第10項之方法，其中該學習演 算法係為一倒傳遞學習演算法、--^曼濾波器、一遺傳運 演算法、及一模糊學習演算法之任一個。 21