CN113785209A - 用于检测异常电池单体的方法 - Google Patents

用于检测异常电池单体的方法 Download PDF

Info

Publication number
CN113785209A
CN113785209A CN202080032978.XA CN202080032978A CN113785209A CN 113785209 A CN113785209 A CN 113785209A CN 202080032978 A CN202080032978 A CN 202080032978A CN 113785209 A CN113785209 A CN 113785209A
Authority
CN
China
Prior art keywords
value
parameter
cell
battery cell
battery
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
Application number
CN202080032978.XA
Other languages
English (en)
Other versions
CN113785209B (zh
Inventor
金济益
林炳熙
黄龙俊
金纪宪
克里斯托伯·雷亚潘
白承郁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung SDI Co Ltd
Original Assignee
Samsung SDI Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung SDI Co Ltd filed Critical Samsung SDI Co Ltd
Publication of CN113785209A publication Critical patent/CN113785209A/zh
Application granted granted Critical
Publication of CN113785209B publication Critical patent/CN113785209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

根据各种实施例的用于检测异常电池单体的方法包括以下步骤：周期性地产生多个电池单体中的每个的电压值和电流值；通过使用自适应滤波器实时地更新G参数值和H参数值，G参数值和H参数值是通过将代表多个电池单体中的每个的当前状态的G参数和H参数从多个电池单体中的每个的电压值和电流值数字化而获得；计算分别代表多个电池单体中的每个的G参数值和H参数值的G参数代表值和H参数代表值；以及，基于多个电池单体中的每个的G参数值、H参数值、G参数代表值和H参数代表值，确定多个电池单体中的每个是否是异常劣化的电池单体。G参数是代表每个电池单体的电压相对于电流变化的灵敏度的参数，H参数是代表由每个电池单体中的局部平衡电位分布和电阻分布确定的有效电位的参数。

Description

用于检测异常电池单体的方法
技术领域
一个或更多个实施例涉及一种用于准确地检测异常电池单体的方法。
背景技术
与其他能量存储装置相比，电池易于应用，此外，由于电池的特性(诸如相对高的能量和功率密度)，电池不仅广泛用于便携式装置，而且还广泛用于由电驱动源驱动的电动车辆(EV)或者混合动力电动车辆(HEV)。特别地，当需要强输出时，可以使用其中多个电池单体串联连接和并联连接的电池组。
在由电池或电池组以节能和安全的方式驱动的电动装置的情况下，电池管理是重要的，并且为此，准确估算和诊断电池状况是至关重要的。特别地，随着使用的进行，电池单体劣化。在这种情况下，电池单体的内部状态改变。在这种情况下，电池单体异常地劣化。检测这种异常对于电池的稳定使用是非常重要的。
在相关领域中，在预先实验地找到可测量变量(电流I、电压V、温度T)与待估算的内部状态之间的相关性之后，以表格形式创建相关性并将其用于估算电池的内部状态，诸如电阻、电容和开路电压(OCV)。因为内部状态受各种变量影响，所以为了准确估算内部状态，需要配置电池的荷电状态(SOC)、电流I、电压V和温度T的各种组合来收集数据。因此，精度越高，需要的数据越多。因此，时间和成本也增加。另外，在根据相关领域的方法中，存在以下问题：需要停止使用电池；需要调整特定条件或环境；或者传感器误差或估算误差累积使得精度不可靠。
发明内容
技术问题
一个或更多个实施例包括克服根据相关领域的方法的缺点的方法，使得通过使用针对使用中的电池单体的电压和电流测量的电压值和电流值来实时准确地估算每个电池单体中异常的存在或不存在。一个或更多个实施例包括一种能够通过使用指示电池单体的内部状态的G参数和H参数来准确地检测电池单体之中的异常电池单体的方法。一个或更多个实施例包括可以安装在电池管理***(BMS)中的用于检测异常电池单体的算法。
技术方案
根据一个或更多个实施例，一种用于检测异常电池单体的方法包括：检测电连接在第一端子与第二端子之间并且正在使用中的多个电池单体中的每个的电压和电流，以便周期性地产生多个电池单体中的每个的电压值和电流值；通过使用自适应滤波器实时从多个电池单体中的每个的电压值和电流值更新G参数值和H参数值，G参数值和H参数值是指示多个电池单体中的每个的当前状态的G参数和H参数中的每个的数值；计算各自代表多个电池单体的G参数值和H参数值的代表G参数值和代表H参数值，并且基于多个电池单体中的每个的G参数值、H参数值、代表G参数值和代表H参数值来确定多个电池单体中的每个是否是异常劣化的电池单体。G参数是指示电池单体的电压相对于电流变化的灵敏度的参数，并且H参数是指示由电池单体中的局部平衡电位分布和电阻分布确定的有效电位的参数。
有益效果
与根据相关领域的方法相比，根据各种实施例的用于检测异常电池单体的方法在成本、可扩展性和适应性方面已经极大地增强。特别地，因为用于检测异常电池单体的方法不是基于如现有实验模型的估算的估算方法，而是使用可以直接测量的值来估算电池的内部状态，所以该方法在准确性方面优于根据相关领域的方法。另外，用于检测异常电池单体的方法可以以算法的形式安装在电池管理***(BMS)中。
附图说明
图1是根据实施例的用于执行用于检测异常电池单体的方法的电池***的示意性配置图；
图2是示出根据实施例的用于检测异常电池单体的方法的流程图；
图3是示出图2的用于检测异常电池单体的方法的一些详细操作的流程图；
图4是示出包括正常电池单体的电池组的参数的曲线图；
图5是用于比较正常电池单体和异常劣化的电池单体的参数以便验证根据实施例的方法的曲线图；以及
图6是用于比较正常电池单体和异常减少容量的电池单体的参数以便验证根据实施例的方法的曲线图。
具体实施方式
参考结合附图详细描述的实施例，本公开的优点和特征以及实现它们的方法将变得明显。然而，应当理解的是，本公开不限于下面呈现的实施例，而是可以以各种不同的形式实施，并且包括本公开的精神和范围中包括的所有变型、等同物和替代物。下面给出的实施例被提供以完成发明的公开，并且被提供以充分地告知本公开所属领域的普通技术人员发明的范围。在本公开的描述中，相关领域的某些详细解释在被认为其会不必要地模糊发明的本质时被省略。
本说明书中使用的术语仅用于描述特定实施例，并且不旨在限制本公开。以单数使用的表述涵盖复数的表述，除非其在上下文中具有明显不同的含义。在本说明书中，将理解的是，诸如“包括”或“具有”等的术语旨在指示说明书中公开的特征、数量、步骤、动作、组件、部分或其组合的存在，并且不旨在排除可以存在或可以添加一个或更多个其他特征、数量、步骤、动作、组件、部分或其组合的可能性。虽然“第一”、“第二”等这样的术语可以用于描述各种组件，但是这样的组件不必限于上述术语。上述术语仅用于将一个组件与另一组件区分开。
在下文中，下面将参照附图更详细地描述本公开的实施例。相同或对应的那些组件被赋予相同的附图标记，而与图号无关，并且省略了冗余的解释。
图1是根据实施例的用于执行用于检测异常电池单体的方法的电池***的示意性配置图。
参照图1，电池***100可以包括电池110、电压测量单元120、电流测量单元130、微处理器140和存储单元150。
作为用于存储电力的单元的电池110可以包括在第一端子101与第二端子102之间彼此电连接的多个电池单体111。多个电池单体111可以串联连接、并联连接或者以串联和并联的组合连接。每个电池单体111可以理想地放电和充电相同大小的电流，并且可以具有相同大小的容量。然而，实际上，电池单体111的内部状态可以不同，因此，它们可以具有不同的内部电阻和电动势。此外，每个电池单体111可以具有不同的G参数值和H参数值。
每个电池单体111可以包括可充电的二次电池。例如，电池单体111可以包括镍-镉电池、铅酸电池、镍金属氢化物(NiMH)电池、锂离子电池或锂聚合物电池。可以根据电池110所需的电容、输出电压和输出电流来确定电池单体111的数量。
图1中示出了一个电池110。然而，多个电池110可以并联和/或串联连接，并且可以通过第一端子101和第二端子102连接到负载和/或充电装置。尽管未在图1中示出，但是电池110连接到负载和/或充电装置并且在使用中。也就是说，电池110可以将电流放电到负载或从充电装置充入电力。
电压测量单元120可以在使用中连接到每个电池单体111的两个端子，并且可以测量每个电池单体111的电压且可以周期性地产生每个电池单体111的电压值。因为当电池单体111并联连接时，并联连接的电池单体111具有相同的电压，所以电压测量单元120可以测量一个电池单体111的电压并且可以产生剩余的电池单体111的相同电压值。
例如，电压测量单元120可以在预设时间周期Δt测量每个电池单体111的两个端子处的电压。当前或最近测量的电压值被称为当前电压值，并且由V(t)表示。在时间周期Δt之前测量的电压值被称为紧前电压值，并且由V(t-1)表示。时间周期Δt可以是例如1秒。然而，这是示例性的，时间周期Δt可以被设定为另一时间，例如，0.1秒、0.5秒、2秒、5秒、10秒等。可以根据连接到电池***100的电动***适当地设定时间周期Δt。
每个电池单体111的电压值可以根据电池单体111的内部状态而彼此不同。第j电池单体111的当前电压值和紧前电压值分别由V_j(t)和V_j(t-1)表示。这里，j表示电池单体111的序数，可以大于或等于1并且可以小于或等于电池110中包括的电池单体111的总数量。
电流测量单元130可以测量使用中的每个电池单体111的电流，并且可以周期性地产生每个电池单体111的电流值。因为当电池单体111串联连接时，串联连接的电池单体111具有相同的电流，所以电流测量单元130可以测量一个电池单体111的电流，并且可以产生剩余的电池单体111的相同电流值。
电压测量单元120和电流测量单元130可以彼此同步，并且可以同时测量每个电池单体111的电压和电流。电流测量单元130可以在时间周期Δt测量每个电池单体111的电流。由电流测量单元130测量的电流值可以在电流是充电电流时显示为正(+)，并且可以在电流是放电电流时显示为负(-)。当前或最近测量的电流值被称为当前电流值并且由I(t)表示，在时间周期Δt之前测量的电流值被称为紧前电流值并且由I(t-1)表示。
根据电池单体111的内部状态，每个电池单体111的电流值可以彼此不同。第j电池单体111的当前电流值和紧前电流值分别由I_j(t)和I_j(t-1)表示。
微处理器140可以从由电压测量单元120提供的每个电池单体111的电压值和由电流测量单元130提供的每个电池单体111的电流值实时更新G参数值和H参数值，G参数值和H参数值是指示每个电池单体111的当前状态的G参数和H参数中的每个的数值。这里，G参数是指示使用中的电池单体111的电压相对于电流变化的灵敏度的参数，H参数是指示由使用中的电池单体110中的局部平衡电位分布和电阻分布确定的有效电位的参数。第j电池单体111的G参数和H参数分别由G_j和H_j表示。第j电池单体111的G参数值和H参数值由G_j(t)和H_j(t)表示。
微处理器140可以使用自适应滤波器，以便从每个电池单体111的电压值和电流值产生每个电池单体的G参数值和H参数值。自适应滤波器可以是使用递归最小二乘(RLS)的滤波器或者使用加权最小二乘(WLS)的滤波器。在下文中，将详细描述其中微处理器140使用利用RLS的自适应滤波器的实施例。
微处理器140可以通过使用实时产生的每个电池单体111的G参数值和H参数值来确定电池单体111之中的异常劣化的电池单体或异常减少容量的电池单体。可以通过使用自适应滤波器从每个电池单体111的电压值和电流值实时产生每个电池单体111的G参数值和H参数值。异常劣化的电池单体和异常减少容量的电池单体可以被称为异常电池单体。
根据实施例，微处理器140可以从每个电池单体111的G参数值计算代表G参数值。代表G参数值可以是G参数值的平均值或中值。代表G参数值可以被确定为可以代表G参数的不同值。
微处理器140可以从每个电池单体111的H参数值计算代表H参数值。代表H参数值可以是H参数值的平均值或中值。代表H参数值可以被确定为可以代表H参数的不同值。
微处理器140可以通过使用每个电池单体111的G参数值、每个电池单体111的H参数值、代表G参数值和代表H参数值来确定每个电池单体111是异常劣化的电池单体还是异常减少容量的电池单体。
根据实施例，因为微处理器140仅使用对四则算术运算的简单运算来检测异常电池单体，所以微处理器140可以包括在电池组的电池管理***(BMS)中。根据另一实施例，根据本公开的用于检测异常电池单体的方法可以由电动车辆的BMS中的微控制器或电子控制单元(ECU)执行。根据另一实施例，根据本公开的用于检测异常电池单体的方法可以由能量存储***的集成控制器执行。根据另一实施例，用于检测异常电池单体的方法可以由通过通信连接到电池***或能量存储***的服务器的处理器执行。
存储单元150可以存储执行根据本实施例的用于检测异常电池单体的方法所需的命令和数据。因为，在根据本实施例的方法中，可以基于在时间周期Δt产生的每个电池单体111的电压值和电流值而产生每个电池单体111的G参数值和H参数值，并且基于每个电池单体111的G参数值和H参数值检测异常电池单体，所以每个电池单体111的当前电压值、当前电流值以及紧前值可以存储在存储单元150中，并且其他的电压数据和电流数据可以不存储在存储单元150中。也就是说，不需要将大量的电压数据和电流数据存储在存储单元150中。
根据根据本实施例的用于检测异常电池单体的方法，存储单元150可以存储包括每个电池单体111的G参数和H参数的状态向量的紧前值和当前值以及RLS方法所需的协方差矩阵的紧前值和当前值。此外，存储单元150可以存储代表G参数值和代表H参数值。因此，因为不需要将大量命令和数据存储在存储单元150中，所以可以将存储单元150实现为具有小尺寸的存储器。例如，存储单元150可以被实现为微处理器140内的存储器。
代表电池的当前状态的重要估算值包括荷电状态(SOC)、健康状态(SOH)和功率能力状态(SOP)。在根据相关领域的用于估算电池的内部状态的方法中，预先实验地找到可测量变量(电流I、电压V和温度T)与待估算的内部状态之间的相关性，然后将相关性制成表的形式，并且使用制成表的形式的相关性来估算电池的内部状态，诸如电池单体的内部电阻、内部电容和开路电压(OCV)。这些用于估算电池状态的方法在成本、可扩展性和适应性方面有不足。
根据根据相关领域的用于估算电池的内部状态的方法，需要通过实验预先收集数据，并且基于所收集的数据来估算电池的内部状态。因为内部状态受各种变量影响，所以为了精确估算内部状态，需要通过配置电池的荷电状态(SOC)、电池的电流I、电压V和温度T的各种组合来收集数据。因此，追求的精度越高，需要的数据越多，因此，时间和财务成本也增加。另外，内部状态需要通过对超过由实验测量的变量范围的值进行外推来估算。在这种情况下，估算的可靠性会是一个问题。另外，当通过实验估算的内部状态不准确时，估算的内部状态的效用降低。预先实验地找到相关性并使用相关性来估算状态变量的方法也具有类似的问题。
为了提取电池组的状态信息，需要关于电池组的实验数据。然而，因为收集关于电池组的数据需要高成本，所以通常替代地使用从电池单体测量的数据来估算电池组的状态信息。然而，该方法基于以下假设：从电池单体测量的变量之间的关系是对更大***的可扩展机制。因此，如果没有通过附加验证预先验证***之间的机制的可扩展性，则通过该方法估算的电池组的状态信息的可靠性是有疑问的，并且会存在准确性的问题。
根据相关领域的内部状态估算的适应性是降低的。电池随时间具有不同的特性。这被称为老化效应。可测量变量(诸如电池的电压V、电流I和温度T)与内部状态之间的相关性也随时间而变化。然而，如果通过实验预先完成指示可测量变量与待估算的内部状态之间的相关性的表，则难以反映老化效应。为了反映老化效应，需要预先执行关于老化效应的各种实验，或者需要预先预测老化效应以在实验模型中反映。然而，前者具有成本增加的问题，后者具有如果没有预先准确地预测老化效应则降低状态估算的可靠性的风险。电池单体的设计以及时间的变化也会导致电池单体特性的变化。然而，如果这些变化未被预先预测并且未反映在实验模型上，则当存在诸如在电池单体的制造中使用的活性物质或形状的设计变化时，不能使用现有的实验模型。
除了实验模型之外，还可以使用考虑电池中的电化学现象和热行为的电化学模型(例如，Newman模型)来估算电池内部状态。通过使用该模型，不能直接测量的物理状态可以用作电池管理***的控制参数。然而，这种模型的缺点在于它需要过多的时间和成本来开发，并且计算所需的资源太大。因此，它在电池管理***中没有广泛使用。
为了克服根据相关领域的方法的问题，本公开提出了一种通过使用G参数和H参数来区分正常电池单体与异常电池单体的方法，G参数和H参数是指示电池单体的当前状态的参数。根据本公开的用于检测异常电池单体的方法可以相对简单地实现以在电池管理***(BMS)中执行，并且可以在没有附加驱动条件的情况下具有高精度。
G参数是指示电池单体的端子电压对施加到使用中的电池单体的电流的变化的灵敏度的状态量，并且具有电阻的单位。H参数是在使用期间由电池单体内的局部平衡电位分布和电阻分布确定的有效电位。可以使用理论模型将电池单体的G参数和H参数量化为电池材料性质与设计变量之间的显式相关性。在下文中，将描述电池单体的G参数和H参数。
在电池单体中，可以假设电压V和电流i具有与V＝f(i；x,p)相同的关系。这里，x是指示电池单体的内部状态的物理量，并且p是参数。
函数f是非线性隐式函数。当函数f可以被划分为快速变化量g和缓慢变化量h时，上述关系为V＝g(i；x,p)+h(i；x,p)。
如果假设存在相对于电流i缓慢变化的函数G(i；x,p)＝dg/di，则上述关系可以表示为V＝G(i；x,p)i+H(i；x,p)。
在上述关系中，dG/di和dH/di具有非常小的值。换句话说，当满足上述假设时，G和H是相对于电流i缓慢变化的函数。因此，表示电压V与电流i之间的非线性关系的函数f可以表示为类似于上述关系的准线性关系。
这里，G被称为G参数，H被称为H参数。当电流i是充电/放电电流并且Ueq是电池单体的平衡电位时，可以使用G参数G和H参数H将放电过电压计算为Ueq-V＝-G·i+(Ueq-H)。
这里，
Figure BDA0003333311740000081
是由电池单体产生的使电流流过端子的过电压，并且包括反应动态极化量以及电子和离子电阻极化量。(Ueq-H)是由电池单体的局部热力学平衡状态与整个***的平衡状态的偏差引起的过电压。也就是说，(Ueq-H)是由电池单体内部的热力学不均匀性引起的低效率。当电池单体的内部***达到热力学平衡状态时，H参数H变得等于平衡电位Ueq。
在根据实施例的用于检测异常电池单体的方法中，通过使用例如RLS方法从由每个电池单体测量的电压值和电流值直接提取每个电池单体的G参数和H参数，并且使用每个电池单体的G参数G和H参数H检测异常电池单体。
图2是示出根据实施例的用于检测异常电池单体的方法的流程图。
参照图2连同图1，微处理器140可以通过使用自适应滤波器来执行图2中所示的用于检测异常电池单体的方法。
微处理器140可以通过使用电压测量单元120和电流测量单元130来检测电连接在第一端子101与第二端子102之间并且在使用中的多个电池单体111中的每个的电压和电流。微处理器140可以周期性地产生每个电池单体111的电压值V和电流值I(S110)。可以产生第j电池单体(例如，Cell_j)的电压值V_j和电流值I_j。第j电池单体(例如，Cell_j)可以指电池110中包括的电池单体111之中的一个。
微处理器140可以通过使用存储在存储单元150中的自适应滤波器实时地从每个电池单体(例如，Cell_j)的电压值V_j和电流值I_j更新G参数值G_j(t)和H参数值H_j(t)，G参数值G_j(t)和H参数值H_j(t)是指示每个电池单体(例如，Cell_j)的当前状态的G参数和H参数中的每个的数值(S120)。下面将详细描述实时更新G参数值G_j(t)和H参数值H_j(t)的操作(S120)。
微处理器140可以计算代表电池单体111的G参数值G(t)的代表G参数值G_ref，并且可以计算代表电池单体111的H参数值H(t)的代表H参数值H_ref(S130)。根据实施例，代表G参数值G_ref可以是G参数值G(t)的平均值，并且代表H参数值H_ref可以是H参数值H(t)的平均值。根据另一实施例，代表G参数值G_ref可以是G参数值G(t)的中值，并且代表H参数值H_ref可以是H参数值H(t)的中值。
微处理器140可以基于G参数值G_j(t)、H参数值H_j(t)、代表G参数值G_ref和代表H参数值H_ref来确定每个电池单体(例如，Cell_j)是否是异常劣化的电池单体。例如，微处理器140可以相对于每个电池单体(例如，Cell_j)通过从每个电池单体(例如，Cell_j)的G参数值G_j(t)中减去代表G参数值G_ref来计算每个电池单体(例如，Cell_j)的G参数偏差值G_j(t)-G_ref，可以对于每个电池单体(例如，Cell_j)通过从每个电池单体(例如，Cell_j)的H参数值H_j(t)中减去代表H参数值H_ref来计算每个电池单体(例如，Cell_j)的H参数偏差值H_j(t)-H_ref，并且可以确定每个电池单体(例如，Cell_j)的G参数偏差值G_j(t)-G_ref是否大于预设G参数设定值(G_th)，或者确定每个电池单体(例如，Cell_j)的H参数偏差值H_j(t)-H_ref是否大于预设H参数设定值H_th(S140)。
当每个电池单体(例如，Cell_j)的G参数偏差值G_j(t)-G_ref大于预设G参数设定值G_th或者每个电池单体(例如，Cell_j)的H参数偏差值H_j(t)-H_ref大于预设H参数设定值H_th时，微处理器140可以将对应的电池单体(例如，Cell_j)确定为异常劣化的电池单体(S150)。例如，G参数设定值G_th可以被预设为约0.5，H参数设定值H_th可以被预设为约0.01。然而，这些值是示例性的，可以根据电池单体111的特性将G参数设定值G_th和H参数设定值H_th设定为不同值。
如果每个电池单体(例如，Cell_j)的G参数偏差值G_j(t)-G_ref不大于预设G参数设定值G_th并且每个电池单体(例如，Cell_j)的H参数偏差值H_j(t)-H_ref不大于预设H参数设定值H_th，则微处理器140可以通过对电池单体(例如，Cell_k)执行操作S140的确定来确定电池单体Cell_k是否是异常劣化的电池单体。
如果所有的电池单体111的G参数偏差值G(t)-G_ref都不大于预设G参数设定值G_th并且所有的电池单体111的H参数偏差值H(t)-H_ref都不大于预设H参数设定值H_th，则微处理器140可以进行到操作S110以在预设时间周期Δt之后新产生每个电池单体111的电压值和电流值。
当微处理器140在操作S150中将电池单体(例如，Cell_j)确定为异常劣化的电池单体时，微处理器140可以确定电池单体(例如，Cell_j)的G参数偏差值G_j(t)-G_ref是否大于预设G参数设定值G_th，并且确定电池单体(例如，Cell_j)的H参数偏差值H_j(t)-H_ref是否大于预设H参数设定值H_th(S160)。
当电池单体(例如，Cell_j)的G参数偏差值G_j(t)-G_ref大于预设G参数设定值G_th并且电池单体(例如，Cell_j)的H参数偏差值H_j(t)-H_ref大于预设H参数设定值H_th时，微处理器140可以确定对应的电池单体Cell_j是异常减少容量的电池单体(S170)。
当在操作S160中确定电池单体(例如，Cell_j)的G参数偏差值G_j(t)-G_ref不大于预设G参数设定值G_th或者电池单体(例如，Cell_j)的H参数偏差值H_j(t)-H_ref不大于预设H参数设定值H_th时，以及当在操作S170中确定电池单体Cell_j为异常减少容量的电池单体时，微处理器140可以进行到操作S110以在预设时间周期Δt之后新产生每个电池单体111的电压值和电流值。
根据实施例，微处理器140可以通过使用存储在存储单元150中的使用RLS方法的滤波器来执行图2的操作。
图3是示出图2的用于检测异常电池单体的方法的操作S110至S120的流程图。
参照图1至图3，当微处理器140使用RLS滤波器时，微处理器140可以初始化每个电池单体111的状态向量Θ＝[G；H]和协方差矩阵P(S101)。例如，可以存在与第j电池单体Cell_j对应的状态向量Θ_j＝[G_j；H_j]和协方差矩阵P_j，并且在操作S101中，微处理器140可以初始化第j电池单体(例如，Cell_j)的状态向量Θ_j＝[G_j；H_j]和协方差矩阵P_j。
图2的操作S110可以包括图3的操作S111、S112和S113。在操作S111中，微处理器140可以产生每个电池单体111的当前电压值V(t)和当前电流值I(t)。在时间周期Δt之前产生的每个电池单体111的当前电压值V(t)和当前电流值I(t)可以是每个电池单体111的紧前电压值V(t-1)和紧前电流值I(t-1)。例如，微处理器140可以产生第j电池单体(例如，Cell_j)的紧前电压值V_j(t-1)和紧前电流值I_j(t-1)，并且可以在时间周期Δt之后产生第j电池单体(例如，Cell_j)的当前电压值V_j(t)和当前电流值I_j(t)。
在操作S112中，微处理器140可以计算对于每个电池单体111的当前电流值I(t)与紧前电流值I(t-1)之间的电流差ΔI，例如，对于第j电池单体(例如，Cell_j)的当前电流值I_j(t)与紧前电流值I_j(t-1)之间的电流差ΔI_j。
在操作S113中，微处理器140可以将每个电池单体111的电流差ΔI与预设范围进行比较。可以通过使用下限值ΔImin和上限值ΔImax来定义预设范围。例如，微处理器140可以确定第j电池单体(例如，Cell_j)的电流差ΔI_j是否在下限值ΔImin与上限值ΔImax之间。
当第j电池单体(例如，Cell_j)的电流差ΔI_j在下限值ΔImin与上限值ΔImax之间时，在操作S121中，可以更新第j电池单体(例如，Cell_j)的状态向量Θ_j和协方差矩阵P_j。因为第j电池单体(例如，Cell_j)的状态向量Θ_j包括第j电池单体(例如，Cell_j)的G参数值G_j(t)和H参数值H_j(t)，所以当在操作S121中更新状态向量Θ_j时，可以更新G参数值G_j(t)和H参数值H_j(t)(S120)。
随后，微处理器140可以执行图2的操作S130。
根据本实施例，可以使用状态向量
Figure BDA0003333311740000111
和协方差矩阵P(t)。在下文中，将描述实时更新电池单体111之中的一个电池单体(例如，Cell_j)的G参数值G_j(t)和H参数值H_j(t)的方法。因为G参数值G_k(t)和H参数值H_k(t)对于其他电池单体(例如，Cell_j)以相同的方式计算，所以省略了分别标识电池单体111的序数(例如，j或k)。
状态向量
Figure BDA0003333311740000121
可以包括G参数
Figure BDA0003333311740000122
和H参数
Figure BDA0003333311740000123
并且可以被定义为
Figure BDA0003333311740000124
协方差矩阵P(t)可以包括第一值P1(t)和第二值P2(t)，并且可以被定义为
Figure BDA0003333311740000125
可以对每个时间周期Δt产生电池单体111的电压值V(t)和电流值I(t)，并且可以通过使用递归方法对每个时间周期Δt更新状态向量
Figure BDA0003333311740000126
和协方差矩阵P(t)。也可以对每个时间周期Δt更新G参数
Figure BDA0003333311740000127
和H参数
Figure BDA0003333311740000128
在操作S101中，微处理器140可以初始化状态向量
Figure BDA0003333311740000129
和协方差矩阵P(t)。例如，状态向量
Figure BDA00033333117400001210
可以被初始化为
Figure BDA00033333117400001211
并且协方差矩阵P(t)可以被初始化为
Figure BDA00033333117400001212
在本实施例中，状态向量
Figure BDA00033333117400001213
的元素和协方差矩阵P(t)的元素都被初始化为1，但是这是示例性的，并且可以被初始化为其他值。
例如，微处理器140可以通过使用电压测量单元120和电流测量单元130来测量每个电池单体111的电压和电流，并且可以对每个时间周期Δt周期性地产生每个电池单体111的电压值和电流值(S120)。微处理器140可以产生每个电池单体111的紧前电压值V(t-1)和紧前电流值I(t-1)，并且可以在时间周期Δt之后产生每个电池单体111的当前电压值V(t)和当前电流值I(t)。
微处理器140可以通过使用RLS方法通过使用对每个时间周期Δt产生的当前电压值V(t)和当前电流值I(t)来对每个时间周期Δt更新G参数
Figure BDA00033333117400001214
和H参数
Figure BDA00033333117400001215
微处理器140可以基于当前电流值I(t)和状态向量的紧前值
Figure BDA00033333117400001216
来计算电池单体111的当前电压估算
Figure BDA00033333117400001217
状态向量的紧前值
Figure BDA00033333117400001218
可以基于在时间周期Δt之前的紧前电压值V(t-1)和紧前电流值I(t-1)来计算，并且可以包括G参数的紧前值
Figure BDA00033333117400001219
和H参数的紧前值
Figure BDA00033333117400001220
作为通过将H参数的紧前值
Figure BDA0003333311740000131
与当前电流值I(t)和G参数的紧前值
Figure BDA0003333311740000132
的乘积相加而获得的值的电池单体111的当前电压估算
Figure BDA0003333311740000133
可以被计算为
Figure BDA0003333311740000134
微处理器140可以基于协方差矩阵的当前电流值I(t)和紧前值P(t-1)来更新增益矩阵L(t)。根据协方差矩阵P(t)的定义，协方差矩阵的紧前值P(t-1)可以基于在时间周期Δt之前的紧前电压值V(t-1)和紧前电流值I(t-1)来计算，并且可以包括协方差矩阵的第一紧前值P1(t-1)和协方差矩阵的第二紧前值P2(t-1)。增益矩阵L(t)对应于每个电池单体111。
增益矩阵L(t)用于更新状态向量
Figure BDA0003333311740000135
和协方差矩阵P(t)。增益矩阵L(t)可以包括增益矩阵的第一值L1(t)和增益矩阵的第二值L2(t)，并且可以如下计算。
Figure BDA0003333311740000136
这里，λ1是第一遗忘因子，并且与G参数相关。λ2是第二遗忘因子，并且与H参数相关。第一遗忘因子λ1和第二遗忘因子λ2分别是用于指示在G参数
Figure BDA0003333311740000137
和H参数
Figure BDA0003333311740000138
的计算中过去的电压值和过去的电流值对G参数的当前值
Figure BDA0003333311740000139
和H参数的当前值
Figure BDA00033333117400001310
的影响的值。第一遗忘因子λ1和第二遗忘因子λ2可以随着它们更接近1而在长时间段内具有对G参数的当前值
Figure BDA00033333117400001311
和H参数的当前值
Figure BDA00033333117400001312
的影响，并且可以随着它们更接近0而在短时间段内具有对G参数的当前值
Figure BDA00033333117400001313
和H参数的当前值
Figure BDA00033333117400001314
的影响。
根据实施例，第一遗忘因子λ1和第二遗忘因子λ2可以是0.9以上且1以下。根据另一实施例，第一遗忘因子λ1可以被设定为大于或等于第二遗忘因子λ2的值。例如，第一遗忘因子λ1可以被设定为0.99999，并且第二遗忘因子λ2可以被设定为0.95。这些设定值可以根据电池单体111的特性而改变。
本公开的发明人发现，在对特定电池单体执行的实验中，当第一遗忘因子λ1和第二遗忘因子λ2分别为0.99999和0.95时，获得了高可靠性结果。然而，上述值是示例性的，也可以根据电池单体111的特性设定为不同的值。例如，第一遗忘因子λ1可以被设定为0.9999，并且第二遗忘因子λ2也可以被设定为0.98。
根据另一实施例，第一遗忘因子λ1和第二遗忘因子λ2中的全部也可以被设定为1。在这种情况下，可以看出未应用第一遗忘因子λ1和第二遗忘因子λ2。
微处理器140可以基于当前电流值I(t)、增益矩阵L(t)和协方差矩阵的紧前值P(t-1)来更新协方差矩阵P(t)。协方差矩阵P(t)可以如下计算。
Figure BDA0003333311740000141
微处理器140可以将当前电压值V(t)与上述计算的当前电压估算
Figure BDA0003333311740000142
之间的电压误差e(t)计算为
Figure BDA0003333311740000143
微处理器140可以基于状态向量的紧前值
Figure BDA0003333311740000144
增益矩阵的当前值L(t)和电压误差e(t)来更新状态向量
Figure BDA0003333311740000145
可以更新状态向量
Figure BDA0003333311740000146
使得可以产生G参数的当前值
Figure BDA0003333311740000147
和H参数的当前值
Figure BDA0003333311740000148
状态向量的当前值
Figure BDA0003333311740000149
可以如下计算为通过将增益矩阵的当前值L(t)和电压误差e(t)的乘积与状态向量的紧前值
Figure BDA00033333117400001410
相加而获得的值。
Figure BDA00033333117400001411
用于递归地表达状态向量
Figure BDA00033333117400001412
的上述等式可以如下导出。
首先，可以如下定义应用第一遗忘因子λ1和第二遗忘因子λ2的损失函数ε。
Figure BDA00033333117400001413
这里，V(i)是第i电压值，I(i)是第i电流值。V(t)和I(t)分别是当前电压值和当前电流值，并且V(t-1)和I(t-1)可以分别是紧前电压值和紧前电流值。
G(i)和H(i)分别是第i G参数和第i H参数的实数值，并且
Figure BDA00033333117400001414
和
Figure BDA00033333117400001415
分别是G参数的当前值估算和H参数的当前值估算。
当分别相对于
Figure BDA00033333117400001416
和
Figure BDA00033333117400001417
微分损失函数ε的结果为0时，相对于
Figure BDA00033333117400001418
和
Figure BDA00033333117400001419
的损失函数ε被最小化。
其中相对于
Figure BDA00033333117400001420
微分损失函数ε的结果为0的
Figure BDA00033333117400001421
可以如下获得。
Figure BDA00033333117400001422
Figure BDA00033333117400001423
重新排列上述等式，
Figure BDA00033333117400001424
如下。
Figure BDA0003333311740000151
其中相对于
Figure BDA00033333117400001513
微分损失函数ε的结果为0的
Figure BDA00033333117400001514
可以如下获得。
Figure BDA0003333311740000152
Figure BDA0003333311740000153
重新排列上述等式，
Figure BDA0003333311740000154
如下。
Figure BDA0003333311740000155
对于实时估算，上述获得的
Figure BDA00033333117400001515
和
Figure BDA00033333117400001516
使用状态向量
Figure BDA00033333117400001517
以递归形式总结如下。
Figure BDA0003333311740000156
如上所述，因为当前电压估算
Figure BDA0003333311740000157
被定义为
Figure BDA0003333311740000158
并且电压误差e(t)被定义为
Figure BDA0003333311740000159
所以状态向量可以被表达如下。
Figure BDA00033333117400001510
这里，分别如上所述，增益矩阵L(t)和协方差矩阵P(t)可以如下计算。
Figure BDA00033333117400001511
Figure BDA00033333117400001512
因为根据本实施例的用于检测异常电池单体的方法使用递归方法，所以存储单元150可以存储当前电压值V(t)、当前电流值I(t)、状态向量
Figure BDA00033333117400001518
和协方差矩阵P(t)。根据另一实施例，存储单元150还可以存储第一遗忘因子λ1和第二遗忘因子λ2。存储单元150不需要存储过去的电压值和过去的电流值中的全部。
因为图2中所示的用于检测异常电池单体的方法使用递归方法，所以计算非常简单，并且可以通过使用具有几kB的小尺寸的存储单元150来执行计算。此外，因为每当接收到电压值和电流值时新更新状态向量
Figure BDA00033333117400001519
和协方差矩阵P(t)，所以每个电池单体111的电压变化和电流变化可以基本上实时地反映在G参数
Figure BDA0003333311740000161
和H参数
Figure BDA0003333311740000162
中。
微处理器140可以对测量每个电池单体111的电压值V(t)和电流值I(t)的每个时间周期Δt重复执行操作S120至S170。因此，当电池单体111之中发生异常劣化的电池单体和异常减少容量的电池单体时，微处理器140可以实时检测到它。
根据图3的实施例，G参数
Figure BDA0003333311740000163
和H参数
Figure BDA0003333311740000164
可以不对每个时间周期Δt更新。
如上所述，微处理器140可以通过将电流差ΔI与其中将电流差ΔI定义为下限值ΔImin和上限值ΔImax的特定范围进行比较来确定电流差ΔI是否包括在特定范围内(S113)。可以根据电池***100的充电/放电电流模式来设定下限值ΔImin和上限值ΔImax。下限值ΔImin和上限值ΔImax可以基于电池***100的充电/放电速率来设定。例如，下限值ΔImin可以被设定为0.2C，并且上限值ΔImax可以被设定为1C。
当电流差ΔI太小或太大时，由于递归方法，电压值与电流值之间的感测误差导致G参数
Figure BDA0003333311740000165
和H参数
Figure BDA0003333311740000166
的大偏差。当电流值ΔI包括在特定范围内时，该方法可以进行到操作S121，使得可以基于当前电压值V(t)和当前电流值I(t)来更新状态向量
Figure BDA0003333311740000167
和协方差矩阵P(t)。然而，当电流差ΔI超过特定范围时，该方法可以进行到操作S111，使得可以不更新状态向量
Figure BDA0003333311740000168
和协方差矩阵P(t)。也就是说，当电流差ΔI超过特定范围时，当前电压值V(t)和当前电流值I(t)不会影响状态向量
Figure BDA0003333311740000169
和协方差矩阵P(t)。
只有当电流差ΔI包括在特定范围内时，才会更新G参数
Figure BDA00033333117400001610
和H参数
Figure BDA00033333117400001614
使得G参数
Figure BDA00033333117400001612
和H参数
Figure BDA00033333117400001613
的可靠性可以保持为高的。
下面将参照图4至图6描述测量或估算正常电池单体、异常劣化的电池单体和异常减少容量的电池单体的参数的结果。
图4示出了在左侧的在包括正常电池单体的电池组中测量的电池组电流(a)和电池组电压(b)以及针对电池组估算的G参数值(c)和H参数值(d)以及在右侧的在包括在电池组中的每个正常电池单体中测量的电池单体电压(e)和电池单体SOC(f)以及针对电池单体估算的G参数值(g)和H参数值(h)。
图4的曲线图a-h使用20Ah的能量存储***(ESS)的电流/电压实际使用的操作模式数据。使用其中四个电池单体串联连接的结构，并且时间周期Δt为1秒。流过正常电池单体的电流与电池组的电流相同。图4的曲线图a-h示出了特定参数值根据时间(秒)的变化。
图5示出了在用图4的电池组中的异常劣化的电池单体替换一个正常电池单体之后测量或估算一个正常电池单体的结果。图5的曲线图a示出了正常电池单体和异常劣化的电池单体的G参数值，并且图5的曲线图b示出了正常电池单体和异常劣化的电池单体的电池单体电压。
通过曲线图b的电池单体电压不能区分正常电池单体和异常劣化的电池单体，但是通过使用曲线图a的G参数值清楚地区分正常电池单体和异常劣化的电池单体。可以看出，异常劣化的电池单体的G参数值大于正常电池单体的G参数值。这样，根据本公开的实施例，将特定电池单体的G参数值与其他电池单体的G参数值进行比较，使得可以清楚地看出特定电池单体是否是异常劣化的电池单体。
当电池单体劣化时，电池单体的内部电阻增加。因为G参数表示电压相对于电池单体的电流变化的灵敏度，所以可以直接反映电池单体的内部电阻。因此，基于G参数值确定异常劣化的电池单体的方法可以具有可靠性。
图6示出了在用图4的电池组中的异常减少容量的电池单体替换一个正常电池单体之后测量或估算一个正常电池单体的结果。图6的曲线图a示出了正常电池单体和异常减少容量的电池单体的电池单体电压，并且图6的曲线图b示出了正常电池单体和异常减少容量的电池单体的电池单体SOC，图6的曲线图c示出了正常电池单体和异常减少容量的电池单体的G参数值，并且图6的曲线图d示出了正常电池单体和异常减少容量的电池单体的H参数值。
参照曲线图c和d，可以看出，不仅异常减少容量的电池单体的G参数值大于正常电池单体的G参数值，而且异常减少容量的电池单体的H参数值也大于正常电池单体的H参数值。因此，根据本公开的实施例，将特定电池单体的G参数值和H参数值分别与其他电池单体的G参数值和H参数值进行比较，使得可以清楚地看出特定电池单体是否是异常减少容量的电池单体。
本公开的精神不限于上述实施例并且不应被限定，并且权利要求以及等同于这些权利要求或从这些权利要求改变的所有范围都落入本公开的范围内。

Claims (14)

1.一种用于检测异常电池单体的方法，所述方法包括：
检测电连接在第一端子与第二端子之间并且正在使用中的多个电池单体中的每个的电压和电流，以便周期性地产生所述多个电池单体中的每个的电压值和电流值；
基于所述多个电池单体中的每个的所述电压值和所述电流值，通过使用自适应滤波器实时更新G参数值和H参数值，所述G参数值和所述H参数值是指示所述多个电池单体中的每个的当前状态的G参数和H参数中的每个的数值；
计算代表所述多个电池单体的所述G参数值的代表G参数值，并且计算代表所述多个电池单体的所述H参数值的代表H参数值；以及
基于所述多个电池单体中的每个的所述G参数值和所述H参数值、所述代表G参数值和所述代表H参数值来确定所述多个电池单体中的每个是否是异常劣化的电池单体，其中，
所述G参数是指示所述电池单体的电压相对于电流变化的灵敏度的参数，并且
所述H参数是指示由所述电池单体中的局部平衡电位分布和电阻分布确定的有效电位的参数。
2.根据权利要求1所述的方法，其中，确定所述多个电池单体中的每个是否为异常劣化的电池单体的步骤包括：
选择作为所述多个电池单体中的一个的第一电池单体；
通过从所述第一电池单体的所述G参数值减去所述代表G参数值来计算所述第一电池单体的G参数偏差值；
通过从所述第一电池单体的所述H参数值减去所述代表H参数值来计算所述第一电池单体的H参数偏差值；以及
当所述第一电池单体的所述G参数偏差值大于预设G参数设定值或者所述第一电池单体的所述H参数偏差值大于预设H参数设定值时，确定所述第一电池单体是异常劣化的电池单体。
3.根据权利要求2所述的方法，其中，确定所述多个电池单体中的每个是否为异常劣化的电池单体的步骤包括：
当所述第一电池单体的所述G参数偏差值大于所述G参数设定值并且所述第一电池单体的所述H参数偏差值大于所述H参数设定值时，确定所述第一电池单体是异常减少容量的电池单体。
4.根据权利要求1所述的方法，其中，所述代表G参数值是所述多个电池单体的G参数值的平均值，并且所述代表H参数值是所述多个电池单体的H参数值的平均值。
5.根据权利要求1所述的方法，其中，所述代表G参数值是所述多个电池单体的所述G参数值的中值，并且所述代表H参数值是所述多个电池单体的所述H参数值的中值。
6.根据权利要求1所述的方法，其中，所述自适应滤波器是使用递归最小二乘方法的滤波器。
7.根据权利要求6所述的方法，所述方法还包括：
初始化各自对应于所述多个电池单体的多个状态向量和多个协方差矩阵，其中，
所述多个状态向量中的每个包括所述多个电池单体之中的对应的电池单体的所述G参数值和所述H参数值。
8.根据权利要求7所述的方法，其中，周期性地产生所述多个电池单体中的每个的所述电压值和所述电流值的步骤包括：
选择作为所述多个电池单体中的一个的第一电池单体；
产生所述第一电池单体的紧前电压值和紧前电流值；以及
在预设时间周期之后产生所述第一电池单体的当前电压值和当前电流值。
9.根据权利要求8所述的方法，所述方法还包括：
计算所述第一电池单体的所述当前电流值与所述第一电池单体的所述紧前电流值之间的所述第一电池单体的电流差；以及
将所述第一电池单体的所述电流差与预设范围进行比较，其中，
仅当所述第一电池单体的所述电流差包括在所述预设范围内时，通过使用所述第一电池单体的所述当前电压值和所述当前电流值来更新所述第一电池单体的所述G参数值和所述H参数值。
10.根据权利要求8所述的方法，其中，
实时更新所述多个电池单体中的每个的所述G参数值和所述H参数值的步骤包括：
基于所述第一电池单体的所述当前电流值和与所述第一电池单体对应的所述状态向量的紧前值来计算所述第一电池单体的当前电压估算；
基于所述第一电池单体的所述当前电流值和与所述第一电池单体对应的所述协方差矩阵的紧前值来更新与所述第一电池单体对应的增益矩阵和与所述第一电池单体对应的所述协方差矩阵；
计算所述第一电池单体的所述当前电压值与所述第一电池单体的所述当前电压估算之间的所述第一电池单体的电压误差；以及
基于与所述第一电池单体对应的所述状态向量的所述紧前值、与所述第一电池单体对应的所述增益矩阵的当前值以及所述第一电池单体的所述电压误差来更新与所述第一电池单体对应的所述状态向量，以便产生所述第一电池单体的所述G参数的当前值和所述第一电池单体的所述H参数的当前值。
11.根据权利要求10所述的方法，其中，所述第一电池单体的所述当前电压估算被计算为通过将所述第一电池单体的所述H参数的紧前值与所述第一电池单体的所述当前电流值和所述第一电池单体的所述G参数的紧前值的乘积相加而获得的值。
12.根据权利要求10所述的方法，其中，与所述第一电池单体对应的所述状态向量的所述当前值被获得为通过将与所述第一电池单体对应的所述增益矩阵的所述当前值和所述第一电池单体的所述电压误差的乘积同与所述第一电池单体对应的所述状态向量的所述紧前值相加而获得的值。
13.根据权利要求10所述的方法，其中，当与所述第一电池单体对应的所述增益矩阵和与所述第一电池单体对应的所述协方差矩阵被更新时，应用所述第一电池单体的所述G参数的第一遗忘因子和所述第一电池单体的所述H参数的第二遗忘因子。
14.根据权利要求13所述的方法，其中，
通过以下等式计算与所述第一电池单体对应的所述增益矩阵：
Figure FDA0003333311730000031
通过以下等式计算与所述第一电池单体对应的所述协方差矩阵：
Figure FDA0003333311730000032
其中，L(t)是与所述第一电池单体对应的所述增益矩阵的当前值，L(t-1)是与所述第一电池单体对应的所述增益矩阵的紧前值，P(t)是与所述第一电池单体对应的所述协方差矩阵的当前值，P(t-1)是与所述第一电池单体对应的所述协方差矩阵的紧前值，I(t)是所述第一电池单体的所述当前电流值，λ1是所述第一遗忘因子，并且λ2是所述第二遗忘因子。
CN202080032978.XA 2019-06-24 2020-02-05 用于检测异常电池单体的方法 Active CN113785209B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2019-0075223 2019-06-24
KR1020190075223A KR20210000206A (ko) 2019-06-24 2019-06-24 이상 배터리 셀 검출 방법
PCT/KR2020/001667 WO2020262789A1 (ko) 2019-06-24 2020-02-05 이상 배터리 셀 검출 방법

Publications (2)

Publication Number Publication Date
CN113785209A true CN113785209A (zh) 2021-12-10
CN113785209B CN113785209B (zh) 2024-03-15

Family

ID=74059755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080032978.XA Active CN113785209B (zh) 2019-06-24 2020-02-05 用于检测异常电池单体的方法

Country Status (5)

Country Link
US (1) US20220196754A1 (zh)
EP (1) EP3988952B1 (zh)
KR (1) KR20210000206A (zh)
CN (1) CN113785209B (zh)
WO (1) WO2020262789A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210000207A (ko) 2019-06-24 2021-01-04 삼성에스디아이 주식회사 내부 단락 셀 검출 방법
KR20220100471A (ko) * 2021-01-08 2022-07-15 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법
CN114509684B (zh) * 2022-04-19 2022-07-26 西安因联信息科技有限公司 一种自适应电池电量监测方法及***
KR20240034051A (ko) * 2022-09-06 2024-03-13 주식회사 엘지에너지솔루션 배터리의 이상을 감지하는 전자 장치 및 이의 동작 방법

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0741479U (ja) * 1993-12-27 1995-07-21 アイコム株式会社 電池残量監視回路
US20090064764A1 (en) * 2005-06-06 2009-03-12 Mikio Kizaki Anomaly judgment device
US20130110429A1 (en) * 2010-03-23 2013-05-02 Taiji Mitsuyama Battery internal state estimating apparatus and battery internal state estimating method
US20150256004A1 (en) * 2014-03-10 2015-09-10 Dell, Inc. Battery management system and method for charging lithium-ion battery cells in an information handling system
DE102014223278A1 (de) * 2014-11-14 2016-05-19 Robert Bosch Gmbh Vorrichtung und Verfahren zur Überwachung von Batteriezellen sowie Batteriemodul, Batterie, Batteriesystem, Fahrzeug, Computerprogramm und Computerprogrammprodukt
KR20160081249A (ko) * 2014-12-31 2016-07-08 주식회사 에이치에스엘 일렉트로닉스 차량의 배터리 최대용량 측정 장치 및 방법
US9417290B1 (en) * 2012-10-06 2016-08-16 Hrl Laboratories, Llc Methods and apparatus for dynamic characterization of electrochemical systems
US20160336765A1 (en) * 2014-01-07 2016-11-17 Utah State University Model predictive control and optimization for battery charging and discharging
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法
US20180111599A1 (en) * 2016-10-20 2018-04-26 Deqiang Wang Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique
KR20180122378A (ko) * 2016-03-08 2018-11-12 가부시끼가이샤 도시바 전지 감시 장치 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100804698B1 (ko) * 2006-06-26 2008-02-18 삼성에스디아이 주식회사 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법
US9658291B1 (en) * 2012-10-06 2017-05-23 Hrl Laboratories, Llc Methods and apparatus for dynamic estimation of battery open-circuit voltage
FR3009093B1 (fr) * 2013-07-29 2017-01-13 Renault Sa Estimation de l'etat de vieillissement d'une batterie electrique
JP6414558B2 (ja) * 2016-02-01 2018-10-31 株式会社デンソー 電池状態推定装置
US10962601B2 (en) * 2018-09-13 2021-03-30 Bae Systems Controls Inc. Method and system for determining open connections in a battery pack

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0741479U (ja) * 1993-12-27 1995-07-21 アイコム株式会社 電池残量監視回路
US20090064764A1 (en) * 2005-06-06 2009-03-12 Mikio Kizaki Anomaly judgment device
US20130110429A1 (en) * 2010-03-23 2013-05-02 Taiji Mitsuyama Battery internal state estimating apparatus and battery internal state estimating method
US9417290B1 (en) * 2012-10-06 2016-08-16 Hrl Laboratories, Llc Methods and apparatus for dynamic characterization of electrochemical systems
US20160336765A1 (en) * 2014-01-07 2016-11-17 Utah State University Model predictive control and optimization for battery charging and discharging
US20150256004A1 (en) * 2014-03-10 2015-09-10 Dell, Inc. Battery management system and method for charging lithium-ion battery cells in an information handling system
DE102014223278A1 (de) * 2014-11-14 2016-05-19 Robert Bosch Gmbh Vorrichtung und Verfahren zur Überwachung von Batteriezellen sowie Batteriemodul, Batterie, Batteriesystem, Fahrzeug, Computerprogramm und Computerprogrammprodukt
KR20160081249A (ko) * 2014-12-31 2016-07-08 주식회사 에이치에스엘 일렉트로닉스 차량의 배터리 최대용량 측정 장치 및 방법
KR20180122378A (ko) * 2016-03-08 2018-11-12 가부시끼가이샤 도시바 전지 감시 장치 및 방법
US20180111599A1 (en) * 2016-10-20 2018-04-26 Deqiang Wang Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法

Also Published As

Publication number Publication date
US20220196754A1 (en) 2022-06-23
KR20210000206A (ko) 2021-01-04
WO2020262789A1 (ko) 2020-12-30
EP3988952A1 (en) 2022-04-27
EP3988952A4 (en) 2023-07-19
CN113785209B (zh) 2024-03-15
EP3988952B1 (en) 2024-05-22

Similar Documents

Publication Publication Date Title
EP3786653B1 (en) Battery state estimation method
CN113785209B (zh) 用于检测异常电池单体的方法
EP2321663B1 (en) Apparatus and method for estimating state of health of battery based on battery voltage variation pattern
US10120032B2 (en) Device and method for estimating secondary cell status
KR102156404B1 (ko) 배터리 셀 성능 테스트 장치 및 방법
KR102572652B1 (ko) 배터리의 충전상태를 추정하는 방법
WO2014119328A1 (ja) 電池状態推定装置
EP3988954B1 (en) Method for detecting internal short-circuited cell
KR20110084633A (ko) 배터리의 수명 예측 장치 및 방법
JP2006242880A (ja) 電源装置用状態検知装置，電源装置及び電源装置に用いられる初期特性抽出装置
US20220082626A1 (en) Method for estimating state of health of battery
KR20070069197A (ko) 전기화학셀(ｃｅｌｌ)의 현재 상태와 현재 파라미터를추정하는 장치, 방법 및 시스템 및 기록매체
EP3627166B1 (en) Battery capacity estimation apparatus and method, and battery management apparatus provided with same and method thereof
JP2015524048A (ja) バッテリの充電状態の推定
EP3961233A1 (en) Battery cell diagnosis device and method
EP4152022B1 (en) Method for determining full-charge capacity of battery pack, method for determining state of health of battery pack, system, and apparatus
KR20130046946A (ko) 하이브리드 전기 자동차용 배터리의 주행 중 최대 출력파워 예측 방법 및 장치
US10908219B2 (en) Battery management system with mixed electrode
CN112912745A (zh) 根据开路电压图形确定电化学电池的充电状态和老化状态的方法
US20240120759A1 (en) Systems, methods, and devices for balancing series connected cells in energy storage systems
KR20230108663A (ko) 배터리 충전 심도 산출 장치 및 그것의 동작 방법
CN114814604A (zh) 一种电池soc估算方法及装置
Singha et al. Impact of Kalman Filtering in Battery Management Systems

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