CN109425836B - 用于估计电池的状态的方法和装置 - Google Patents
用于估计电池的状态的方法和装置 Download PDFInfo
- Publication number
- CN109425836B CN109425836B CN201810916398.1A CN201810916398A CN109425836B CN 109425836 B CN109425836 B CN 109425836B CN 201810916398 A CN201810916398 A CN 201810916398A CN 109425836 B CN109425836 B CN 109425836B
- Authority
- CN
- China
- Prior art keywords
- data
- feature vector
- battery
- weight
- state information
- 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.)
- Active
Links
Images
Classifications
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
-
- 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]
-
- 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
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- 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
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2200/00—Type of vehicle
- B60Y2200/90—Vehicles comprising electric prime movers
- B60Y2200/91—Electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Sustainable Development (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Battery Mounting, Suspending (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
公开的是一种电池状态估计方法和装置,该方法包括:从电池的感测数据中的目标区间提取数据,生成从每个目标区间提取的数据的特征向量,将权重应用于每个生成的特征向量,合并应用了权重的特征向量,以及基于合并确定电池的状态信息。
Description
相关申请的交叉引用
本申请要求于2017年8月17日向韩国知识产权局提交的韩国专利申请第10-2017-0104046号的权益,其全部公开内容通过引用被并入本文以用于所有目的。
技术领域
下面的描述涉及电池的状态估计。
背景技术
随着对环境问题的日益重视和对日益减少的能源资源的关注,电动交通工具正在成为运输的有利选择。电动交通工具使用电池,其中可再充电的二次电池形成为单个电池组作为主电源。因此,电动交通工具不排放废气并产生很小的噪音。
在电动交通工具中,电池用作汽油车的发动机和燃料箱。为了电动交通工具的用户的安全,检查电池的状态是重要的。
近来,已经进行了广泛的研究以提高检测电池的异常的准确性。
发明内容
提供本发明内容是为了以简化的形式介绍将在以下详细描述中进一步描述的概念的选择。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征,也不旨在用作帮助确定所要求保护的主题的范围。
在一个一般方面,提供了一种估计电池的状态的方法,该方法包括:从电池的感测数据中的目标区间提取数据,生成从目标区间中的每一个目标区间提取的数据的特征向量,将权重应用于生成的特征向量中的每一个生成的特征向量,合并应用了权重的特征向量,并且基于合并来确定电池的状态信息。
特征向量的生成可以包括采样来自目标区间中的每一个目标区间的提取的数据,并且编码采样的数据以生成特征向量。
将权重应用于生成的特征向量可以包括基于生成的特征向量和电池的先前状态信息来计算权重,并且将所计算的权重应用于生成的特征向量。
该方法可以包括:响应于状态信息的更新事件的发生,在感测数据中设置额外的目标区间并且从额外的目标区间提取数据,编码从额外的目标区间提取的数据并且生成额外的特征向量,并基于将第二权重应用于生成的额外的特征向量以及将第三权重应用于生成的特征向量的一部分来更新状态信息。
该方法可以包括在感测数据中的随机地设置目标区间中的每一个目标区间。
目标区间的长度可以彼此不同。
更新事件可以与用户输入或超过更新时间段的时间中的任何一个相对应。
可以将最大权重应用于与来自目标区间中的、具有最稳定的模式改变的目标区间相关联的特征向量。
在另一一般方面,提供了一种用于估计电池的状态的装置,该装置包括控制器,该控制器被配置为:从电池的感测数据中的目标区间提取数据,以生成从目标区间中的每一个目标区间提取的数据的特征向量,将权重应用于生成的特征向量的每一个生成的目标区间,合并应用了权重的特征向量,并基于合并的特征向量确定电池的状态信息。
控制器可以被配置为采样来自目标区间中的每一个目标区间的提取的数据,编码采样的数据并生成特征向量。
控制器可以被配置为基于生成的特征向量和电池的先前状态信息来计算权重,并且将所计算的权重应用于生成的特征向量。
控制器可以被配置为响应于状态信息的更新事件的发生,在感测数据中设置额外的目标区间并从额外的目标区间提取数据,编码从额外的目标区间提取的数据,生成额外的特征向量,并且基于通过将第二权重应用于生成的额外的特征向量所获得的结果以及通过将第三权重应用于生成的特征向量的一部分而获得的结果来更新状态信息。
控制器可以被配置为随机地设置感测数据中的目标区间中的每一个目标区间。
目标区间的长度可以彼此不同。
可以将最大权重应用于与来自目标区间当中的、具有最稳定的模式改变的目标区间相关联的特征向量。
在另一一般方面,提供了一种用于估计电池的状态的装置,该装置包括控制器,该控制器被配置为:从电池的感测数据中的目标区间提取数据;并且基于提取的数据和状态估计模型确定电池的状态信息,其中状态估计模型包括:第一层,被配置为生成从目标区间中的每一个目标区间提取的数据的特征向量;第二层,被配置为将权重应用于生成的特征向量中的每一个生成的特征向量,并且合并应用了权重的特征向量;和第三层,被配置为基于合并的特征向量确定电池的状态信息。
第一层可以被配置为识别每条提取的数据的模式改变。
第二层可以被配置为基于生成的特征向量和电池的先前状态信息来计算权重并且将计算的权重应用于生成的特征向量。
第三层可以被配置为通过对合并的特征向量执行回归来确定状态信息。
在另一一般方面,提供了一种交通工具,该交通工具包括电池模块、被配置为感测电池模块的数据的传感器以及在处理器上实施的电池状态估计装置,该电池状态估计装置包括提取器,该提取器被配置为接收感测数据、设置感测数据中的目标区间并从目标区间中的每一个目标区间提取数据;编码器,被配置为基于分别对来自每个目标区间的提取的数据进行编码以生成与每个目标区间相对应的特征向量;向量合并器,被配置为将权重应用于生成的特征向量的每一个生成的特征向量,并且合并加权的特征向量;以及估计器,被配置为基于合并的特征向量来确定电池模块的状态信息。
特征向量的每一个可以分别与从每个目标区间提取的数据的模式的改变相对应。
可以将最大权重应用于来自特征向量中的、在提取的数据的模式中具有最小改变的特征向量。
电池模块的数据可以包括电池模块的电压数据、电流数据和温度数据中的任何一个或任何组合。
交通工具可以包括耦合到处理器的存储器,存储器包括由处理器运行的指令,并且存储器被配置为存储感测数据、特征向量和确定的状态信息;以及输出端,被配置为通信传达所确定的电池的状态信息。
从以下详细描述、附图和权利要求中其他特征和方面将是清楚的。
附图说明
图1示出了电池装置的示例。
图2至图5示出了电池状态估计装置的操作的示例。
图6示出了电池状态估计装置的示例。
图7示出了电池状态估计方法的示例。
图8A和图8B示出了交通工具的示例。
图9示出了终端的示例。
图10示出了训练装置的示例。
贯穿附图和详细描述,除非另外描述或提供,否则相同的附图参考标记将被理解为是指相同的元件、特征和结构。附图可能不是按比例的,并且为了清楚、说明和方便,附图中元件的相对尺寸、比例和描述可能被夸大。
具体实施方式
提供以下详细描述以帮助读者获得对本文描述的方法、装置和/或***的全面理解。然而,在理解了本申请的公开之后,本文描述的方法、装置和/或***的各种改变、修改和等同物将是清楚的。例如,本文描述的操作的顺序仅仅是示例,并且不限于本文阐述的那些,而是随着在理解了本申请的公开之后将变得清楚而可以被改变,除了必须以一定的顺序发生的操作。而且,为了更加清楚和简洁,可以省略对本领域已知的特征的描述。
本文描述的特征可以以不同的形式实施,并且不被解释为限于本文描述的示例。相反,已经提供本文描述的示例仅仅是为了说明实施本文描述的方法、装置和/或***的许多可能方式中的一些,这些方式、装置和/或***在理解了本申请的公开内容后将是清楚的。
而且,在实施例的描述中,当认为对熟知的相关结构或功能的详细描述是多余的时,将省略这样的描述。
关于分配给附图中的元件的附图标记,应该注意的是,只要有可能,相同的元件将由相同的附图标记来指定,即使它们在不同的附图中示出。而且,在实施例的描述中,当认为熟知的相关结构或功能的详细描述是多余的时,将省略这样的描述。
图1示出了电池装置的示例。
参考图1,电池装置100包括电池状态估计装置110和电池120。电池120可以是例如电池单元、电池模块或电池组。
电池状态估计装置110设置用于感测电池120的数据的目标区间并且从从目标区间提取的数据确定电池120的状态信息。在示例中,电池状态估计装置110通过关注在提取的数据当中具有最稳定的模式改变的数据来更准确地确定电池120的状态信息。
在下文中,将参考图2至图5来描述电池状态估计装置110的操作。
图2至图5示出了电池状态估计装置的操作的示例。
参考图2,电池状态估计装置110包括输入缓冲器210、提取器220、编码器230、第一存储器240、第二存储器250、向量合并器260、估计器270和输出缓冲器280。
提取器220、编码器230、向量合并器260和估计器270可以由至少一个控制器或至少一个处理器来实施。以下提供了关于这些元件和处理器/控制器的额外细节。在示例中,输入缓冲器210和输出缓冲器280在单个缓冲器中物理地区分或逻辑地区分。在示例中,第一存储器240和第二存储器250在单个存储器中物理地区分或逻辑地区分。
输入缓冲器210从传感器201至传感器203接收感测数据并存储接收到的感测数据。感测数据包括例如电池120的电压数据、电流数据和温度数据中的任何一个或任何组合。
提取器220从输入缓冲器210接收感测数据并在感测数据中设置目标区间。如图3所示,提取器220在电流数据310和电压数据311中设置目标区间1至5,例如目标区间320至324。在这个示例中,目标区间320至324中的每一个目标区间可以具有不同的长度或相同的长度。提取器220随机地在感测数据324中设置目标区间320至324。
提取器220提取被包括在目标区间320至324中的每一个目标区间的数据。提取器220提取与目标区间320至324中的每一个目标区间相对应的区间数据。提取器220将提取的数据输出到编码器230。
取决于示例,提取器220采样每条提取的数据并将采样的数据输出到编码器230。
编码器230通过对提取的数据进行编码来生成特征向量。在示例中,编码器230被训练为执行输入模式改变识别或模式识别,并且因此生成表示提取的数据的模式改变的特征向量。编码器230是,例如,基于神经网络的。参考图3,编码器230是基于长期短期存储器(Long Short Term Memory,LSTM)330的,并且将存储在第一存储器240中的至少一个参数应用于LSTM 330。编码器230的LSTM 330通过对从目标区间320提取的电流数据和电压数据进行编码来生成特征向量h1。特征向量h1表示目标区间320中的电流数据310和电压数据311中的每一个的模式改变。类似地,编码器230的LSTM 330通过分别对从目标区间321至324中的每一个目标区间提取的电流数据和电压数据进行编码来生成特征向量h2、h3、h4和h5。编码器230将特征向量h1、h2、h3、h4和h5存储在第二存储器250中。
向量合并器260将权重应用于特征向量并合并应用了权重的特征向量。向量合并器260是基于,例如,神经网络的。在图3的示例中,向量合并器260是基于关注网络340的。向量合并器260基于特征向量h1、h2、h3、h4和h5以及电池120的先前状态信息来计算权重α1、α2、α3、α4和α5。在示例中,权重α1、α2、α3、α4和α5分别与特征向量h1、h2、h3、h4和h5相匹配。与在提取的数据当中具有最稳定的模式改变的数据的特征向量相匹配的权重是最大权重。当目标区间320中的噪声与目标区间321至324相比相对较小并且目标区间320具有最稳定的模式改变时,匹配与目标区间320相关联的特征向量h1(即从目标区间320提取的数据的特征向量h1)的权重α1是权重α1、α2、α3、α4和α5中最大的。向量合并器260将权重α1、α2、α3、α4和α5分别应用于特征向量h1、h2、h3、h4和h5。由于最大权重被应用于具有最稳定模式改变的数据的特征向量,所以当确定电池120的状态信息时,电池状态估计装置110将精力集中在具有最稳定模式改变的数据上。向量合并器260合并应用了权重α1、α2、α3、α4和α5的特征向量α1h1、α2h2、α3h3、α4h4和α5h5。例如,向量合并器260获得权重α1h1、α2h2、α3h3、α4h4和α5h5的和。向量合并器260将合并的结果输出到估计器270。
