TWI757161B - 電池健康狀態估測方法 - Google Patents
電池健康狀態估測方法 Download PDFInfo
- Publication number
- TWI757161B TWI757161B TW110114734A TW110114734A TWI757161B TW I757161 B TWI757161 B TW I757161B TW 110114734 A TW110114734 A TW 110114734A TW 110114734 A TW110114734 A TW 110114734A TW I757161 B TWI757161 B TW I757161B
- Authority
- TW
- Taiwan
- Prior art keywords
- voltage
- difference
- battery
- temperature
- time
- Prior art date
Links
Images
Landscapes
- Secondary Cells (AREA)
Abstract
一種電池健康狀態估測方法包含一量測單元量測一電池於一第一時間點的一電流、一第二時間點的一第一電壓、於一第三時間點的一第二電壓、於一第四時間點的一第三電壓以及兩個不同時間點下的一第一溫度及一第二溫度；一運算單元計算該第一電壓及該第二電壓之間的一第一電壓差、該第二電壓及該第三電壓之間的一第二電壓差及該第一溫度及該第二溫度之間的一溫度差；以及一類神經網路單元根據該電流、該第一電壓、該第二電壓、該第三電壓、該第一電壓差、該第二電壓差及該溫度差估測該電池的一健康狀態。
Description
本發明是關於一種電池狀態估測方法，特別是關於一種電池健康狀態估測方法。
隨著電動汽機車的發展逐漸成熟，電池的用量也同步地增加，但由於電動汽機車有著續航性及安全性的需求，當電池的健康狀態(State of Health, SOH)下降至80%以下時就需要將其汰除，導致汰除電池的處理也逐漸地成為環境保護的問題之一。但若汰除電池保有70%~80%的健康狀態時，則仍可作為能源系統的儲能裝置，因此，在汰除電池進行完整的健康狀態評估後，狀態合適的汰除電池可再重複使用。但一般電池的健康狀態評估必須進行完整的充放電流程才能夠計算出可靠度較高的數據，導致汰除電池的健康度評估相當費時而沒有效率。
本發明的主要目的在於以短時間中量測或計算而得的七個特徵數據透過類神經網路估算電池的健康狀態，而能夠快速評估汰除電池的健康狀態。
本發明之一種電池健康狀態估測方法包含一量測單元量測一電池於一第一時間點的一電流、於一第二時間點的一第一電壓、於一第三時間點的一第二電壓、於一第四時間點的一第三電壓以及兩個不同時間點下的一第一溫度及一第二溫度；一運算單元計算該第一電壓及該第二電壓之間的一第一電壓差、該第二電壓及該第三電壓之間的一第二電壓差及該第一溫度及該第二溫度之間的一溫度差；以及一類神經網路單元根據該電流、該第一電壓、該第二電壓、該第三電壓、該第一電壓差、該第二電壓差及該溫度差估測該電池的一健康狀態。
本發明透過該電池的該電流、該第一電壓、該第二電壓、該第三電壓、該第一電壓差、該第二電壓差及該溫度差評估該電池的該健康狀態，由於該七個特徵數據可在短時間內量測或計算而得，可大幅地降低電池之該健康狀態的評估時間，以增進判斷汰除電池是否可再利用的效率。
請參閱第1圖，其為本發明之一實施例，一種電池健康狀態估測方法10的流程圖，其包含「量測單元量測電池的電流、電壓及溫度11」、「運算單元計算電壓差及溫度差12」及「類神經網路單元估測電池的健康狀態13」。
請參閱第1及2圖，於步驟「量測單元量測電池於不同時間點下的電流、電壓及溫度11」中，一量測單元量測一電池於一第一時間點t
1的一電流I、於一第二時間點t
2的一第一電壓V
1、於一第三時間點t
3的一第二電壓V
2、於一第四時間點t
4的一第三電壓V
3以及兩個不同時間點下的一第一溫度T
1及一第二溫度T
2。
在本實施例中，該量測單元可包含安培計、伏特計、溫度計及記憶單元，以分別量測該電池的電流、電壓及溫度並暫時儲存所量測之數據。在本實施例中，該第一溫度T
1是在該第一時間點t
1下量測，而該第二溫度T
2是在該第四時間點t
4下量測，在其他實施例中，該第一溫度T
1及該第二溫度T
2亦可在其他不同的兩個時間點下量測。
較佳的，請參閱第2圖，該第二時間點t
2與該第一時間點t
1之間具有一第一時間差Δt
1，該第三時間點t
3與該第二時間點t
2之間具有一第二時間差Δt
2，該第四時間點t
4與該第三時間點t
3之間具有一第三時間差Δt
3，且該第一時間差Δt
1、該第二時間差Δt
2及該第三時間差Δt
3的時間相同。在本實施例中，該第一時間差Δt
1、該第二時間差Δt
2及該第三時間差Δt
3的時間小於600秒，而可在短時間內完成所需之數據的量測，該時間可依照電池種類及容量加以調整。較佳的，以12V、90AH的鉛酸電池為例，該第一時間差Δt
1、該第二時間差Δt
2及該第三時間差Δt
3的時間為60秒，而約可在3分鐘完成所有數據的量測。
接著，請參閱第1及2圖，於步驟「運算單元計算電壓差及溫度差12」中，一運算單元計算該第一電壓V
1及該第二電壓V
2之間的一第一電壓差V
D1、該第二電壓V
2及該第三電壓V
3之間的一第二電壓差V
D2及該第一溫度T
1及該第二溫度T
2之間的一溫度差T
D。其中，該運算單元可為一微處理器或一計算機，該運算單元由該量測單元接收量測數據，並將其轉換為數位形式後進行運算。
最後，請參閱第1及2圖，於步驟「類神經網路單元估測電池的健康狀態13」中，該運算單元將量測或計算而得之該電流I、該第一電壓V
1、該第二電壓V
2、該第三電壓V
3、該第一電壓差V
D1、該第二電壓差V
D2及該溫度差T
D，七個特徵數據輸入至一類神經網路單元中進行該電池之健康狀態的評估。其中該類神經網路單元可以預先建構於該運算單元中，並以數十至數千筆以上以傳統完整充放電流程量測之電池健康狀態對該類神經網路單元進行機器學習。
在本實施例中，該類神經網路單元為一倒傳遞網路(Back Propagation Network)，其具有一輸入層(Input Layer)、一隱藏層(Hidden Layer)及一輸出層(Output Layer)，該輸入層、該隱藏層及該輸出層皆分別具有多個神經元。首先，輸入數據至該輸入層並傳遞至隱藏層、再由隱藏層傳遞至該輸出層後輸出結果。該輸入、該隱藏層及該輸出層的該些神經元可視為處理單元，前饋階段是對輸入資料進行處理後再輸出至下一層之神經元進行處理，最後計算出輸出值，倒傳遞階段則是將輸出值及目標值的差回傳至神經網路中修正各層的權重值及調整值，經由反覆的學習訓練後即可建構出該類神經網路單元。
本實施例之該類神經網路單元是由一層輸入層、兩層隱藏層及一層輸出層組成，該輸入層具有七個神經元，以分別接收該電流I、該第一電壓V
1、該第二電壓V
2、該第三電壓V
3、該第一電壓差V
D1、該第二電壓差V
D2及該溫度差T
D，兩層隱藏層分別具有500個神經元，該輸出層則具有單一個神經元。
該類神經網路單元接收該電流I、該第一電壓V
1、該第二電壓V
2、該第三電壓V
3、該第一電壓差V
D1、該第二電壓差V
D2及該溫度差T
D後，根據該七個特徵數據估測該電池的該健康狀態。在本實施例的實際測試中，以實際35個汰除電池的健康狀態數據對該類神經網路單元進行訓練，再將9個汰除電池於3分鐘量測或計算而得的七個特徵數據輸入至該類神經網路單元中進行健康狀態的評估。實測得到之訓練擬合度可達98.31%，預測擬合度可達94.74%，可知本實施例之該電池健康狀態估測方法10確實具有相當高的準確度。
本發明透過該電池的該電流I、該第一電壓V
1、該第二電壓V
2、該第三電壓V
3、該第一電壓差V
D1、該第二電壓差V
D2及該溫度差T
D評估該電池的該健康狀態，由於該七個特徵數據可在短時間內量測或計算而得，可大幅地降低電池之該健康狀態的評估時間，以增進判斷汰除電池是否可再利用的效率。
本發明之保護範圍當視後附之申請專利範圍所界定者為準，任何熟知此項技藝者，在不脫離本發明之精神和範圍內所作之任何變化與修改，均屬於本發明之保護範圍。
10:電池健康狀態估測方法
11:量測單元量測電池的電流、電壓及溫度
12:運算單元計算電壓差及溫度差
13:類神經網路單元估測電池的健康狀態
V
1:第一電壓
V
2:第二電壓
V
3:第三電壓
V
D1:第一電壓差
V
D2:第二電壓差
I:電流
T
1:第一溫度
T
2:第二溫度
T
D:溫度差
t
1:第一時間點
t
2:第二時間點
t
3:第三時間點
t
4:第四時間點
Δt
1:第一時間差
Δt
2:第二時間差
Δt
3:第三時間差
第1圖：依據本發明之一實施例，一種電池健康狀態估測方法的流程圖。
第2圖：依據本發明之一實施例，該電池之七個特徵數據與量測時間點的關係圖。
10:電池健康狀態估測方法
11:量測單元量測電池的電流、電壓及溫度
12:運算單元計算電壓差及溫度差
13:類神經網路單元估測電池的健康狀態
Claims (7)
- 一種電池健康狀態估測方法，其包含： 一量測單元量測一電池於一第一時間點的一電流、於一第二時間點的一第一電壓、於一第三時間點的一第二電壓、於一第四時間點的一第三電壓以及兩個不同時間點下的一第一溫度及一第二溫度； 一運算單元計算該第一電壓及該第二電壓之間的一第一電壓差、該第二電壓及該第三電壓之間的一第二電壓差及該第一溫度及該第二溫度之間的一溫度差；以及 一類神經網路單元根據該電流、該第一電壓、該第二電壓、該第三電壓、該第一電壓差、該第二電壓差及該溫度差估測該電池的一健康狀態。
- 如請求項1之電池健康狀態估測方法，其中該第二時間點與該第一時間點之間具有一第一時間差，該第三時間點與該第二時間點之間具有一第二時間差，該第四時間點與該第三時間點之間具有一第三時間差，該第一時間差、該第二時間差及該第三時間差的時間相同。
- 如請求項2之電池健康狀態估測方法，其中該第一時間差、該第二時間差及該第三時間差小於600秒。
- 如請求項3之電池健康狀態估測方法，該第一時間差、該第二時間差及該第三時間差為60秒。
- 如請求項1之電池健康狀態估測方法，其中該類神經網路單元為一倒傳遞回網路(Back Propagation Network)。
- 如請求項1之電池健康狀態估測方法，其中該第一溫度是在該第一時間點下量測。
- 如請求項6之電池健康狀態估測方法，其中該第二溫度是在該第四時間點下量測。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110114734A TWI757161B (zh) | 2021-04-23 | 2021-04-23 | 電池健康狀態估測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110114734A TWI757161B (zh) | 2021-04-23 | 2021-04-23 | 電池健康狀態估測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI757161B true TWI757161B (zh) | 2022-03-01 |
| TW202242437A TW202242437A (zh) | 2022-11-01 |
Family
ID=81710533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110114734A TWI757161B (zh) | 2021-04-23 | 2021-04-23 | 電池健康狀態估測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI757161B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200618374A (en) * | 2004-11-29 | 2006-06-01 | Lg Chemical Ltd | Method and system for battery state and parameter estimation |
| TW201124740A (en) * | 2010-01-05 | 2011-07-16 | Nat Univ Chin Yi Technology | State-of-health estimation method for lead-acid batteries |
| TW201144841A (en) * | 2010-06-04 | 2011-12-16 | Nat Univ Chin Yi Technology | Fuel cell faulty predicting system and its establishing method |
| US20160161567A1 (en) * | 2014-12-04 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| US20170023649A1 (en) * | 2015-07-21 | 2017-01-26 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| US20180095140A1 (en) * | 2016-10-05 | 2018-04-05 | Samsung Electronics Co., Ltd. | Battery state estimation apparatus and method |
| TW201816416A (zh) * | 2016-10-21 | 2018-05-01 | 聖約翰科技大學 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
| TW201821822A (zh) * | 2016-12-14 | 2018-06-16 | 國家中山科學研究院 | 電池健康狀況評估裝置及方法 |
-
2021
- 2021-04-23 TW TW110114734A patent/TWI757161B/zh active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200618374A (en) * | 2004-11-29 | 2006-06-01 | Lg Chemical Ltd | Method and system for battery state and parameter estimation |
| TW201124740A (en) * | 2010-01-05 | 2011-07-16 | Nat Univ Chin Yi Technology | State-of-health estimation method for lead-acid batteries |
| TW201144841A (en) * | 2010-06-04 | 2011-12-16 | Nat Univ Chin Yi Technology | Fuel cell faulty predicting system and its establishing method |
| US20160161567A1 (en) * | 2014-12-04 | 2016-06-09 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| US20170023649A1 (en) * | 2015-07-21 | 2017-01-26 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| US20180095140A1 (en) * | 2016-10-05 | 2018-04-05 | Samsung Electronics Co., Ltd. | Battery state estimation apparatus and method |
| TW201816416A (zh) * | 2016-10-21 | 2018-05-01 | 聖約翰科技大學 | 鋰電池健康狀態估測器及其訓練方法與估測方法 |
| TW201821822A (zh) * | 2016-12-14 | 2018-06-16 | 國家中山科學研究院 | 電池健康狀況評估裝置及方法 |
Non-Patent Citations (3)
| Title |
|---|
| F. Yang, W. Li, C. Li, and Q. Miao" State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network," Energy. Mar. 2019, Vol. 175, page 66-75 * |
| F. Yang, W. Li, C. Li, and Q. Miao" State-of-charge estimation of lithium-ion batteries based on gated recurrent neural network," Energy. Mar. 2019, Vol. 175, page 66-75 。 |
| G Dong, X Zhang, C Zhang, and Z Chen," A method for state of energy estimation of lithium-ion batteries based on neural network model," Energy. Aug. 2015, Vol. 90, page 879-888 * |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202242437A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2361333C2 (ru) | Оценка состояния и параметров гальванического элемента | |
| CN102831100B (zh) | 电池荷电状态估算方法及装置 | |
| CN111537899A (zh) | 一种梯次利用动力电池安全性评估方法 | |
| CN110133507B (zh) | 一种基于narx-ukf算法的电池剩余电量估计方法 | |
| JP7292404B2 (ja) | バッテリ健全状態の推定方法 | |
| CN105183994B (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
| Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
| Wu et al. | State of health estimation of the lithium-ion power battery based on the principal component analysis-particle swarm optimization-back propagation neural network | |
| Xiao et al. | Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression | |
| Li et al. | Lithium-ion battery state of health estimation based on multi-source health indicators extraction and sparse Bayesian learning | |
| Lavety et al. | A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery | |
| Deng et al. | Maximum available capacity and energy estimation based on support vector machine regression for lithium-ion battery | |
| Chang et al. | Application of radial basis function neural network, to estimate the state of health for LFP battery | |
| Kamali et al. | Novel SOH estimation of lithium-ion batteries for real-time embedded applications | |
| Trinandana et al. | Real time state of charge estimation for lead acid battery using artificial neural network | |
| Hu et al. | Performance evaluation strategy for battery pack of electric vehicles: Online estimation and offline evaluation | |
| Shen et al. | Detection and quantitative diagnosis of micro-short-circuit faults in lithium-ion battery packs considering cell inconsistency | |
| Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model | |
| Zhan et al. | Application of adaptive extended Kalman algorithm based on strong tracking fading factor in Stat-of-Charge estimation of lithium-ion battery | |
| Lu et al. | State of charge estimation method based on linearization of voltage hysteresis curve | |
| TWI757161B (zh) | 電池健康狀態估測方法 | |
| CN117607693A (zh) | 一种考虑不一致性的动力电池组soc在线估计方法 | |
| CN116400247B (zh) | 电池软短路故障的确定方法及装置 | |
| Dang et al. | Differential Equation-Informed Neural Networks for State of Charge Estimation | |
| CN114035052B (zh) | 一种基于能量窗的soc区间标定方法、系统及介质 |