TWI591359B - 鋰電池健康狀態估測器及其訓練方法與估測方法 - Google Patents
鋰電池健康狀態估測器及其訓練方法與估測方法 Download PDFInfo
- Publication number
- TWI591359B TWI591359B TW105133978A TW105133978A TWI591359B TW I591359 B TWI591359 B TW I591359B TW 105133978 A TW105133978 A TW 105133978A TW 105133978 A TW105133978 A TW 105133978A TW I591359 B TWI591359 B TW I591359B
- Authority
- TW
- Taiwan
- Prior art keywords
- neural network
- estimation
- lithium battery
- weight
- estimation module
- Prior art date
Links
Landscapes
- Secondary Cells (AREA)
Description
本發明涉及鋰電池,尤其涉及鋰電池的健康狀態估測器,以及健康狀態估測器的訓練方法與估測方法。
有鑑於鋰電池具有工作溫度範圍廣、自放電率低與循環壽命長等優點,近年來,各式電子產品紛紛採用鋰電池做為主要的電力來源。
由於技術上的困難,現有技術於對於鋰電池的健康狀態的估測並不準確。因此,目前市場上於使用鋰電池時通常只會判斷電池是否異常,例如是否無法正常充電、放電量是否小於標準值等,但不會提供鋰電池目前的健康狀態給使用者。
然而,近年來電動車越來越盛行,若只判斷鋰電池是否異常而不評估其健康狀態,則在使用者不明瞭鋰電池的剩餘壽命的情況下,恐會造成很大的問題。例如,若在開車途中鋰電池突然故障,將會造成使用者於交通上的不便,甚至會因為鋰電池的故障而導致電動車的其他零件受損。
有鑑於上述問題,市場上實需一種鋰電池的估測儀器,可以持續監控並估測鋰電池的健康狀態,以利使用者瞭解鋰電池的剩餘壽命。藉此,可於鋰電池的健康狀態低於一定標準時提前進行維修或更換,以避免鋰電池在正常使用狀況下突然故障所帶來的延伸問題。
本發明的主要目的,在於提供一種鋰電池健康狀態估測器及其訓練方法與估測方法,可同時依據多種不同的演算法來得到多個估測結果,並藉由各個演算法的權重來進行整合估測以決定最終的一個健康狀態估測值,藉此令所得的估測值能夠貼近鋰電池的實際狀態。
為了達成上述的目的,本發明的鋰電池健康狀態估測器主要包括多個電池資料檢測電路、一微處理單元及一顯示單元,其中該微處理單元電性連接該多個電池資料檢測電路及該顯示單元。該多個電池資料檢測電路分別連接一鋰電池,並偵測該鋰電池的各項數據。該微處理單元至少包括三個分別採用不同演算法的健康狀態估測模組及一組合式估測模組。該三個健康狀態估測模組分別依據該鋰電池的各項數據計算產生一筆估測結果。該組合式估測模組依據該三筆估測結果以及該三個健康狀態估測模組之權重計算一筆最終的健康狀態估測值,並顯示於該顯示單元上。
本發明於估測鋰電池的健康狀態之前,係先藉由龐大數量的資料離線訓練三個演算法所採用的運算參數,並決定三個演算法各自的權重。因此,在實際估測時,本發明可藉由獨立的三筆估測結果配合權重進行整合估測,使得最終計算得到的健康狀態估測值與現有技術相比,能夠更為相當貼近鋰電池的實際健康狀態。
11‧‧‧輸入資料正規化程式
12‧‧‧電池殘量估測程式
13‧‧‧健康狀態估測程式
131‧‧‧第一健康狀態估測程式
132‧‧‧第二健康狀態估測程式
133‧‧‧第三健康狀態估測程式
14‧‧‧組合方程式
2‧‧‧估測器
21‧‧‧微處理單元
211‧‧‧電池殘量估測模組
212‧‧‧RBF類神經網路估測模組
213‧‧‧BP類神經網路估測模組
214‧‧‧自適應模糊類神經網路估測模組
215‧‧‧組合式估測模組
22‧‧‧電池資料檢測電路
221‧‧‧電壓檢測電路
222‧‧‧電流檢測電路
223‧‧‧電池溫度檢測電路
224‧‧‧電池內阻檢測電路
23‧‧‧顯示單元
3‧‧‧鋰電池
S10~S28‧‧‧訓練步驟
S40~S58‧‧‧估測步驟
圖1為本發明的第一具體實施例的估測示意圖。
圖2為本發明的第一具體實施例的估測器方塊圖。
圖3為本發明的第一具體實施例的估測器訓練流程圖。
圖4為本發明的第一具體實施例的估測流程圖。
茲就本發明之一較佳實施例,配合圖式,詳細說明如後。
本發明主要揭露了一種鋰電池健康狀態估測器(下面將於說明書中簡稱為估測器),可以有效估測一鋰電池目前的健康狀態(State of Health,SoH)。
首請參閱圖1,為本發明的第一具體實施例的估測示意圖。本發明主要是藉由一估測器(如圖2所示的估測器2)來於一鋰電池(如圖2所示的鋰電池3)的使用期間對該鋰電池3進行檢測,以取得該鋰電池3的各項數據。接著,依據該些數據來分別執行三種不同類型且各自獨立的演算法,以得到三筆估測結果。最後,再藉由一組合方程式同時參考該三筆估測結果,並且配合預先計算的該三種演算法的權重進行整合估測,以得到該鋰電池3的一健康狀態估測值。
如圖1所示,上述該些數據可例如為該鋰電池3的一電壓值、一電流值、一溫度值、一內阻值等,但不加以限定。本實施例中,該估測器2係先將該些數據匯入一輸入資料正規化程式11,以對該些數據進行一正規化處理。接著,還可將該些數據匯入一電池殘量估測程式12,藉此估測該鋰電池3目前剩餘的電池殘量。
接著,該估測器2將該些數據以及該電池殘量分別匯入三個不同的健康狀態估測程式13,藉此分別計算得出三筆估測結果。本實施例中,該三
健康狀態估測程式13係包括一第一健康狀態估測程式131、一第二健康狀態估測程式132及一第三健康狀態估測程式133,並且該三健康狀態估測程式13係分別採用不同的演算法。其中,該三筆估測結果可能為相同之數值,亦可能為不同之數值。
於該三健康狀態估測程式13分別計算完成後,該估測器2再將該三筆估測結果匯入一組合方程式14。本實施例中,該組合方程式14中記錄有該估測器2預先評估得出的該三健康狀態估測程式13各自的一筆權重,因此該組合方程式14在接收了該三筆估測結果後,係同時依據該三筆估測結果及該三筆權重計算該鋰電池3最終的一健康狀態估測值。
本發明中,該三筆估測結果係分別為數值小於1的估測值,並且該三筆權重的總合為1。舉例來說,於一實施例中,該第一健康狀態估測程式131的估測結果為0.9且權重為0.3,該第二健康狀態估測程式132的估測結果為0.7且權重為0.5,而該第三健康狀態估測程式133的估測結果為0.8且權重為0.2,則該組合方程式經過計算後,可得出該健康狀態估測值為0.78(0.9*0.3+0.7*0.5+0.8*0.2)。
本發明係經由數據預先估測各個演算法的權重(容後詳述),並依據各個演算法的估測結果及權重新決定一筆最終的該健康狀態估測值。藉此,該健康狀態估測值會比單純將該三筆估測結果相加再除以三後所得之數值更為準確。
續請參閱圖2,為本發明的第一具體實施例的估測器方塊圖。如圖2所示,本發明揭露的該估測器2主要係連接至該鋰電池3,並且包括一微處理單元21及複數電池資料檢測電路22,其中該複數電池資料檢測電路22用以
連接該鋰電池3並分別檢測該鋰電池3的複數數據,該微處理單元21則電性連接該複數電池資料檢測電路22,並藉由該複數電池資料檢測電路22所檢測的該複數數據進行該鋰電池3的該健康狀態估測值的估測。
該微處理單元21主要包括一徑向基底函數(Radial Basis Function,RBF)類神經網路估測模組212、一倒傳遞(Back Propagation,BP)類神經網路估測模組213及一自適應模糊類神經網路估測模組214。本實施例中,該RBF類神經網路估測模組212係依據該複數數據執行一RBF類神經網路演算法以計算得出一第一估測結果,該BP類神經網路估測模組213係依據該複數數據執行一BP類神經網路演算法以計算得出一第二估測結果,而該自適應模糊類神經網路估測模組214係依據該複數數據執行一自適應模糊類神經網路演算法以計算得出一第三估測結果。
上述該RBF類神經網路演算法、BP類神經網路演算法與該自適應模糊類神經網路演算法即為圖1所示的該第一健康狀態估測程式131、該第二健康狀態估測程式132與該第三健康狀態估測程式133。值得一提的是,上述該第一估測結果、該第二估測結果與該第三估測結果主要為數值小於1的一估測值。
具體地,該複數電池資料檢測電路22係至少包括用以檢測該鋰電池3的一電壓值的一電壓檢測電路221、用以檢測該鋰電池3的一電流值的一電流檢測電路222、用以檢測該鋰電池3的一溫度值的一電池溫度檢測電路223以及用以檢測該鋰電池3的一內阻值的一電池內阻檢測電路224。並且,上述該複數數據至少包括該鋰電池3的該電壓值、該電流值、該溫度值及該內阻值。
該微處理單元21更包括一電池殘量估測模組211。本實施例中,該電池殘量估測模組211係依據該複數數據中的該電壓值、該電流值及該溫度值計算該鋰電池3的一電池殘量。並且,該RBF類神經網路估測模組212、該BP類神經網路估測模組213與該自適應模糊類神經網路估測模組214係分別依據該複數數據中的該電壓值、該電流值、該內阻值及該電池殘量來計算該第一估測結果、該第二估測結果及該第三估測結果。
必須說明的是,本發明於該估測器2正式執行線上估測動作前,已先對該RBF類神經網路估測模組212、該BP類神經網路估測模組213與該自適應模糊類神經網路估測模組214所採用的演算法進行過離線訓練動作。換句話說,上述的三種演算法所採用的運算參數係直接對應至該鋰電池3的各項數據,因此可依據該鋰電池3的各項數據進行運算並得出與該鋰電池3的實際健康狀態高度相關的估測結果。
該微處理單元21還包括一組合式估測模組215,該組合式估測模組215係記錄有該RBF類神經網路估測模組212的一第一權重、該BP類神經網路估測模組213的一第二權重及該自適應模糊類神經網路估測模組214的一第三權重。具體地,本發明於該估測器2正式執行線上估測動作前,先藉由一進化規劃法的使用,分別計算出上述該三筆權重(容後詳述)。因此,該組合式估測模組215可依據該第一估測結果、該第二估測結果、該第三估測結果以及該三筆權重執行一複合式估測法(即,圖1所示的該組合方程式14),藉此計算得出最終的該健康狀態估測值。並且,於本發明中,該三筆權重的總合為1。
較佳地,該複合式估測法可以下述數學模型加以表示:
如上述數學模型,其中y t (t=1,2,…,L)為實際的健康狀態估測數據,其中L為樣本數;M為估測方法的數量(即,該健康狀態估測程式13的數量,本實施例中為3);w i 為第i種估測方法的權重(即,該RBF類神經網路估測模組212、該BP類神經網路估測模組213與該自適應模糊類神經網路估測模組214的權重);y it 為第i種估測方法的估測結果;e it 為估測誤差;為w i 的估測值;為y it 的估測值;為該複合式估測法的估測值(即,該健康狀態估測值)。
本發明中,上述該電池殘量估測模組211、該RBF類神經網路估測模組212、該BP類神經網路估測模組213、該自適應模糊類神網路估測模組214與該組合式估測模組215可以硬體或軟體方式加以實現,不加以限定。
該估測器2還可進一步包括一顯示單元23,電性連接該微處理單元21。本實施例中,該顯示單元23可於該複數電池資料檢測電路22檢測了該鋰電池3後顯示該電壓值、該電流值、該溫度值與該內阻值,於該電池殘量估測模組211計算了該鋰電池的該電池殘量後顯示該電池殘量,於該RBF類神經網路估測模組212、該BP類神經網路估測模組213與該自適應模糊類神經網路估測模組214計算完成後顯示該第一估測結果、該第二估測結果與該第三估測結果,並於該組合式估測模組215計算完成後顯示該健康狀態估測值。
具體地,該顯示單元23可於該估測器2取得上述任一項資料後即加以顯示,或是依據使用者的操作,選擇性地顯示上述資料的至少其中之一,不加以限定。於一實施例中,該鋰電池3係為一電子裝置(圖未標示)的電池,該估測器2係設置於該電子裝置中,並且該顯示單元23整合於該電子裝置的一螢
幕。於另一實施例中,該鋰電池3係一電動車(圖未標示)的電池,該估測器2係設置於該電動車中,並且該顯示單元23整合於該電動車的一儀表板。
本發明主要是經過發明人之實驗與研究,於眾多的演算法中選擇具有較佳效能的該RBF類神經網路演算法、該BP類神經網路演算法及該自適應模糊類神經網路演算法做為該鋰電池3的主要估測法。具體來說,該RBF類神經網路演算法具有強健性高與近似能力強的優點,特別適合應用於非線性估測;該BP類神經網路演算法具有易收斂與對應映射性強的優點,特別適合應用於預測;該自適應模糊類神經網路演算法則結合了模糊推理與類神經網路的優點並補足兩者之缺點,提供了一種具有學習機制的模糊推理系統。
該RBF類神經網路演算法、該BP類神經網路演算法及該自適應模糊類神經網路演算法係為現有技術的一部分,於此不再贅述。本發明係依據發明人的實驗與評估選擇了該三種演算法來運用於鋰電池的估測領域,並藉由鋰電池的相關資料預先進行離線訓練。並且,於實際估測時再檢測並匯入目標鋰電池的相關資料,以由各個演算法分別運算並得出各自的估測結果後,再進行整合估測以得到最終且最準確的一筆該健康狀態估測值。
並且,本實施例中,該自適應模糊類神經網路演算法係採用一複合型學習法並利用最小平方估測調整線性參數集合,並以一最陡坡降法調整非線性參數集合;該RBF類神經網路演算法及該BP類神經網路演算法係分別以一正交最小平方理論選出一最佳隱藏層節點數目。上述線性參數集合、非線性參數集合與最佳隱藏層節點數目為類神經網路領域的公知技術,於此不再贅述。
參閱圖3,為本發明的第一具體實施例的估測器訓練流程圖。如前文中所述,若要以該估測器2中的該RBF類神經網路估測模組212、該BP類神經網路估測模組213與該自適應模糊類神經網路估測模組214來進行該鋰電池3的健康狀態的估測,則該些估測模組212、213、214所採用的演算法必須預先經過訓練,以令該些演算法所採用的一運算參數與該鋰電池3相關聯。
如圖3所示,首先,本發明係依據該鋰電池3的型號取得對應的複數訓練資料(步驟S10)。具體地,該複數訓練資料是實際量測該型號的該鋰電池3於各種條件下所得之各種數據,例如電流、電壓、內阻、溫度等,不加以限定。當該些演算法依據該複數訓練資料訓練完成後,採用了該些演算法的該估測器2即可用於估測相同型號的一或多顆該鋰電池3的健康狀態。
該步驟S10後,輸入該複數訓練資料並進行一資料正規化處理(步驟S12),接著依據正規化後的該複數訓練資料建立一訓練資料庫(步驟S14),該訓練資料庫中即記錄了該鋰電池3的各種樣型。接著,依據該訓練資料庫中的該複數訓練資料對該RBF類神經網路演算法進行訓練(步驟S16)、對該BP類神經網路演算法進行訓練(步驟S18)、並對該自適應模糊類神經網路演算法進行訓練(步驟S20)。值得一提的是,該步驟S16、S18與S20並沒有執行上的順序關係,該些演算法可依各種順序或同時被訓練。
上述的訓練動作完成後,即可分別得出各該演算法所採用的一運算參數,並且該運算參數對應至提供該複數訓練資料的該鋰電池型號。具體地,上述的訓練動作係為類似深度學習(Deep learning)或機械學習(Machine learning)的學習程序,但不加以限定。
接著,本發明通過一進化規劃法分析該複數訓練資料,以分別得出各該演算法的權重(步驟S22),較佳地,係得出該RBF類神經網路演算法的一第一權重、該BP類神經網路演算法的一第二權重及該自適應模糊類神經網路演算法的一第三權重。其中,該第一權重、該第二權重與該第三權重的總合為1。
具體地,該進化規劃法主要包括複製(Reproduction)、突變(Mutation)、競爭(Competition)與選取(Selection)四個程序。本發明係將該三個演算法可能產生的各種組合分別視為該進化規劃法中的一個族群,於執行分析時,係先隨機選擇一個族群(為父代族群),並經由一突變程序產生該群組的下一代(Offspring)族群(為子代族群)。
接著,再依據該父代族群的目標函數與該子代族群的目標函數進行一競爭程序,以計算出每一族群的權重值(Weight value)。接著,再依據所有族群(包括父代族群與子代族群,例如2K個)進行一選取程序,於當前的2K個族群中選擇權重值較大的K個族群,並重覆執行上述的突變程序、競爭程序與選取程序。
該步驟S22後,係判斷當前的分析是否已符合了該進化規劃法的一結束準則(步驟S24),即,是否已選出一最佳解而可停止分析程序。若於步驟S24中判斷為否,則再次執行該步驟S22,以持續尋找最佳的權重值(即,前文所述的該第一權重、該第二權重及該第三權重)。若於該步驟S24中判斷為是,則結束該進化規劃法的執行。
值得一提的是,該進化規劃法係為現有技術的一部分。於本發明中,發明人係藉由該進化規劃法的運算來預先決定該估測器2所採用的多個演
算法各自的權重。藉此,於實際估測該鋰電池3的健康狀態時,可藉由各個演算法各自的估測結果以及被分配的權重,決定出一個最終的健康狀態估測值。
該步驟S24後,係將於該步驟S16、S18、S20中所得的該運算參數分別儲存至該估測器2的該微處理單元21中(步驟S26)。具體地,該步驟S24係分別將該RBF類神經網路演算法的該運算參數儲存至該RBF類神經網路估測模組212、將該BP類神經網路演算法的該運算參數儲存至該BP類神經網路估測模組213、並將該自適應模糊類神經網路演算法的該運算參數儲存至該自適應模糊類神經網路估測模組214。
並且,該步驟S24後,還將於該步驟S22中所得的該些權重值儲存至該組合式估測模組215(步驟S28)。具體地,該步驟S28係分別將該RBF類神經網路演算法的該第一權重、該BP類神經網路演算法的該第二權重及該自適應模糊類神經網路演算法的該第三權重儲存至該組合式估測模組215。
值得一提的是,該步驟S26、S28並沒有執行上的順序關係,該估測器2係可先後儲存該些運算參數與該些權重值,或是同時儲存,不加以限定。於該步驟S26、S28結束後,該估測器2的離線訓練程序即告完成,而可被裝載至電子裝置或電動車中,並對相關型號的該鋰電池3進行健康狀態的估測。
續請參閱圖4,為本發明的第一具體實施例的估測流程圖。本發明中,該估測器2主要設置於一電子器物(圖未標示)中,並用以估測該電子器物的該鋰電池3的健康狀態。首先,該鋰電池3係於該電子器物啟動後被激活(步驟S40),並且該估測器2可於該鋰電池3被激活後取得該鋰電池3的各項數據(步驟S42),並且對該些數據進行一資料正規化處理(步驟S44)。
接著,該估測器2分別將該些數據匯入該RBF類神經網路估測模組212、該BP類神經網路估測模組213與該自適應模糊類神經網路估測模組214,藉以分別得出三筆相同或不同的估測結果。
具體地,上述該些數據至少包括該鋰電池3的一電壓值、一電流值、一溫度值及一內阻值。該步驟S44後,該估測器2將該電壓值、該電流值及該溫度值匯入該微處理單元21中的該電池殘量估測模組211,以估測該鋰電池3目前的一電池殘量(步驟S46)。
該步驟S46後,該估測器2將該鋰電池3的該電壓值、該電流值、該內阻值及該電池殘量分別匯入該RBF類神經網路估測模組212、該BP類神經網路估測模組213與該自適應模糊類神經網路估測模組214,藉此由該RBF類神經網路估測模組212估測出一第一估測結果(步驟S48)、由該BP類神經網路估測模組213估測出一第二估測結果(步驟S50),並由該自適應模糊類神經網路估測模組214估測出一第三估測結果(步驟S52)。值得一提的是,上述該步驟S48、S50與S52並沒有執行上的順序關係。
接著,該估測器2將該第一估測結果、該第二估測結果與該第三估測結果匯入該組合式估測模組215,該組合式估測模組依據該第一估測結果、該第二估測結果、該第三估測結果以及預先估測完成的該第一權重、該第二權重及該第三權重來執行前述的該複合式估測法,以計算得出該鋰電池3的一健康狀態估測值(步驟S54)。最後,該估測器2通過該顯示單元23來顯示估測所得的該健康狀態估測值(步驟S56)。
本實施例中,該估測器2係於估測同時判斷該鋰電池3是否停止使用(步驟S58),即,該電子器物是否關閉。並且,於該鋰電池3停止使用之前,
重覆執行該步驟S42至該步驟S58。藉此,該估測器2可於該鋰電池3的使用期間持續估測並顯示該鋰電池3的該健康狀態估測值,以利使用者隨時注意該鋰電池3的剩餘壽命,進而避免因該鋰電池3突然故障所造成之延伸問題。
以上所述僅為本發明之較佳具體實例,非因此即侷限本發明之專利範圍,故舉凡運用本發明內容所為之等效變化,均同理皆包含於本發明之範圍內,合予陳明。
2‧‧‧估測器
21‧‧‧微處理單元
211‧‧‧電池殘量估測模組
212‧‧‧RBF類神經網路估測模組
213‧‧‧BP類神經網路估測模組
214‧‧‧自適應模糊類神經網路估測模組
215‧‧‧組合式估測模組
22‧‧‧電池資料檢測電路
221‧‧‧電壓檢測電路
222‧‧‧電流檢測電路
223‧‧‧電池溫度檢測電路
224‧‧‧電池內阻檢測電路
23‧‧‧顯示單元
3‧‧‧鋰電池
Claims (10)
- 一種鋰電池健康狀態估測器,運用於一鋰電池,包括:複數電池資料檢測電路,連接該鋰電池並分別檢測該鋰電池的複數數據;及一微處理單元,電性連接該複數電池資料檢測電路,並且包括:一徑向基底函數(Radial Basis Function,RBF)類神經網路估測模組,依據該複數數據執行一RBF類神經網路演算法以計算得出一第一估測結果;一倒傳遞(Back Propagation,BP)類神經網路估測模組,依據該複數數據執行一BP類神經網路演算法以計算得出一第二估測結果;一自適應模糊類神經網路估測模組,依據該複數數據執行一自適應模糊類神經網路演算法以計算得出一第三估測結果;及一組合式估測模組,記錄該RBF類神經網路估測模組的一第一權重、該BP類神經網路估測模組的一第二權重及該自適應模糊類神經網路估測模組的一第三權重,並依據該第一估測結果、該第二估測結果、該第三估測結果、該第一權重、該第二權重及該第三權重執行一複合式估測法以計算得出一健康狀態估測值,其中該第一權重、該第二權重及該第三權重的總合為1,該複合式估測法計算該第一估測結果與該第一權重的乘積、該第二估測結果與該第二權重的乘積以及該第三估測結果與該第三權重的乘積之總合,以做為該健康狀態估測值。
- 如請求項1所述的鋰電池健康狀態估測器,其中該複數電池資料檢測電路包括一電壓檢測電路、一電流檢測電路、一電池溫度檢測電路及一電池內阻檢測電路,該複數數據包括該鋰電池的一電壓值、一電流值、一溫度值及一內阻值。
- 如請求項2所述的鋰電池健康狀態估測器,其中該微處理單元更包括一電池殘量估測模組,依據該電壓值、該電流值及該溫度值計算該鋰電池的一電池殘量,並且該RBF類神經網路估測模組、該BP類神經網路估測模組與該自適應模糊類神經網路估測模組分別依據該電壓值、該電流值、該內阻值及該電池殘量計算該第一估測結果、該第二估測結果及該第三估測結果。
- 如請求項3所述的鋰電池健康狀態估測器,其中該第一估測結果、該第二估測結果及該第三估測結果分別為數值小於1的一估測值。
- 如請求項3所述的鋰電池健康狀態估測器,其中更包括一顯示單元,電性連接該微處理單元,用以顯示該電壓值、該電流值、該溫度值、該內阻值、該電池殘量、該第一估測結果、該第二估測結果、該第三估測結果及該健康狀態估測值的至少其中之一。
- 如請求項1所述的鋰電池健康狀態估測器,其中該自適應模糊類神經網路演算法採用一複合型學習法並利用最小平方估測調整線性參數集合,並以一最陡坡降法調整非線性參數集合;該RBF類神經網路演算法及該BP類神經網路演算法分別以一正交最小平方理論選出一最佳隱藏層節點數目。
- 一種如請求項1所述的鋰電池健康狀態估測器的訓練方法,包括:a)輸入複數訓練資料並進行一資料正規化處理;b)依據正規化後的該複數訓練資料建立一訓練資料庫;c)依據該複數訓練資料分別對該RBF類神經網路演算法、該BP類神經網路演算法及該自適應模糊類神經網路演算法進行訓練,以分別得出該RBF類神 經網路演算法、該BP類神經網路演算法及該自適應模糊類神經網路演算法的一運算參數;d)通過一進化規劃法處理該複數訓練資料以計算該第一權重、該第二權重及該第三權重;e)分別儲存該RBF類神經網路演算法、該BP類神經網路演算法及該自適應模糊類神經網路演算法的該運算參數至該RBF類神經網路估測模組、該BP類神經網路估測模組及該自適應模糊類神經網路估測模組;及f)儲存該第一權重、該第二權重及該第三權重至該組合式估測模組。
- 如請求項7所述的訓練方法,其中該步驟a之前更包括一步驟a0:依據該鋰電池的型號取得對應的該複數訓練資料,其中訓練完成的該鋰電池健康狀態估測器用於估測相同型號的該鋰電池的健康狀態。
- 一種如請求項1所述的鋰電池健康狀態估測器的估測方法,包括:a)取得該鋰電池的該複數數據;b)對該複數數據進行一資料正規化處理;c)該RBF類神經網路估測模組依據該複數數據執行該RBF類神經網路演算法以計算得出該第一估測結果;d)該BP類神經網路估測模組依據該複數數據執行該BP類神經網路演算法以計算得出該第二估測結果;e)該自適應模糊類神經網路估測模組依據該複數數據執行該自適應模糊類神經網路演算法以計算得出該第三估測結果; f)該組合式估測模組依據該第一估測結果、該第二估測結果、該第三估測結果、該第一權重、該第二權重及該第三權重執行該複合式估測法以計算得出該健康狀態估測值,其中該第一權重、該第二權重及該第三權重的總合為1;及g)藉由一顯示單元顯示該健康狀態估測值。
- 如請求項9所述的估測方法,其中該複數數據包括該鋰電池的一電壓值、一電流值、一溫度值及一內阻值;該估測方法更包括一步驟a1:該步驟a後,依據該電壓值、該電流值及該溫度值計算該鋰電池的一電池殘量;於該步驟c、該步驟d與該步驟e中,該RBF類神經網路估測模組、該BP類神經網路估測模組與該自適應模糊類神經網路估測模組係分別依據該電壓值、該電流值、該內阻值及該電池殘量計算該第一估測結果、該第二估測結果及該第三估測結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105133978A TWI591359B (zh) | 2016-10-21 | 2016-10-21 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105133978A TWI591359B (zh) | 2016-10-21 | 2016-10-21 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI591359B true TWI591359B (zh) | 2017-07-11 |
TW201816416A TW201816416A (zh) | 2018-05-01 |
Family
ID=60048593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105133978A TWI591359B (zh) | 2016-10-21 | 2016-10-21 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI591359B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633452A (zh) * | 2018-12-24 | 2019-04-16 | 广东省智能制造研究所 | 一种电池健康度检测方法及检测装置 |
CN111812538A (zh) * | 2020-07-22 | 2020-10-23 | 兰州兰石恩力微电网有限公司 | 一种动力电池评估系统 |
TWI794787B (zh) * | 2021-04-13 | 2023-03-01 | 國立臺灣科技大學 | 線上電池壽命預測方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT521643B1 (de) | 2018-08-31 | 2020-09-15 | Avl List Gmbh | Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie |
TWI757161B (zh) * | 2021-04-23 | 2022-03-01 | 國立中山大學 | 電池健康狀態估測方法 |
-
2016
- 2016-10-21 TW TW105133978A patent/TWI591359B/zh not_active IP Right Cessation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633452A (zh) * | 2018-12-24 | 2019-04-16 | 广东省智能制造研究所 | 一种电池健康度检测方法及检测装置 |
CN111812538A (zh) * | 2020-07-22 | 2020-10-23 | 兰州兰石恩力微电网有限公司 | 一种动力电池评估系统 |
TWI794787B (zh) * | 2021-04-13 | 2023-03-01 | 國立臺灣科技大學 | 線上電池壽命預測方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201816416A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI591359B (zh) | 鋰電池健康狀態估測器及其訓練方法與估測方法 | |
US11422192B2 (en) | Method and apparatus for estimating state of health of battery | |
US10746804B2 (en) | Battery management method and apparatus | |
Dai et al. | ANFIS (adaptive neuro-fuzzy inference system) based online SOC (State of Charge) correction considering cell divergence for the EV (electric vehicle) traction batteries | |
JP5307113B2 (ja) | 満充電検知装置および満充電検知方法 | |
JP6145824B2 (ja) | 電池診断装置および電池診断方法 | |
JP7157909B2 (ja) | 電池容量の推定方法、および電池容量の推定装置 | |
JP5442583B2 (ja) | 電源装置用状態検知装置及び電源装置 | |
JP6234946B2 (ja) | 電池状態推定装置 | |
JP5400732B2 (ja) | パラメータ推定装置 | |
Rahimifard et al. | Interacting multiple model strategy for electric vehicle batteries state of charge/health/power estimation | |
JP2011122951A (ja) | 二次電池の充電状態推定装置および劣化状態推定装置 | |
CN108205114B (zh) | 电池寿命的预测方法及系统 | |
JP2013044598A (ja) | 二次電池の劣化管理システム | |
JP7157908B2 (ja) | 電池容量の推定方法および電池容量の推定装置 | |
JP2015135286A (ja) | 二次電池の特性推定装置 | |
CN108761343A (zh) | Soh校正方法及装置 | |
JP2022077515A (ja) | 電気車両のための充電インフラストラクチャ・システムの障害を検出するための方法およびシステム | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
JP2022052373A (ja) | 情報処理装置、情報処理方法、及びコンピュータプログラム | |
CN116973796A (zh) | 一种电池一致性评估方法、系统、设备及介质 | |
WO2021149673A1 (ja) | 判定装置、劣化判定システム、作業支援装置、劣化判定方法、及びコンピュータプログラム | |
JP2020106316A (ja) | 電池容量推定方法、および電池容量推定システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |