CN101644747A - 使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置和计算机程序产品 - Google Patents
使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置和计算机程序产品 Download PDFInfo
- Publication number
- CN101644747A CN101644747A CN200910149759A CN200910149759A CN101644747A CN 101644747 A CN101644747 A CN 101644747A CN 200910149759 A CN200910149759 A CN 200910149759A CN 200910149759 A CN200910149759 A CN 200910149759A CN 101644747 A CN101644747 A CN 101644747A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- regression model
- generate
- response
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
响应于电池放电而生成电池容量测量。使用卡尔曼滤波器,由容量测量产生使用寿命的预测。在使用卡尔曼滤波器由容量测量产生使用寿命预测之前,可生成与电池的一系列放电对应的一组电池容量测量并生成回归模型,例如直线模型,该模型基于所述一组电池容量测量使电池容量与时间相联系。使用卡尔曼滤波器由容量测量生成使用寿命预测可包含,响应于满足预定标准的回归模型,初始化卡尔曼滤波器。
Description
技术领域
本发明涉及电源***和用于其运行的方法、计算机程序产品,特别涉及用于电池使用寿命推定的方法、设备和计算机程序产品。
背景技术
在某些电池应用中,例如在不间断电源(UPS)***中,电池可以以“浮动服务(float service)”模式运行。在这样的应用中,典型地,电池很少发生放电,放电被这样的延续时间段分隔开:在该时间段中,电池以相对较低的充电速率受到浮充电。
电池的浮动使用寿命(float service life)的特征可在于被分成两个不同的时期,如图1所示。第一个时期是随着时间的过去容量流失通常很小的一段时间。这能被看作阈值或者保证时间。第二个时期的特征可在于容量随时间快得多的下降,直到不存在可用的剩余容量。第一个时期的长度可能由几个因素决定,例如测试或者使用中的放电速率。放电速率越低,典型地,浮动使用寿命的这部分的时间越长。第二个时期的持续时间通常更多地由电池设计和控制寿命的特定机制决定。这种电池浮动使用寿命模型在由Webb L.Burgess发表的“An analysis of float service life test data ofVRLA batteries”(Journal of Power Sources 75(1998),pp.28-35)中描述。
在浮动服务应用中,例如在UPS应用中,可能希望生成电池使用寿命的预测,例如,电池容量何时由于作用在电池上的多种劣化过程而下降到低于特定预定水平的预测。例如,该预测值可用于资本支出计划和/或预防性维护。
已提出一些技术来推定电池的使用寿命。例如,Anbuky等人的美国专利No.6,924,622和Anbuky等人的美国专利No.7,199,557描述了充电容量和储备寿命推定技术。
发明内容
本发明的一些实施例提供了推定电池使用寿命的方法。响应于电池的放电而产生电池容量的测量。使用卡尔曼滤波器,由容量测量而产生使用寿命预测。在使用卡尔曼滤波器由容量测量而产生使用寿命预测之前,可生成与电池的一系列放电对应的一组电池容量测量并生成基于该组电池容量测量将电池容量与时间相联系的回归模型,例如直线模型。使用卡尔曼滤波器由容量测量产生使用寿命预测可包含响应于满足预定标准的回归模型——例如当直线回归模型具有预定斜率、变化和相关系数值时——来初始化卡尔曼滤波器。
响应于满足预定标准的回归模型来初始化卡尔曼滤波器可包含以由回归模型生成的初始条件来初始化卡尔曼滤波器。该方法还可包含,响应于卡尔曼滤波器初始化后的电池的一系列放电而生成一系列电池容量测量,并且,使用卡尔曼滤波器由所述一系列容量测量生成一系列使用寿命预测。响应于电池放电而生成电池容量测量可包含,确定将电池放电到预定电压所需要的时间,并且,基于所确定的放电时间生成容量测量。
根据本发明另外的实施例,通过响应于电池的一系列放电来生成一组电池容量测量、基于所述一组电池容量测量来生成将电池容量与时间相联系的回归模型、响应于满足预定标准的回归模型来初始化未来电池容量的预测状态推定器、使用该状态推定器来生成使用寿命的预测,推定电池使用寿命。回归模型可包含直线回归模型,状态推定器可包含电池容量劣化的确定性模型、电池容量劣化的可能性模型和/或电池容量劣化的适应性模型。状态推定器可包含例如卡尔曼滤波器。状态推定器可用根据回归模型生成的初始条件来初始化。
本发明的另外的实施例提供了一种包含电池使用寿命推定器电路的设备,该电路被配置为接收电池容量测量并使用卡尔曼滤波器由容量测量来生成使用寿命预测。电池使用寿命推定器电路可被配置为响应于电池的一系列放电来生成一组电池容量测量,基于所述一组电池容量测量来生成将电池容量与时间相联系的回归模型,并响应于满足预定标准的回归模型来初始化卡尔曼滤波器。该设备还可包含电池容量测量电路,该电路被配置为响应于电池的放电而生成电池容量测量。例如,电池容量测量电路可被配置为确定将电池放电到预定电压所需要的时间并基于所确定的放电时间来生成容量测量。在另外的实施例中,该设备还可包含:不间断电源(UPS)电路,其被配置为耦合到电池并对电池进行充电和放电;电池容量测量电路,其被配置为响应于由UPS电路对电池进行的放电,生成电池容量测量。
本发明另外的实施例提供了一种包含电池使用寿命推定器电路的设备,该电路被配置为接收电池的一组电池容量测量,基于所述一组电池容量来生成使电池容量与时间相联系的回归模型,响应于满足预定标准的回归模型来初始化未来电池容量的状态推定器,并使用状态推定器来生成使用寿命的预测。该设备还可包含:不间断电源(UPS),其被配置为耦合到电池并对电池进行充电和放电;电池容量测量电路,其被配置为响应于由UPS对电池进行的放电来生成电池容量测量。
本发明另外的实施例提供了一种其中具有计算机程序代码的计算机可读介质,该计算机程序代码包含被配置为接收电池容量测量的程序代码、被配置为使用卡尔曼滤波器由容量测量来生成使用寿命预测的程序代码。附加实施例提供了一种其中具有计算机程序代码的计算机可读介质,该计算机程序代码包含被配置为接收与电池的一系列放电中的相应各个对应的一组电池容量测量的程序代码、被配置为基于所述一组电池容量测量生成使电池容量与时间相联系的回归模型的程序代码、被配置为响应于满足预定标准的回归模型来初始化未来电池容量的状态推定器的程序代码、被配置为使用状态推定器生成使用寿命预测的程序代码。
附图说明
图1示出了示例性的电池容量特性;
图2示出了根据本发明某些实施例将回归模型用于检测电池容量下降的加速;
图3示出了根据本发明某些实施例将回归模型用于初始化卡尔曼滤波器;
图4为一流程图,其示出了根据本发明某些实施例生成电池使用寿命预测的操作;
图5为一流程图,其示出了根据本发明另外的实施例使用通过回归模型初始化的状态推定器生成电池使用寿命预测的操作;
图6为一流程图,其示出了根据本发明另外的实施例使用通过回归模型初始化的卡尔曼滤波器生成电池使用寿命预测的操作;
图7为一框图,其示出了根据本发明某些实施例用于电池使用寿命推定的设备;
图8为一框图,其示出了根据本发明附加实施例的、电池使用寿命推定器在不间断电源(UPS)中的实现;
图9为一框图,其示出了根据本发明另外的实施例的、电池使用寿命推定器在网络环境中的实现。
具体实施方式
现在将参照附图介绍本发明的具体示例性实施例。然而,本发明可以以许多不同的方式体现,并且不应理解为限制于这里描述的实施例;相反,提供这些实施例以便使本公开更加彻底和完整,并向本领域的技术人员充分传达本发明的范围。在附图中,相同的数字代表相同的元件。将会明了,当一个元件被称为“连接”或“耦合”到另一个元件时,其可被直接连接或耦合到另一元件,或者,可能存在中间的元件。这里使用的术语“和/或”包括一个或一个以上相关所列项目的任何以及所有组合。
这里使用的术语仅仅出于介绍特定实施例的目的,而不是为了对本发明进行限定。这里使用单数形式“一”、“一个”、“该”也包括复数形式,除非另外明确说明。还应明了,术语“包括”、“包含”、“具有”和/或“含有”当用在本说明书中时,表示存在所述特征、整体、步骤、操作、元件和/或部件,但不排除存在或增加一个或一个以上其它的特征、整体、步骤、操作、元件、部件和/或其群组。
除非另外说明,这里使用的所有词语(包括技术和科学术语)具有本发明所属领域普通技术人员通常理解的含义。还应明了,这些术语——如常用字典中定义的那些——应当解释为具有与其在说明书上下文中以及相关技术中的含义相一致的含义,而不被理想化或过于拘泥形式地解释,除非稳中明确地这样定义。
本领域技术人员将会明了,本发明可实现为***、方法和计算机程序产品。本发明某些实施例可包含硬件和/或软件。本发明某些实施例包含被配置为提供文中所述功能的电路。将会明了,这样的电路可包括模拟电路、数字电路以及模拟电路与数字电路的结合。本发明某些实施例可包含其中具有计算机程序代码的计算机可读介质,例如计算机程序代码存储于其中的半导体存储装置(例如静态、动态或闪速存储器)或者磁或光存储介质(例如磁带、压缩盘等)。
下面参照根据本发明多个实施例的***和方法的框图和/或操作图示(例如流程图)来介绍本发明的实施例。将会明了,框图和/或操作图示中的各个框以及框图和/或操作图示中的框的组合能由模拟和/或数字硬件和/或计算机程序指令来实现。这些计算机程序指令可被提供给通用计算机、专用计算机、ASIC和/或其它可编程数据处理设备的处理器,使得通过计算机和/或其它可编程数据处理设备的处理器执行的指令创建用于实现框图和/或操作图示中指定的功能/动作的装置。在某些实现方式中,附图记录的功能/动作可不以框图和/或操作图示所示顺序发生。例如,被视为连续发生的两个操作实际上可基本同时执行,或者,取决于所涉及的功能/动作,操作有时可以以相反的顺序执行。
电池使用寿命推定
现在将给出用于推定电池使用寿命的示例性技术的概念综述。下面的讨论包括对基于卡尔曼滤波器的技术的介绍,通过利用与VRLA电池的典型浮动使用寿命相关联的某些特有特征,其可在对于这种电池的电池浮动使用寿命推定中特别有效。然而,将会明了,本发明的另外实施例也可应用于其它类型的电池,并可使用不同的电池使用寿命特性。
在许多浮动使用应用场合中,例如在UPS应用中,电池管理的重要特征是推定电池达到寿命终点剩余的时间。根据本发明某些实施例,卡尔曼滤波器循环中的事先预测步骤(project ahead step)可用于预测电池使用寿命,例如,用于推定电池的剩余寿命。在上面介绍的浮动使用寿命第二时期期间,采用容量劣化过程的合适的模型,可以在每次容量测量之后来预测未来特定点上的容量。
在阀调节铅酸(VRLA)电池的浮动使用寿命应用中,随着电池的老化,两种机制——板栅腐蚀和电解质损失——可决定容量劣化的速率。根据本发明某些实施例,通过物理测量来认识该过程,并且,在这种情况下;这一对(容量、浮动服务时间)能被并入概率性设置。该方法潜在的优点在于其可允许概率和统计学方法用于研究数据并进行分析,以确定测量与之间是否存在任何关系,如果是这样的话,是否存在可足以描述该关系的基础分布(underlying distribution)。
特定厂商的电池的具有某个大小的样本组可被放入同一浮动服务应用。以某个间隔、不必是周期性的,可规定的一组条件(例如负载和终止电压)对电池进行放电。容量(或放电时间)可以与电池的运行时间一起被测量和记录。重复这样做,一直到每个电池容量减小到不能再使用的点。这样的行动可为每个电池生成电池容量与操作时间数据的集合。
该数据的一种可能的用途是做出对此电池模型的浮动使用寿命长度的某种推定,也就是说,电池在其容量下降到某个特定值之前将会运行多久,该特定值通常作为额定或者初始容量的百分比给出。此过程中的一个步骤是对容量(或放电时间)测量进行归一化。一种方法是将来自样本的各个电池的各个容量测量除以参考值,参考值通常选自前面的测试数据,略微大于样本中的最大容量。结果将会是相对容量κ的集合,其中,0<κ<1。
现在考虑电池样本被放电的任何特定时间点。将会存在与放电进行时的测试时间(the time on test)对应的测量得到的(相对)容量的范围。将这些不同的容量看作是由于电池的不同使用年限是有帮助的。因此,相对容量为0.83的电池可被认为并不具有像样本中相对容量为0.79的另一电池那么多的使用年限。换句话说,由于这两块电池处于浮动使用达同样的时间,它们的老化速率可能是不同的。因此,第一块电池的浮动使用寿命可望比第二块长。沿着这种推理思路,允许电池的使用年限被当作随机变量。
现在可以在统计通则(probabilistic statement)中对测试时间和相对容量进行公式化:
κi=Pr{L≤Li}=1-Pr{L>Li} (1)
相对容量κi等于电池使用年限L小于或等于第i次放电Li上的浮动累积时间的概率。表达式Pr{L≤Li}为累积分布函数。剩余的工作是寻获其特性与所收集数据的特性相匹配的分布。
在由Webb L.Burgess发表的“An analysis of float service life test dataof VRLA batteries”(Journal of Power Sources 75(1998),pp.28-35)中,据发现,极值分布能充分表征容量劣化过程。其具有这样的形式:
F-1(κ)=a1(L-L0)+a0. (2)
其中:
i)L0是浮动使用寿命的第一时期的长度;
ii)L是电池的使用年限;L-L0≥0;
iii)参数a1和a0由所述数据推定;以及
iv)F-1(κ)是逆分布函数,F-1(κ)=ln[-ln(1-κ)]。公式(2)中的模型定义了一随机过程。
为了设计卡尔曼滤波器,可建立在线性微分方程***方面的随机过程表征。卡尔曼滤波器是用于获得随机过程的最小均方误差点推定的算法。它是由状态空间方程获得的最小二乘滤波的方法。为了构建卡尔曼滤波器,可将公式(2)改写为线性微分方程***。
公式(2)为变量L的线性方程,斜率为a1,y截距为a0。对于本模型,设定
y(L)=a1(L-L0)+a0. (3)
设定
x1=y(L),
y(L0)=a0,且
由这些运算结果得出的线性微分方程***为:
能从公式(4)得到状态转移矩阵的离散形式,其具有这样的形式:
其中,u(Δt)是单位阶跃函数。
将列出卡尔曼滤波器公式或循环,并在此后建立初始条件。在初始化之后,步骤序列以所示出的顺序执行。在最后一个步骤之后,将来自事先预测步骤的量用作输入重新启动该循环,重复该过程。
启动滤波器:
1)计算卡尔曼增益:
2)用测量zk对推定进行更新:
3)对于更新的推定,算误差协方差:
4)事先预测:
公式(6)-(10)中的某些项包括:
Rk是测量误差的协方差矩阵,也就是说,对于状态的每次观察xk,存在两个分量:测量zk以及附加误差项vk。这里使用的表达式为xk=zk+vk。误差的协方差矩阵具有下面的形式:
结果得到的矩阵Rk为:
上面在公式(11)中假设测量误差具有零平均值(即,无固定偏置)。测量误差现在可以被认为是噪音项。其可被定义为:
v1=v2=0.01 (13)
被“选择”的可能值可具有基于过去经验的某些支持。在这种情况下,可以认为值0.01为使用具有小数点后两位的分辨率的数字仪表进行测量的不确定度。
还剩下获取状态变量的误差协方差矩阵Pk -的推定,以便用于计算卡尔曼增益(公式(6)),循环中的第一个公式。一种方式是在进入卡尔曼滤波器循环之前使用关于该过程可用的任何知识,公式(3)。状态推定误差可被定义为:
对于时间忽略噪音项vk并且仅仅使用zk,公式(15)变为:
为了使用该过程的先前的知识推定(16)中的每一元(entry)的值,首先考虑元:
在启动卡尔曼滤波器之前,可能已经获得三个容量测量。根据这些,能够计算该数据的线性最小二乘拟合。为了指示这是先验的知识,公式(3)可被改写为:
给定上面的模型,公式(18),每一容量测量满足:
其中,ek -是数据与模型之间的误差。
图2示出了模型(即拟合线)与数据之间的关系。量ek -常被称作残差(residual)。它被认为具有零平均值。回到公式(17),从公式(19)减去公式(18),得到:
这是残差的方差(variance),其能由先验数据容易地获得。
下面是对角线项:
这是斜率的推定的方差,并由下式给出:
这也能够由先前的数据计算得出。
将被推定的量包括公式(16)中的对角线外的元。这是两个变量之间的协方差。使用下面的推理,可猜想对角线外的项为零。括弧中的第一项是残差。其具有零平均值。已经示出cov(Y,a1)=0。为了初始化协方差矩阵,对角线外的元可被设置为零。这结束了卡尔曼滤波器算法的建立和初始化。下面将介绍用于推定剩余浮动使用寿命的滤波器实现。
上面的讨论提供了用于卡尔曼滤波器的算法以及推定用于启动滤波器的量的技术。根据本发明某些实施例,卡尔曼滤波器被有选择地应用于预测电池浮动使用寿命的结束。在某些实施例中,最初的任务是检测如图2所示浮动使用寿命的第二时期的开始,卡尔曼滤波器响应于探测到这一时期而被初始化。
电池容量可通过以某一间隔执行放电——其不需要是周期性的——来确定。在某些UPS应用中,例如,UPS可间歇执行电池测试。在这种测试中,电池可被放电达期望放电时间(对电池完全放电需要的时间)的预定部分(例如25%)。如果电池电压在到达预定点之前下降到低于特定阈值,电池可被视为失效或者到达寿命尽头。该阈值的例子比如是1.83V/cell。
根据本发明某些实施例,该测试可被修改以便推定电池容量。特别地,可进行测试放电,以便将电池放电到特定的终止电压,从而直接地(例如以安培-小时为单位)或间接地(例如,以对于标准化放电电流水平的秒为单位)确定容量。在每次测试放电结束时,(日历)日期和时间可与放电时间一起存储。可对放电时间进行归一化,例如,通过除以对于电池模型和所进行的放电选择的参考时间。
一旦累积了一系列的放电测试,使容量与时间(例如服务时间、浮动时间、日历时间等)相联系的回归模型可被用于检测是否发生了容量vs.时间的显著变化,例如,电池容量劣化的迅速加速。例如,公式(2)的直线的最小二乘拟合可与变量(L,ln[-ln(1-κ)])一起使用,其中,L是运行的天数(参照第一次放电,其被人为地设置为0),κ是归一化的放电时间。
用于获得最小二乘拟合的计算如下面所列:
使用上面计算的量,能获得推定品质的一些测量以及斜率a1和y截距a0:
斜率:
Y截距:
方差: s2=Syy-(a1)(Sxy)
相关系数:
采用这些量,可进行与阈值的比较,以确定电池已经是否达到容量开始迅速下降的阶段。例如,指示变化的阈值可包括:
斜率:a1<0;
方差:s2<0.01;以及
相关系数:rxy<-0.96。
如果不满足阈值条件,则在进行下一次放电测试时可重复该过程。采用各次新的放电测试,可移除来自最早的测试放电的数据并增加来自新的测试放电的数据,以便为最小二乘拟合和斜率检测算法保持三个点。当然,可在回归分析中使用三个以上的数据点。
如果满足所有三个条件,可初始化并启动卡尔曼滤波器。公式(15)中的误差协方差矩阵Pk -和公式(12)中的测量误差协方差Rk可被初始化以得到卡尔曼增益,公式(6)。这里:
以及
在卡尔曼滤波器的这种实现中,一旦滤波器启动,可在所有随后的计算中从日历时间中减去阈值时间t0。时间于是可被确定为例如从检测到容量劣化开始的小时数。公式(6)-(10)中描述的卡尔曼滤波器循环现在可被应用于来自最近的测试放电的数据。
根据本发明某些实施例,这样的滤波器的应用可包含在进行每次测试放电后获得滤波后的电池容量推定,并事先预测以确定直到电池到达寿命终止的剩余时间。滤波后的容量或容量推定可由公式(7)生成。公式(8)的误差协方差矩阵能被用来判断推定的品质。公式(9)和(10)中的事先预测步骤能被用来推定电池的剩余寿命。
参考其中示出了状态转移矩阵的元素的公式(5),Δt元是当前或最近执行的测试放电与下一次预定的测试放电之间的时间。此步骤,等式(9)和(10),可以在进行下一次测试放电时执行。为了获得剩余寿命的推定,可以选择感兴趣的适当的时间间隔Δt,并可使用公式(9)和公式(10)的误差协方差来计算状态向量的推定。也在事先预测的误差协方差矩阵可被用于判断推定的质量。
示例性实施方式
图4示出了根据本发明某些实施例用于生成电池使用寿命预测的示例性操作。电池被放电(框410),响应于放电,生成电池容量的测量(框420)。例如,电池可被测试放电到上面描述的预定终止电压,根据到达终止电压所需要的时间表征电池容量的测量。所生成的电池容量测量值被用于到卡尔曼滤波器的输入(框430),其可用于生成电池使用寿命的预测(框440)。例如,电池容量测量可被用来建立输入到卡尔曼滤波器的初始或其它状态,沿着上面讨论的思路。使用寿命的预测值于是可被传送,例如向用户显示或输入到另一过程,例如输入到自动设备管理程序(框450)。
图5示出了根据本发明其他实施形态的用于电池使用寿命预测的示例性操作。电池被放电(框510),响应于放电,生成电池容量的测量(框520)。电池容量测量用于生成使电池容量与时间(例如服务时间、浮动时间、日历时间等)相联系的回归模型(框530)。如果回归模型没有满足指示例如电池容量劣化加速的预定标准(框540),进行随后的放电(框510)并生成新的回归模型(框530)。如果回归模型满足预定标准(框540),使用例如由回归模型生成的初始条件来初始化被配置为用于预测电池使用寿命的预测状态推定器(框550)。于是,状态推定器被用来生成使用寿命的预测(框560),其可被传送,例如,向用户显示或输入到另一个过程(框570)。
将会明了,回归模型将沿着上面介绍的直线模型的思路,或者可采取某些其它的形式。例如,在VRLA使用寿命推定之外的应用中,可对回归模型进行定制,以便允许识别出指示转移到电池使用寿命的一部分——所介绍的状态推定对其适用——的某些其它数据模式或特征。状态推定器可沿着上面介绍的思路采用卡尔曼滤波器的形式,或者可采用其它形式的确定性、可能性和/或适应性模型。
图6示出了根据结合了沿着图4和5的思路的实施形态的进一步的实施例的操作。响应于电池的一系列放电中的各个(框605),生成相应的电池容量测量(框610)并将之用于生成一系列的回归模型(框615),例如,使用上面描述的直线曲线拟合。响应于检测到满足预定标准的回归模型,例如满足表示电池容量劣化加速——其与电池转移到表现出较高劣化速率的使用寿命部分相关联——的预定斜率、方差和相关系数标准的直线回归模型(框620),使用例如根据回归模型生成的初始条件,对被配置为在电池使用寿命的这种增强劣化部分推定电池状态的卡尔曼滤波器进行初始化(框625)。在卡尔曼滤波器的初始化后,可进行附加的放电(框630),以便生成作为到卡尔曼滤波器的输入的、新的电池容量测量(框635),其执行以生成电池使用寿命的预测,例如,在上面概述的事先预测步骤中(框640)。使用寿命预测的可被传送,例如,向用户显示或输入到另一个过程(框645)。通过迭代地生成电池容量的测量(框636)并做出响应地将这些测量用作输入来执行卡尔曼滤波器(框640),可响应于随后的放电而生成附加的预测(框630)。
图7示出了根据本发明另外的实施例来预测电池使用寿命的设备。电池容量测量电路710响应于电池10的放电,向电池使用寿命推定器电路720生成电池容量测量。使用例如图4-6所示的多种操作,响应于电池容量测量,电池使用寿命推定器电路720生成电池使用寿命的预测。
将会明了,通常,电池容量测量电路710和电池使用寿命推定器电路720可使用模拟电路和/或数字电路来实现,包括但不限于数字处理电路,例如微控制器或者微处理器。还将明了,电池容量测量电路710和/或电池使用寿命推定器电路720可被集成在使用或以其他方式与电池10交互的装置或者***中,例如UPS或者独立的电池充电器。在某些实施例中,电池容量测量电路710和/或电池使用寿命推定器电路720的全部或部分可在电气耦合到这种装置或***的计算机或其它数据处理装置中实现。
图8示出了根据本发明某些实施例在UPS 800中的示例性实施方式。UPS 800包含电力转换电路810(例如,整形器、逆变器等),其被配置为耦合到交流电源20(例如市电)和电池10,并有选择地从交流电源20和电池10向负载30供给电力。电力转换电路810还可包含电池充电器电路,其被配置为从交流电源20为电池10充电,以便将电池10保持在浮动服务状态。UPS 800还包含控制处理器820——例如微处理器或微控制器以及相关联的存储器,其与电力转换电路810可操作地关联并对其运行进行控制。控制处理器820还可与用户接口电路830——例如显示器、键盘——以及通信接口电路840——其可提供与网络840的通信接口,以便支持与其它装置的通信——可操作地关联。
如进一步所示出,设置控制处理器820可通过例如软件和/或固件被配置,使得其作为电池容量测量电路822和电池使用寿命推定器电路824。例如,电池容量测量电路822可被配置为在上面介绍的预定条件下通过电力转换电路810产生电池10的测试放电,并做出响应地生成电池10的容量测量。这样生成的电池容量测量可被用作到电池使用寿命推定器电路824的输入。电池使用寿命推定器电路824可使用沿着参照图4-6介绍的思路的操作,以便生成电池10的使用寿命预测。控制处理器820可将该预测传送到可对预测进行显示的用户接口电路830。作为传送到用户接口电路830的替代或作为附加的是,控制处理器820可通过通信接口电路840和网络40将该预测传送到其它设备。
图9示出了根据本发明其它实施例的另一实施方式,其中,电池容量测量和电池使用寿命推定功能分布在多个装置中。从交流电源20和电池10为负载30接收电力的UPS 800’包括沿着上面参照图8讨论的思路的电力转换电路810。然而,在这种情况下,UPS 800包含控制处理器820,其被配置为提供生成电池容量测量的电池容量测量电路822,该电池容量测量经由UPS 800’的通信接口电路840通过网络40被传送到UPS 800’的外部。
计算机900或其它数据处理装置可被配置为提供电池使用寿命推定器电路824,该电路接收由UPS 800’通过网络40传送的电池容量测量并做出响应地生成电池使用寿命的预测。使用寿命预测可被传送,例如,被显示在计算机900的显示器902上,被传送到在计算机900上执行的另一个进程和/或通过网络40被传送到某些其它装置。电池使用寿命推定器电路824还可被配置为通过网络40来控制电池容量测量电路822的操作。例如,电池使用寿命推定器电路824可经由网络40向电池容量测量电路822发送命令,以便出于生成用于产生使用寿命预测的容量测量的目的而在特定时刻导致电池10的测试放电。
将会明了,出于说明的目的提供图8和9示出的实施方式,可使用其它的布置来实现本发明的其它实施例。例如,以类似于如图8所示UPS 800中的实施方式的方式,电池容量测量和电池使用寿命推定器电路可在独立的电池充电器或者独立的电池监视装置中实现。这样的装置也可能是以类似于上面参照图9所述的方式具有控制计算器的网络或其它网络装置。
在附图和说明书中公开了本发明的示例性实施例。尽管使用了特定的术语,但其仅仅是一般性和说明性的,不是出于限制的目的,本发明的保护范围由所附权利要求限定。
Claims (14)
1.一种推定电池使用寿命的方法,该方法包含在计算机中实现的以下步骤:
响应于电池的放电,生成(420)电池容量测量;以及
使用卡尔曼滤波器,由容量测量生成(430,440)使用寿命的预测。
2.如权利要求1所述的方法:
其中,在使用卡尔曼滤波器由容量测量生成使用寿命预测之前:
生成与电池的一系列放电对应的一组电池容量测量;以及
基于所述一组电池容量测量,生成使电池容量与时间相联系的回归模型;且
其中,使用卡尔曼滤波器由容量测量生成使用寿命预测包含:响应于满足预定标准的回归模型,初始化卡尔曼滤波器。
3.如权利要求2所述的方法,其中,响应于满足预定标准的回归模型来初始化卡尔曼滤波器包含:以由回归模型生成的初始条件,初始化卡尔曼滤波器。
4.如权利要求1所述的方法,其中,响应于电池放电而生成电池容量测量包含:
确定将电池放电到预定电压所需要的时间;以及
基于所确定的放电时间,生成容量测量。
5.如权利要求1所述的方法,其中,使用卡尔曼滤波器由电池容量测量生成使用寿命预测之前,先检测电池容量下降的加速,且其中,使用卡尔曼滤波器由容量测量生成使用寿命预测包含:响应于检测到的电池容量下降的加速,初始化卡尔曼滤波器。
6.一种设备(710,720),其被配置为执行如权利要求1-5中任意一项所述的方法。
7.如权利要求6所述的设备,其包含:
不间断电源(UPS)(800),其被配置为耦合到电池并对电池进行充电和放电;以及
电池容量测量电路(822),其被配置为响应于由UPS电路进行的对电池的放电,生成电池容量测量。
8.一种其中具有计算机程序代码的计算机可读介质,该计算机程序代码包含被配置为执行如权利要求1-5中任意一项所述的方法的程序代码。
9.一种推定电池使用寿命的方法,该方法包含在计算机中实现的以下步骤:
响应于电池的一系列放电,生成一组电池容量测量;
基于所述一组电池容量测量,生成使电池容量与时间相联系的回归模型;
响应于满足预定标准的回归模型,对未来电池容量的状态推定器进行初始化;以及
使用该状态推定器生成使用寿命的预测。
10.如权利要求9所述的方法,其中,状态推定器包含卡尔曼滤波器。
11.如权利要求9所述的方法,其中,响应于满足预定标准的回归模型而对未来电池容量的状态推定器进行初始化包含:以根据回归模型生成的初始条件,初始化所述状态推定器。
12.一种设备(710,720),其被配置为执行如权利要求9和10中任意一项所述的方法。
13.如权利要求14所述的设备,其还包含:
不间断电源(UPS)(800),其被配置为耦合到电池并对电池进行充电和放电;以及
电池容量测量电路(822),其被配置为响应于由UPS对电池进行的放电,生成电池容量测量。
14.一种其中具有计算机程序代码的计算机可读介质,该计算机程序代码包含被配置为执行如权利要求9和10中任意一项所述的方法的程序代码。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/041,801 | 2008-03-04 | ||
US12/041,801 US20090228225A1 (en) | 2008-03-04 | 2008-03-04 | Battery Service Life Estimation Methods, Apparatus and Computer Program Products Using State Estimation Techniques Initialized Using a Regression Model |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101644747A true CN101644747A (zh) | 2010-02-10 |
CN101644747B CN101644747B (zh) | 2017-03-01 |
Family
ID=40765746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910149759.5A Active CN101644747B (zh) | 2008-03-04 | 2009-03-04 | 使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20090228225A1 (zh) |
EP (1) | EP2098878B1 (zh) |
CN (1) | CN101644747B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012485A (zh) * | 2010-09-25 | 2011-04-13 | 张天任 | 一种快速检测铅酸蓄电池循环寿命的方法 |
CN102749584A (zh) * | 2012-07-17 | 2012-10-24 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法 |
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 |
CN102788955A (zh) * | 2012-07-17 | 2012-11-21 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 |
CN103399280A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 |
CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
CN104584376A (zh) * | 2012-08-30 | 2015-04-29 | 德克萨斯仪器股份有限公司 | 针对预定义充电持续时间在积分退化全局最小化下对电池进行充电的方法和装置 |
CN107122603A (zh) * | 2017-04-24 | 2017-09-01 | 国网山东省电力公司潍坊供电公司 | 一种微电网中蓄电池储能***寿命测算方法 |
CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
CN109416392A (zh) * | 2016-05-31 | 2019-03-01 | 雷诺股份公司 | 用于估计电池健康状态的方法 |
CN109632559A (zh) * | 2018-12-06 | 2019-04-16 | 天能电池集团有限公司 | 一种蓄电池板栅耐腐蚀性能的测试方法 |
CN110337594A (zh) * | 2016-12-22 | 2019-10-15 | 法国电力公司 | 对运行中的电化学装置的未来功能运行预后的改良性表征 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5310003B2 (ja) * | 2009-01-07 | 2013-10-09 | 新神戸電機株式会社 | 風力発電用鉛蓄電池制御システム |
KR101765916B1 (ko) * | 2010-12-31 | 2017-08-23 | 엘지이노텍 주식회사 | 전자 선반 라벨 및 배터리 잔량 관리 방법 |
JP5909906B2 (ja) * | 2011-07-21 | 2016-04-27 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム、記録媒体、及び情報処理システム |
CN102680907B (zh) * | 2012-05-31 | 2015-02-11 | 浙江大学 | 一种光伏***中电池充电soc检测方法 |
JP5944291B2 (ja) * | 2012-10-05 | 2016-07-05 | カルソニックカンセイ株式会社 | バッテリのパラメータ等推定装置およびその推定方法 |
US9537332B2 (en) | 2013-05-30 | 2017-01-03 | Canara, Inc. | Apparatus, system and method for charge balancing of individual batteries in a string of batteries using battery voltage and temperature, and detecting and preventing thermal runaway |
CN103399279B (zh) * | 2013-08-01 | 2015-12-09 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
EP3115797A4 (en) * | 2014-03-03 | 2017-03-15 | Panasonic Intellectual Property Management Co., Ltd. | Battery state estimation device and method of estimating battery state |
CN103954914A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命直接预测方法 |
CN104316879B (zh) * | 2014-10-13 | 2018-08-10 | 珠海许继电气有限公司 | 一种铅酸蓄电池组寿命的预测方法 |
US10097034B2 (en) * | 2014-12-16 | 2018-10-09 | Cyberpower Systems, Inc. | UPS system with network monitoring and attached battery pack information sensing functions |
US10459034B2 (en) * | 2014-12-26 | 2019-10-29 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of health (SOH) of battery |
US9983266B2 (en) | 2015-03-30 | 2018-05-29 | Eaton Intelligent Power Limited | Apparatus and methods for battery monitoring using discharge pulse measurements |
CN104809333B (zh) | 2015-04-03 | 2017-08-29 | 百度在线网络技术(北京)有限公司 | 基于Kalman滤波器的容量预测方法和*** |
US10120034B2 (en) | 2015-10-07 | 2018-11-06 | Canara, Inc. | Battery string monitoring system |
US10371754B2 (en) * | 2016-02-19 | 2019-08-06 | Cps Technology Holdings Llc | Systems and methods for real-time estimation of capacity of a rechargeable battery |
US10367235B2 (en) | 2016-02-19 | 2019-07-30 | Cps Technology Holdings Llc | Systems and methods for real-time parameter estimation of a rechargeable battery |
US10036782B2 (en) | 2016-07-20 | 2018-07-31 | Ecolab Usa Inc. | Battery condition detection in hand hygiene product dispensers |
EP3435101A1 (de) * | 2017-07-26 | 2019-01-30 | INVENOX GmbH | Verfahren und vorrichtung zur überwachung eines stabilen konvergenzverhaltens eines kalman-filters |
CN112782584B (zh) * | 2019-11-05 | 2023-06-23 | 奥动新能源汽车科技有限公司 | 电池电量的剩余使用额度的预测方法、***、介质及设备 |
DE102020201836A1 (de) | 2020-02-14 | 2021-08-19 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Bestimmung des Alterungszustandes mindestens einer elektrischen Energiespeichereinheit |
DE102020202561A1 (de) | 2020-02-28 | 2021-09-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Bestimmen eines Alterungszustands mindestens eines elektrochemischen Energiespeichers |
CN111880100A (zh) * | 2020-08-07 | 2020-11-03 | 同济大学 | 基于自适应扩展卡尔曼滤波的燃料电池剩余寿命预测方法 |
CN112255549B (zh) * | 2020-09-08 | 2024-03-19 | 广州市香港科大***研究院 | 一种电池容量增量的滤波方法、***、装置及介质 |
EP3975368A1 (de) | 2020-09-25 | 2022-03-30 | Wobben Properties GmbH | Unterbrechungsfreie stromversorgung bei windenergieanlagen |
EP4267978A1 (en) * | 2020-12-28 | 2023-11-01 | Medtronic, Inc. | System and method of determination of electrochemical cell fade |
JP7235792B2 (ja) * | 2021-03-24 | 2023-03-08 | 本田技研工業株式会社 | 容量劣化予測方法 |
CN115392134B (zh) * | 2022-09-23 | 2023-09-12 | 四川新能源汽车创新中心有限公司 | 车辆动力电池综合性能评估方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010020849A1 (en) * | 1999-12-16 | 2001-09-13 | Alf Blessing | Process for monitoring the residual charge and capacity of a battery |
CN1607398A (zh) * | 2003-10-13 | 2005-04-20 | 上海燃料电池汽车动力***有限公司 | 实时估计动力蓄电池模型中状态变量的方法 |
US6949911B2 (en) * | 2002-08-13 | 2005-09-27 | Vb Autobatterie Gmbh | Method for determining the amount of charge which can be drawn from a storage battery and a monitoring device for a storage battery |
CN1813199A (zh) * | 2003-06-25 | 2006-08-02 | 罗伯特.博世有限公司 | 用于预测电蓄能器的剩余寿命的方法 |
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2350686B (en) * | 1999-06-03 | 2004-01-07 | Switchtec Power Systems Ltd | Battery capacity measurement |
US7457785B1 (en) * | 2000-08-25 | 2008-11-25 | Battelle Memorial Institute | Method and apparatus to predict the remaining service life of an operating system |
DE10106508A1 (de) * | 2001-02-13 | 2002-08-29 | Bosch Gmbh Robert | Verfahren und Anordnung zur Bestimmung der Leistungsfähigkeit einer Batterie |
DE10231700B4 (de) * | 2002-07-13 | 2006-06-14 | Vb Autobatterie Gmbh & Co. Kgaa | Verfahren zur Ermittlung des Alterungszustandes einer Speicherbatterie hinsichtlich der entnehmbaren Ladungsmenge und Überwachungseinrichtung |
US7164214B2 (en) * | 2002-11-25 | 2007-01-16 | Dean Eisenberger | Uninterruptible DC power supply for equipment associated with a mobile site |
US7199557B2 (en) * | 2003-07-01 | 2007-04-03 | Eaton Power Quality Company | Apparatus, methods and computer program products for estimation of battery reserve life using adaptively modified state of health indicator-based reserve life models |
-
2008
- 2008-03-04 US US12/041,801 patent/US20090228225A1/en not_active Abandoned
-
2009
- 2009-03-04 CN CN200910149759.5A patent/CN101644747B/zh active Active
- 2009-03-04 EP EP09003142.8A patent/EP2098878B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010020849A1 (en) * | 1999-12-16 | 2001-09-13 | Alf Blessing | Process for monitoring the residual charge and capacity of a battery |
US6949911B2 (en) * | 2002-08-13 | 2005-09-27 | Vb Autobatterie Gmbh | Method for determining the amount of charge which can be drawn from a storage battery and a monitoring device for a storage battery |
CN1813199A (zh) * | 2003-06-25 | 2006-08-02 | 罗伯特.博世有限公司 | 用于预测电蓄能器的剩余寿命的方法 |
CN1607398A (zh) * | 2003-10-13 | 2005-04-20 | 上海燃料电池汽车动力***有限公司 | 实时估计动力蓄电池模型中状态变量的方法 |
CN101022178A (zh) * | 2007-03-09 | 2007-08-22 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102012485A (zh) * | 2010-09-25 | 2011-04-13 | 张天任 | 一种快速检测铅酸蓄电池循环寿命的方法 |
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 |
CN102788955B (zh) * | 2012-07-17 | 2015-02-11 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 |
CN102749584A (zh) * | 2012-07-17 | 2012-10-24 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法 |
CN102788955A (zh) * | 2012-07-17 | 2012-11-21 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 |
CN102749584B (zh) * | 2012-07-17 | 2014-07-30 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法 |
CN104584376B (zh) * | 2012-08-30 | 2017-11-24 | 德克萨斯仪器股份有限公司 | 针对预定义充电持续时间在积分退化全局最小化下对电池进行充电的方法和装置 |
CN104584376A (zh) * | 2012-08-30 | 2015-04-29 | 德克萨斯仪器股份有限公司 | 针对预定义充电持续时间在积分退化全局最小化下对电池进行充电的方法和装置 |
CN103399280B (zh) * | 2013-08-01 | 2015-08-05 | 哈尔滨工业大学 | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 |
CN103399280A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 |
CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
CN109416392A (zh) * | 2016-05-31 | 2019-03-01 | 雷诺股份公司 | 用于估计电池健康状态的方法 |
CN109416392B (zh) * | 2016-05-31 | 2021-07-20 | 雷诺股份公司 | 用于估计电池健康状态的方法 |
CN110337594A (zh) * | 2016-12-22 | 2019-10-15 | 法国电力公司 | 对运行中的电化学装置的未来功能运行预后的改良性表征 |
CN110337594B (zh) * | 2016-12-22 | 2022-07-15 | 法国电力公司 | 对运行中的电化学装置的未来功能运行预后的改良性表征 |
CN107122603A (zh) * | 2017-04-24 | 2017-09-01 | 国网山东省电力公司潍坊供电公司 | 一种微电网中蓄电池储能***寿命测算方法 |
CN107219463A (zh) * | 2017-05-12 | 2017-09-29 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
CN107219463B (zh) * | 2017-05-12 | 2019-11-12 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
CN109632559A (zh) * | 2018-12-06 | 2019-04-16 | 天能电池集团有限公司 | 一种蓄电池板栅耐腐蚀性能的测试方法 |
Also Published As
Publication number | Publication date |
---|---|
US20090228225A1 (en) | 2009-09-10 |
EP2098878A2 (en) | 2009-09-09 |
CN101644747B (zh) | 2017-03-01 |
EP2098878B1 (en) | 2015-06-03 |
EP2098878A3 (en) | 2014-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101644747A (zh) | 使用由回归模型初始化的状态推定技术的电池使用寿命推定方法、装置和计算机程序产品 | |
Dong et al. | Battery health prognosis using Brownian motion modeling and particle filtering | |
Sbarufatti et al. | Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks | |
Olivares et al. | Particle-filtering-based prognosis framework for energy storage devices with a statistical characterization of state-of-health regeneration phenomena | |
Yu | State-of-health monitoring and prediction of lithium-ion battery using probabilistic indication and state-space model | |
Bhangu et al. | Nonlinear observers for predicting state-of-charge and state-of-health of lead-acid batteries for hybrid-electric vehicles | |
US7800375B2 (en) | System and method for estimating a state vector associated with a battery | |
US6515454B2 (en) | Method and system for determining the capacity of a battery | |
CN101351720B (zh) | 电池放电能力判定方法、电池放电能力判定装置和电源*** | |
Anbuky et al. | VRLA battery state-of-charge estimation in telecommunication power systems | |
Salfner et al. | Predicting failures of computer systems: A case study for a telecommunication system | |
CN109633477B (zh) | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 | |
CN101535827A (zh) | 用于在电池非平衡时确定电池的荷电状态的设备和方法 | |
JP2007311255A (ja) | 組電池状態測定装置、組電池劣化判定方法および組電池劣化判定プログラム | |
CN114609524A (zh) | 运行提供电储能器的预测老化状态的***的方法和装置 | |
Zhang et al. | Battery state estimation with a self-evolving electrochemical ageing model | |
Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
Mohammadian et al. | Quantitative accelerated degradation testing: practical approaches | |
CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
WO2022229611A1 (en) | Health monitoring of electrochemical energy supply elements | |
CN116804711A (zh) | 基于预测的使用模式来提供设备电池组的预测健康状态的方法和装置 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
JP3007952B2 (ja) | 蓄電池の寿命診断方法および寿命診断装置 | |
Yang et al. | Lithium-ion battery life cycle prediction with deep learning regression model | |
CN114487848A (zh) | 一种蓄电池的状态计算方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190618 Address after: Dublin, Ireland Patentee after: Eaton Intelligent Power Co.,Ltd. Address before: Ohio, USA Patentee before: Eaton Corp. |