估计器270基于合并的结果确定电池120的状态信息。估计器270对合并的结果执行线性回归,例如“α1h1+α2h2+α3h3+α4h4+α5h5”,并将线性回归的结果确定为电池120的状态信息。估计器270是基于,例如,神经网络的。
估计器270将确定的状态信息存储在输出缓冲器280中。在示例中,估计器270从第二存储器250中去除从目标区间320至324当中的目标区间320中提取的数据的特征向量h1的先前值。由于特征向量h1是更新电池120的状态信息时的最老的数据的特征向量,因此它可能不是用于更新状态信息的最合适的数据。在示例中,估计器270从第二存储器250中去除特征向量h1。因此,特征向量h2、h3、h4和h5被存储在第二存储器250中。
在示例中,当更新状态信息时,电池状态估计装置110再次使用存储在第二存储器250中的特征向量h2、h3、h4和h5。因此,电池状态估计装置110可以使用减少的操作量和提高的速度来更新状态信息。将参考图4和图5来提供相关描述。
参考图4,当更新事件发生时,提取器220额外地设置目标区间6,例如当前数据310和电压数据311中的目标区间325。在示例中,更新事件响应于用户请求而发生,或者在当前时间达到更新时段时发生。在示例中,提取器220提取目标区间325中的电流数据和电压数据,并将提取的电流数据和电压数据输出到编码器230。
编码器230通过对提取的电流数据和电压数据进行编码来生成特征向量h6。
向量合并器260从编码器230接收特征向量h6,并从第二存储器250接收特征向量h2、h3、h4和h5。参考图5,向量合并器260加载来自第二存储器250的特征向量h2、h3、h4和h5,并从编码器230接收特征向量h6。
向量合并器260基于特征向量h2、h3、h4、h5和h6以及上面确定的状态信息来计算权重。当计算权重β2、β3、β4、β5和β6时,向量合并器260将权重β2、β3、β4、β5和β6分别应用于特征向量h2、h3、h4、h5和h6,。
在示例中,向量合并器260合并应用了权重β2、β3、β4、β5和β6的特征向量β2h2、β3h3、β4h4、β5h5、和β6h6,并将合并的结果输出到估计器270。
估计器270基于特征向量β2h2、β3h3、β4h4、β5h5、和β6h6的合并结果来更新电池120的状态信息。
估计器270将更新后的状态信息存储在输出缓冲器280中,并且从第二存储器250中去除与最老的目标区间(目标区间321至325当中的目标区间321)相对应的数据的特征向量h2。
每次更新事件发生时,可以重复地执行参考图4描述的提取器220、编码器230、向量合并器260和估计器270的操作。
由于这里可以应用图1至图3的描述,因此图4的重复描述将被省略。
图6示出了电池状态估计装置的示例。
参考图6,电池状态估计装置110包括存储器610和控制器620。
存储器610存储状态估计模型的至少一个参数。存储器610包括计算机可读存储介质或计算机可读存储设备。存储器610包括例如随机存取存储器(Random Access Memory,RAM)、动态随机存取存储器(Dynamic Random Access Memory,DRAM)、静态随机存取存储器(Static Random Access Memory,SRAM)或本领域已知的其他类型的非易失性存储器。下面提供存储器的进一步描述。而且,存储器610存储由控制器620运行的指令。
控制器620在电池120的感测数据中设置目标区间并且从设置的目标区间中的每一个目标区间提取数据。
控制器620基于提取的数据和状态估计模型来确定电池120的状态信息。控制器620将存储在存储器610中的参数应用于状态估计模型。
在示例中,状态估计模型包括第一层至第三层。在示例中,第一层生成提取的数据的特征向量。训练第一层以执行输入模式改变识别或模式识别,并且因此识别每条提取的数据的模式改变。第一层生成与每条提取的数据的模式改变相关联的特征向量。第一层对应于神经网络,例如LSTM。第一层可以对应于编码器230,并且编码器230的描述通过引用被并入于此。因此,这里可以不再重复以上描述。
第二层将权重应用于特征向量并合并应用了权重的特征向量。第二层对应于神经网络,例如关注网络。第二层可以对应于向量合并器260,并且向量合并器260的描述通过引用被并入本文。因此,这里可以不再重复以上描述。
第三层基于合并的结果确定电池120的状态信息。第三层可以对应于估计器270,并且估计器270的描述通过引用被并入于此。因此,这里可以不再重复以上描述。
状态估计模型是已经由训练装置训练过的模型。将参考图10描述训练的示例。
由于这里可以应用图1至图5的描述,因此除了上面对图6的描述之外,图1-图5的描述通过引用被并入于此。因此,这里可以不再重复以上描述。
图7示出了电池的状态估计方法的示例。图7中的操作可以按照所示的顺序和方式来执行,尽管在不脱离描述的说明性示例的精神和范围的情况下,可以改变一些操作的顺序或省略一些操作。图7中所示的许多操作可以并行或同时执行。图7的一个或多个框以及框的组合能够由执行指定功能的基于专用硬件的计算机或者专用硬件和计算机指令的组合来实施。除了下面对图7的描述之外,图1-图6的描述也适用于图7,并且通过引用被并入于此。因此,这里可以不再重复以上描述。
电池的状态估计方法由电池状态估计装置110执行。
参考图7,在操作710中,电池状态估计装置110从针对电池120的感测数据而设置的目标区间中的每一个目标区间提取数据。
在操作720中,电池状态估计装置110生成提取的数据的特征向量。
在操作730中,电池状态估计装置110将权重应用于特征向量。
在操作740中,电池状态估计装置110合并应用了权重的特征向量。
在操作750中,电池状态估计装置110基于合并的结果确定电池120的状态信息。
图8A和图8B示出了交通工具的示例。
参考图8,交通工具800包括电池组810和电池管理装置(Battery ManagementApparatus,BMA)820。交通工具800使用电池组810作为电源。交通工具800是指诸如例如汽车、卡车、拖拉机、滑板车、摩托车、自行车、水陆两用车、雪地摩托车、船、公众运输交通工具、公共汽车、单轨电车、火车、电车、无人驾驶飞行器、无人驾驶飞机、自动驾驶车辆、电动车辆或混合动力车辆的运输、交付或通信的任何形式。
电池组810包括至少一个电池模块。电池模块包括至少一个电池单元。
电池管理装置820监测在电池组810中是否发生异常,并防止电池组810过度充电或过度放电。当电池组810的温度高于第一温度(例如40℃)或低于第二温度(例如-10℃)时,电池管理装置820对电池组810执行热控制。电池管理装置820执行单元平衡,使得电池组810中的电池单元的充电状态均衡。
电池管理装置820包括电池状态估计装置110。电池管理装置820使用电池状态估计装置110来确定电池组810的状态信息或包括在电池组810中的电池单元的状态信息。当交通工具800正在行驶或者电池组810被部分充电和放电时,电池管理装置820确定电池组810的状态信息或包括在电池组810中的电池单元的状态信息。
电池管理装置820将确定的状态信息发送到交通工具800的电子控制单元(Electronic Control Unit,ECU)或交通工具电子控制单元(Vehicle ElectronicControl Unit,VCU)。交通工具800的ECU或VCU在显示器上显示确定的状态信息。如图8B所示,ECU或VCU在交通工具800的仪表板上显示电池组810的状态信息830。虽然在图8B中未示出,但是ECU或VCU可以在交通工具800的平视显示器(Head-Up Display,HUD)上显示电池组810的状态信息。
在示例中,ECU或VCU通过交通工具800的无线通信接口将由电池状态估计装置110确定的状态信息发送到用户的终端。在示例中,终端包括各种类型的产品,诸如例如智能代理、移动电话、蜂窝电话、智能电话、可穿戴智能设备(诸如,戒指、手表、一副眼镜、眼镜型设备、手镯、脚踝架、皮带、项链、耳环、头带、头盔、嵌入布中的设备或眼镜显示器(Eye GlassDisplay,EGD))、服务器、个人计算机(Personal Computer,PC)、膝上型计算机、笔记本电脑、小型笔记本电脑、上网本、超便携PC(Ultra-Mobile PC,UMPC)、平板个人计算机(平板电脑)、平板手机,移动互联网设备(Mobile Internet Device,MID)、个人数字助理(PersonalDigital Assistant,PDA)、企业数字助理(Enterprise Digital Assistant,EDA)、数码相机、数码摄像机、便携式游戏机、MP3播放器、便携/个人多媒体播放器(PersonalMultimedia Player,PMP)、手持电子书、超移动个人电脑计算机(Ultra Mobile PersonalComputer,UMPC)、便携式实验室PC、全球定位***(Global Positioning System,GPS)导航、个人导航设备、便携式导航设备(Portable Navigation Device,PND)、手持式游戏控制台、电子书、通信***、图像处理***、图形处理***、通过网络控制的各种物联网(Internet Of Thing,IoT)设备、其他消费电子/信息技术(Consumer Electronics/Information Technology,CE/IT)设备或能够进行与本文公开的一致的无线通信或网络通信的任何其他设备。
使用该终端,用户在交通工具800的外部区域验证电池组810的状态信息或包括在电池组810中的电池单体的状态信息。
除了上面图8A和图8B的描述之外,图1-图7的描述也适用于图8A和图8B,并且通过引用被并入于此。因此,这里可以不再重复以上描述。
图9示出了终端的示例。
参考图9,终端900包括电池状态估计装置110和电池120。在示例中,终端900包括各种类型的产品,诸如例如智能代理、移动电话、蜂窝电话、智能电话、可穿戴智能设备(诸如,戒指、手表、一副眼镜、眼镜型设备、手镯、脚踝架、皮带、项链、耳环、头带、头盔、嵌入布中的设备或眼镜显示器(EGD))、服务器、个人计算机(PC)、膝上型计算机、笔记本电脑、小型笔记本电脑、上网本、超便携PC(UMPC)、平板个人计算机(平板电脑)、平板手机、移动互联网设备(MID)、个人数字助理(PDA)、企业数字助理(EDA)、数码相机、数码摄像机、便携式游戏机、MP3播放器、便携/个人多媒体播放器(PMP)、手持电子书、超移动个人电脑计算机(UMPC)、便携式实验室PC、全球定位***(GPS)导航、个人导航设备、便携式导航设备(PND)、手持式游戏控制台、电子书、高清电视(high definition television,HDTV)、智能家电、通信***、图像处理***、图形处理***、通过网络控制的各种物联网(IoT)设备、其他消费电子/信息技术(CE/IT)设备或能够进行与本文公开的一致的无线通信或网络通信的任何其他设备。
电池120可以是可拆卸电池或嵌入式电池。
终端900使用电池状态估计装置110确定电池120的状态信息,并将确定的状态信息显示在显示器910上。终端900使用电池状态估计装置110估计电池120的剩余寿命,并将估计的剩余寿命显示在显示器910上。
在示例中,显示器910是包括提供呈现用户界面和/或接收用户输入的能力的一个或多个硬件组件的物理结构。显示器910能够包含显示区域、手势捕捉区域、触敏显示器和/或可配置区域的任何组合。在示例中,显示器910能够被嵌入在终端900中。在示例中,终端900是可以附接到终端900以及可以从终端900分离的外部***设备。显示器910可以是单屏幕或多屏幕显示器。单个物理屏幕能够包括多个显示器,这些显示器作为单独的逻辑显示器被管理,允许不同的内容在单独的显示器上显示,尽管是相同的物理屏幕的一部分。显示器910也可以被实施为包括单眼眼镜或双眼眼镜的眼镜显示器(EGD)。在示例中,显示器910是平视显示器(HUD)或车载信息娱乐***(vehicular infotainment system)。然而,显示器不限于前述的示例,并且交通工具中的任何其他仪表组或显示面板可以执行显示功能。
在示例中,终端900将确定的状态信息和估计的剩余寿命输出到扬声器以输出声音。
而且,终端900基于确定的状态信息生成通知信息,并将该通知信息显示在显示器上。例如,终端900在显示器上显示指示因为电池120的剩余寿命短所以电池120需要被新电池替换的消息。
除了上面图9的描述之外,图1-图8B的描述也适用于图9,并且通过引用被并入于此。因此,这里可以不再重复以上描述。
除了交通工具800和终端900之外,电池状态估计装置110还可以被包括在使用可再充电的二次电池作为电源的装置中。电池状态估计装置110可以被包括在,例如,能量存储***(Energy Storage System,ESS)。
图10示出了训练装置的示例。
参考图10,训练装置1000包括存储器1010和控制器1020。
存储器1010存储学习数据。学习数据是,例如,与在电池120充电和放电时获得的感测结果相对应的整体感测数据。
控制器1020在学习数据中设置目标区间并提取被包括在目标区间中的每一个中的数据。控制器1020基于提取的数据训练包括第一层至第三层的状态估计模型。控制器1020训练第一层,使得第一层识别每条提取的数据的模式改变。控制器1020优化每层的至少一个参数。优化的参数被存储在电池状态估计装置110的第一存储器240或存储器610中。
电池状态估计装置110、输入缓冲器210、提取器220、编码器230、向量合并器260、估计器270、输出缓冲器280、关注网络340、电池管理装置(BMA)820和训练装置1000以及本文描述的其他装置、单元、模块、设备和其他组件由硬件组件来实施。在适当情况下可以用于执行本申请中描述的操作的硬件组件的示例包括控制器、传感器、生成器、驱动器、存储器、比较器、算术逻辑单元、加法器、减法器、乘法器、分频器、集成器以及被配置为执行本申请中描述的操作的任何其他电子组件。在其他示例中,执行本申请中描述的操作的一个或多个硬件组件由计算硬件来实施,例如由一个或多个处理器或计算机来实施。处理器或计算机可以由一个或多个处理元件来实施,诸如逻辑门阵列、控制器和算术逻辑单元、数字信号处理器、微型计算机、可编程逻辑控制器、现场可编程门阵列、可编程逻辑阵列、微处理器或被配置为以定义的方式响应并运行指令以达到期望的结果的任何其他设备或设备的组合。在一个示例中,处理器或计算机包括或连接到存储由处理器或计算机运行的指令或软件的一个或多个存储器。由处理器或计算机实施的硬件组件可以运行指令或软件,诸如操作***(Operating System,OS)和在OS上运行的一个或多个软件应用以执行本申请中描述的操作。响应于指令或软件的运行,硬件组件还可以访问、操纵、处理、创建和存储数据。为了简单,在本申请中描述的示例的描述中可以使用单数术语“处理器”或“计算机”,但是在其他示例中可以使用多个处理器或计算机,或者处理器或计算机可以包括多个处理元件,或多种类型的处理元件,或两者兼备。例如,单个硬件组件或者两个或更多个硬件组件可以由单个处理器、或者两个或更多个处理器、或者处理器和控制器来实施。一个或多个硬件组件可以由一个或多个处理器或者处理器和控制器来实施,并且一个或多个其他硬件组件可以由一个或多个其他处理器或者另一处理器和另一控制器来实施。一个或多个处理器或者处理器和控制器可以实施单个硬件组件、或者两个或更多个硬件组件。硬件组件可以具有不同的处理配置的任何一种或多种,其示例包括单个处理器、独立处理器、并行处理器、单指令单数据(Single-Instruction Single-Data,SISD)多处理、单指令多数据(Single-Instruction Multiple-Data,SIMD)多处理、多指令单数据(Multiple-InstructionSingle-Data,MISD)多处理和多指令多数据(Multiple-Instruction Multiple-Data,MIMD)多处理。
执行本申请中描述的操作的方法由上述被实施为运行指令或软件以执行本申请中描述的、由该方法执行的操作的计算硬件执行(例如由一个或多个处理器或计算机执行)。例如,单个操作或者两个或更多个操作可以由单个处理器、或者两个或更多个处理器、或者处理器和控制器执行。一个或多个操作可以由一个或多个处理器或者处理器和控制器执行,并且一个或多个其他操作可以由一个或多个其他处理器或者另一处理器和另一控制器执行。一个或多个处理器或者处理器和控制器可以执行单个操作或者两个或更多个操作。
控制处理器或计算机实施硬件组件并执行如上所述的方法的指令或软件被写为计算机程序、代码段、指令或其任何组合,用于单独地或共同地指示或配置处理器或计算机作为机器或专用计算机操作以执行由上述硬件组件和方法执行的操作。在一个示例中,指令或软件包括小应用程序、动态链接库(Dynamic Link Library,DLL)、中间件、固件、设备驱动程序、存储防止冲突的方法的应用程序中的至少一个。在一个示例中,指令或软件包括由处理器或计算机直接运行的机器代码,诸如由编译器产生的机器代码。在另一示例中,指令或软件包括由处理器或计算机使用解释器运行的更高级代码。本领域的普通技术编程人员能够基于公开了用于执行由如上所述的硬件组件和方法执行的操作的算法的在附图中示出的框图和流程图以及说明书中的对应描述来容易地编写指令或软件。
控制处理器或计算机实施硬件组件并执行如上所述的方法的指令或软件,以及任何相关联的数据、数据文件和数据结构被记录、存储或固定在一个或多个非瞬时性计算机可读存储介质中或其上。非瞬时性计算机可读存储介质的示例包括只读存储器(Read-OnlyMemory,ROM)、随机存取可编程只读存储器(Random-Access Programmable Read OnlyMemory,PROM)、电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,EEPROM)、随机存取存储器(Random-Access Memory,RAM)、动态随机访问存储器(Dynamic Random Access Memory,DRAM)、静态随机存取存储器(Static RandomAccess Memory,SRAM)、快闪存储器、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-RLTH、BD-RE、蓝光或光盘储存器、硬盘驱动器(Hard Disk Drive,HDD)、固态驱动器(SolidState Drive,SSD)、快闪存储器、诸如多媒体卡微型卡或卡(例如,安全数字(Secure Digital,SD)或极限数字(Extreme Digital,XD))的卡型存储器、磁带、软盘、磁光数据存储设备、光学数据存储设备、硬盘、固态盘以及被配置为以非瞬时性方式存储指令或软件以及任何相关联的数据、数据文件和数据结构并且将指令或软件以及任何相关联的数据、数据文件和数据结构提供到处理器或计算机,使得处理器或计算机能够运行指令的任何其他设备。
虽然本公开包括具体示例,但在理解了本申请的公开之后将清楚的是,可以在这些示例中进行形式和细节的各种改变,而不脱离权利要求及其等同物的精神和范围。本文描述的示例仅被认为是描述性的意义,并且不是为了限制的目的。每个示例中对特征或方面的描述将被认为适用于其他示例中的类似的特征或方面。如果所描述的技术以不同的顺序执行和/或如果所描述的***、架构、设备或电路中的组件以不同的方式组合,和/或被其他组件或它们的等同物替换或补充,则可以达到合适的结果。因此,本公开的范围不是由详细的描述限定,而是由权利要求及其等同物限定,并且在权利要求及其等同物的范围内的所有变化将被解释为被包括在本公开中。
Claims (25)
1.一种估计电池的状态的方法,所述方法包括:
从电池的感测数据中的目标区间提取数据;
生成从所述目标区间中的每一个目标区间提取的数据的特征向量;
将第一权重应用于生成的特征向量;
合并应用了所述第一权重的特征向量;
基于合并确定所述电池的状态信息,以及
响应于状态信息的更新事件的发生,更新状态信息,
其中所述更新包括:
在感测数据中设置额外的目标区间,并且从所述额外的目标区间提取数据;
生成指示从额外的目标区间提取的数据的特征向量的额外特征向量;和
基于将第二权重应用于所生成的额外的特征向量并且将第三权重应用于所生成的特征向量的一部分来更新状态信息。
2.如权利要求1所述的方法,其中,所述特征向量的生成包括:
采样来自目标区间中的每一个目标区间的提取的数据;以及
对所采样的数据进行编码以生成特征向量。
3.如权利要求1所述的方法,其中,将权重应用于生成的特征向量包括:
基于所述生成的特征向量和电池的先前状态信息计算所述第一权重。
4.如权利要求1所述的方法,还包括:
对从所述额外的目标区间提取的数据进行编码并生成额外的特征向量。
5.如权利要求1所述的方法,还包括:
在感测数据中随机地设置目标区间中的每一个目标区间。
6.如权利要求1所述的方法,其中,所述目标区间的长度彼此不同。
7.如权利要求1所述的方法,其中,所述更新事件与用户输入或超过更新时间段的时间中的任何一个相对应。
8.如权利要求1所述的方法,其中,将最大权重应用于与来自目标区间当中的、具有最稳定的模式改变的目标区间相关联的特征向量。
9.一种存储指令的非瞬时性计算机可读存储介质,所述指令在被处理器运行时使处理器执行如权利要求1所述的方法。
10.一种用于估计电池的状态的装置,所述装置包括:
控制器,被配置为:从所述电池的感测数据中的目标区间提取数据,生成从所述目标区间中的每一个目标区间提取的数据的特征向量,将第一权重应用于生成的特征向量中的每一个生成的特征向量,合并应用了第一权重的特征向量,基于合并的特征向量确定所述电池的状态信息,以及响应于状态信息的更新事件的发生,更新状态信息,
其中为了更新状态信息,控制器还被配置为:
在感测数据中设置额外的目标区间,并且从所述额外的目标区间提取数据;生成指示从额外的目标区间提取的数据的特征向量的额外特征向量;和基于将第二权重应用于所生成的额外的特征向量并且将第三权重应用于所生成的特征向量的一部分来更新状态信息。
11.如权利要求10所述的装置,其中,所述控制器还被配置为采样来自目标区间中的每一个目标区间的提取的数据,对所采样的数据进行编码以及生成特征向量。
12.如权利要求10所述的装置,其中,所述控制器还被配置为基于生成的特征向量和电池的先前状态信息计算所述第一权重。
13.如权利要求10所述的装置,其中,所述控制器还被配置为:对从所述额外的目标区间提取的数据进行编码,以及生成额外的特征向量。
14.如权利要求10所述的装置,其中,所述控制器还被配置为在感测数据中随机地设置目标区间中的每一个目标区间。
15.如权利要求10所述的装置,其中,所述目标区间的长度彼此不同。
16.如权利要求10所述的装置,其中,将所述第一权重的最大第一权重应用于与来自目标区间当中的、具有最稳定模式改变的目标区间相关联的特征向量。
17.一种用于估计电池的状态的装置,所述装置包括:
控制器,被配置为从所述电池的感测数据中的目标区间提取数据,并且基于提取的数据和状态估计模型确定所述电池的状态信息;
其中所述状态估计模型包括:
第一层,被配置为生成从目标区间中的每一个目标区间提取的数据的特征向量;
第二层,被配置为将第一权重应用于生成的特征向量中的每一个生成的特征向量并合并应用了第一权重的特征向量;以及
第三层,被配置为基于合并的特征向量确定电池的状态信息,
其中,响应于状态信息的更新事件的发生,控制器还被配置为在感测数据中设置额外的目标区间,并且从所述额外的目标区间提取数据,
第一层还被配置为生成指示从额外的目标区间提取的数据的特征向量的额外特征向量;
第二层还被配置为将第二权重应用于所生成的额外的特征向量并且将第三权重应用于所生成的特征向量的一部分;以及
第三层还被配置为基于将第二权重应用于所生成的额外的特征向量并且将第三权重应用于所生成的特征向量的一部分来更新状态信息。
18.如权利要求17所述的装置,其中,所述第一层还被配置为识别每条提取的数据的模式改变。
19.如权利要求17所述的装置,其中,所述第二层还被配置为基于生成的特征向量和电池的先前状态信息计算第一权重。
20.如权利要求17所述的装置,其中,所述第三层还被配置为通过对合并的特征向量执行回归来确定状态信息。
21.一种交通工具,包括:
电池模块;
传感器,被配置为感测所述电池模块的数据;以及
被实施在处理器上的电池状态估计装置,所述电池状态估计装置包括:
提取器,被配置为接收感测数据、在感测数据中设置目标区间、以及从目标区间中的每一个目标区间提取数据,
编码器,被配置为基于分别对来自每个目标区间的提取的数据进行编码来生成与每个目标区间相对应的特征向量,
向量合并器,被配置为将第一权重应用于生成的特征向量中的每一个生成的特征向量、以及合并加权的特征向量;以及
估计器,被配置为基于合并的特征向量确定电池模块的状态信息,其中,响应于状态信息的更新事件的发生:
提取器还被配置为在感测数据中设置额外的目标区间,并且从所述额外的目标区间提取数据,
编码器还被配置为生成指示从额外的目标区间提取的数据的特征向量的额外特征向量;
向量合并器还被配置为将第二权重应用于所生成的额外的特征向量并且将第三权重应用于所生成的特征向量的一部分;以及
估计器还被配置为基于将第二权重应用于所生成的额外的特征向量并且将第三权重应用于所生成的特征向量的一部分来更新状态信息。
22.如权利要求21所述的交通工具,其中,所述特征向量中的每一个特征向量分别与从每个目标区间提取的数据的模式改变相对应。
23.如权利要求22所述的交通工具,其中,将第一权重的最大第一权重应用于来自特征向量中的、在提取的数据的模式中具有最小改变的特征向量。
24.如权利要求21所述的交通工具,其中所述电池模块的数据包括电池模块的电压数据、电流数据和温度数据中的任何一个或任何组合。
25.如权利要求21所述的交通工具,还包括:
耦合到处理器的存储器,所述存储器包括由处理器运行的指令,并且所述存储器被配置为存储感测数据、特征向量和确定的状态信息;以及
输出端,被配置为通信传达所确定的电池的状态信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170104046A KR102399602B1 (ko) | 2017-08-17 | 2017-08-17 | 배터리 상태 추정 방법 및 장치 |
KR10-2017-0104046 | 2017-08-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109425836A CN109425836A (zh) | 2019-03-05 |
CN109425836B true CN109425836B (zh) | 2022-12-13 |
Family
ID=62134066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810916398.1A Active CN109425836B (zh) | 2017-08-17 | 2018-08-13 | 用于估计电池的状态的方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10928456B2 (zh) |
EP (1) | EP3444626A1 (zh) |
JP (1) | JP7044634B2 (zh) |
KR (1) | KR102399602B1 (zh) |
CN (1) | CN109425836B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101904868B1 (ko) * | 2017-04-28 | 2018-10-10 | 효성중공업 주식회사 | 변전소의 자산 관리 방법 |
US11131713B2 (en) * | 2018-02-21 | 2021-09-28 | Nec Corporation | Deep learning approach for battery aging model |
CN111086414A (zh) * | 2019-11-21 | 2020-05-01 | 浙江大学宁波理工学院 | 一种基于极限神经网络的快速充电设备及其方法 |
CN111340975A (zh) * | 2020-02-20 | 2020-06-26 | 东软睿驰汽车技术(沈阳)有限公司 | 异常数据特征提取方法、装置、设备及存储介质 |
KR102679708B1 (ko) * | 2020-10-14 | 2024-06-27 | 주식회사 엘지에너지솔루션 | 모듈 변형도 추정 장치 및 방법 |
JP7136175B2 (ja) * | 2020-12-22 | 2022-09-13 | カシオ計算機株式会社 | データ処理装置、電子機器、データ処理方法及びプログラム |
KR102620444B1 (ko) * | 2021-03-04 | 2024-01-03 | 한국에너지기술연구원 | 배터리 상태 추정 장치 및 배터리 상태 추정 모델 학습 장치 |
CN113866638A (zh) * | 2021-08-24 | 2021-12-31 | 陈九廷 | 一种电池参数推测方法、装置、设备及介质 |
CN113589189B (zh) * | 2021-08-30 | 2022-09-13 | 武汉理工大学 | 基于充放电数据特征的锂电池健康状况预测方法及装置 |
CN114266278B (zh) * | 2021-12-29 | 2024-02-20 | 合肥工业大学 | 一种基于双重注意力网络的设备剩余使用寿命预测方法 |
KR20230109916A (ko) * | 2022-01-14 | 2023-07-21 | 주식회사 엘지에너지솔루션 | 배터리 상태 추정 방법 및 그 방법을 제공하는 배터리 시스템 |
CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
CN114744309B (zh) * | 2022-06-09 | 2022-09-02 | 深圳凌奈智控有限公司 | 基于bms的电池安全管理方法、装置、设备及存储介质 |
CN117849628B (zh) * | 2024-03-08 | 2024-05-10 | 河南科技学院 | 基于时序变换记忆网络的锂离子电池健康状态估计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875098A (zh) * | 2017-01-19 | 2017-06-20 | 华北电力大学 | 一种充电设施对动力电池安全事故预警能力量化评价方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10335928B4 (de) * | 2003-08-06 | 2006-11-09 | Vb Autobatterie Gmbh | Verfahren zur Ermittlung einer von der Elektrolytkonzentration und/oder Elektrolytverteilung abhängigen auf den Ladezustand einer Speicherbatterie bezogenen Kenngröße |
JP4587299B2 (ja) | 2005-02-14 | 2010-11-24 | 株式会社デンソー | 車両用蓄電装置の内部状態検出方式 |
US8258751B2 (en) | 2007-11-15 | 2012-09-04 | Broadcom Corporation | Method and system for tracking battery state-of-health based on charging information |
US20130069660A1 (en) | 2010-02-17 | 2013-03-21 | Julien Bernard | Method for in situ battery diagnostic by electrochemical impedance spectroscopy |
JP5552449B2 (ja) | 2011-01-31 | 2014-07-16 | 日本電信電話株式会社 | データ分析及び機械学習処理装置及び方法及びプログラム |
US20140180614A1 (en) * | 2012-12-26 | 2014-06-26 | Robert Bosch Gmbh | System And Method For Selective Estimation Of Battery State With Reference To Persistence Of Excitation And Current Magnitude |
US9483728B2 (en) | 2013-12-06 | 2016-11-01 | International Business Machines Corporation | Systems and methods for combining stochastic average gradient and hessian-free optimization for sequence training of deep neural networks |
KR102205293B1 (ko) * | 2014-04-18 | 2021-01-20 | 삼성전자주식회사 | 배터리 수명의 추정에서 발생하는 오차를 보정하는 방법 및 장치 |
KR102215450B1 (ko) | 2014-06-24 | 2021-02-15 | 삼성전자주식회사 | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 |
KR102221756B1 (ko) * | 2014-07-18 | 2021-03-02 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
KR102241683B1 (ko) * | 2014-07-30 | 2021-04-19 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
KR102357351B1 (ko) * | 2015-01-07 | 2022-01-28 | 삼성전자주식회사 | 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법 |
KR20160090140A (ko) | 2015-01-21 | 2016-07-29 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
KR102332399B1 (ko) * | 2015-02-06 | 2021-11-29 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
KR20160101506A (ko) | 2015-02-17 | 2016-08-25 | 삼성전자주식회사 | 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치 |
KR102468895B1 (ko) | 2015-07-21 | 2022-11-21 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
US10114079B2 (en) * | 2016-02-24 | 2018-10-30 | Ford Global Technologies, Llc | System and method for identifying vehicle battery decay |
CN106250103A (zh) | 2016-08-04 | 2016-12-21 | 东南大学 | 一种卷积神经网络循环卷积计算数据重用的*** |
-
2017
- 2017-08-17 KR KR1020170104046A patent/KR102399602B1/ko active IP Right Grant
-
2018
- 2018-01-08 US US15/864,405 patent/US10928456B2/en active Active
- 2018-05-02 EP EP18170329.9A patent/EP3444626A1/en active Pending
- 2018-05-28 JP JP2018101563A patent/JP7044634B2/ja active Active
- 2018-08-13 CN CN201810916398.1A patent/CN109425836B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875098A (zh) * | 2017-01-19 | 2017-06-20 | 华北电力大学 | 一种充电设施对动力电池安全事故预警能力量化评价方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7044634B2 (ja) | 2022-03-30 |
EP3444626A1 (en) | 2019-02-20 |
CN109425836A (zh) | 2019-03-05 |
KR102399602B1 (ko) | 2022-05-18 |
KR20190019316A (ko) | 2019-02-27 |
JP2019036527A (ja) | 2019-03-07 |
US10928456B2 (en) | 2021-02-23 |
US20190056452A1 (en) | 2019-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109425836B (zh) | 用于估计电池的状态的方法和装置 | |
US10908220B2 (en) | Method and apparatus for estimating state of battery | |
US20210110212A1 (en) | Method of training neural network, and recognition method and apparatus using neural network | |
US11048266B2 (en) | Method and apparatus for recognizing object | |
US10546201B2 (en) | Method and apparatus for determining abnormal object | |
US11133536B2 (en) | Apparatus and method for managing battery | |
EP3502857A1 (en) | Method and apparatus for processing image interaction | |
US11183715B2 (en) | Method and apparatus for estimating state of battery | |
US11769037B2 (en) | Method and apparatus for processing convolution operation in neural network | |
US11977928B2 (en) | Apparatus and method for performing a recognition operation in a neural network | |
US10885787B2 (en) | Method and apparatus for recognizing object | |
CN112002309A (zh) | 模型训练方法和设备 | |
EP3444726A1 (en) | Method and apparatus for determining domain of sentence | |
US11315567B2 (en) | Electronic device and method for conducting dialog | |
US11444475B2 (en) | Method and apparatus for charging battery | |
US11073563B2 (en) | Method and apparatus for estimating state of battery | |
US20180210726A1 (en) | Apparatus and method for updating firmware of black box for vehicle | |
CN110007247B (zh) | 用于估计电池的状态的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |