CN115968447A - 电池分析***和方法 - Google Patents
电池分析***和方法 Download PDFInfo
- Publication number
- CN115968447A CN115968447A CN202180033643.4A CN202180033643A CN115968447A CN 115968447 A CN115968447 A CN 115968447A CN 202180033643 A CN202180033643 A CN 202180033643A CN 115968447 A CN115968447 A CN 115968447A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- state
- parameters
- state estimator
- 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.)
- Pending
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
-
- 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
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
一种用于确定电池状态的***或方法可以包括:表征多个电池对施加的负载的响应,基于多个电池对施加的负载的响应生成一组模型,使用传感器测量电池的电池属性,以及使用状态估计器来确定与电池相关联的电池状态。一种用于确定电池状态的***或方法可以包括更新与电池相关联的电池模型,其中电池模型的更新可以由与电池并置的处理器和/或远程计算***来确定,其中电池模型由状态估计器用来确定电池的电池状态。
Description
相关申请的交叉引用
本申请要求于2020年5月7日提交的美国临时申请号63/021,604和于2021年3月30日提交的美国临时申请号63/168,015的权益,这两项申请中的每一项通过引用并入。
技术领域
本发明总体上涉及电池管理领域,更具体地说,涉及电池管理领域的一种新的且有用的***和方法。
背景
电池***(例如,电池单元、电池组、蓄电***)和电池供电设备或***的性能通常取决于电池***状态和电池操作条件(例如,控制输入、环境条件等)。通过改变电池操作条件,电池***(以及由这种电池***供电的***或设备)的性能可以改变。附加地,操作条件的变化会影响电池***的寿命和经济价值。
附图简述
图1是***的示意图。
图2是方法实施例的示意图。
图3A和图3B是状态估计器的示例和状态估计器的示例性输入和输出的示意图。
图4是表征电池的示例的示意图。
图5是模型的示例性实施例的流程图。
图6是更新模型的示例的流程图。
图7是示例性电池单元模型的示意图。
图8是示例性电池组模型的示意图。
图9是示例性电池组模型的示意图。
图10A和图10B是对电池***编队内的电池***进行集群的示例的示意图。
图11是示例性电池平台的示意图。
图12是示例性电池单元模型的示意图。
图13是示例性电池组模型的示意图。
图14A和图14B分别是经验证和未经验证的模型的示例的示意图。
图15是经验证的状态估计器的示例的示意图。
图16是用于为本地状态估计器生成查找表的状态估计器的示例的示意图。
图17是生成物理模型和分析模型的示例的示意图。
优选实施例的描述
本发明的优选实施例的以下描述并不意欲将本发明限制到这些优选实施例,而是意欲使本领域中的任何技术人员能够制造并使用本发明。
1.概述。
如图1所示,***可以包括计算***。该***可以可选地包括:传感器、电池***、远程计算***和/或任何合适的部件。计算***可以可选地包括:状态估计器、仿真引擎、通信模块、模型生成器、表征模块和/或任何合适的模块。然而,该***可以包括任何合适的部件。
如图2所示,方法可以包括使用电池模型确定电池状态。该方法可以可选地包括表征一个或更多个电池S100,生成一个或更多个电池模型S200。该方法可以附加地或替代地包括:接收电池测量结果S300、更新电池模型S500、显示电池状态S600和/或任何合适的步骤。
该***和方法优选用于确定(例如,生成、评估、验证、选择、识别等)一个或更多个电池模型,并使用电池模型来确定(例如,估计、计算、预测等)电池使用期间的或由于电池的使用而产生的电池属性。然而,该***和/或方法可以可选地执行任何合适的功能。
2.益处
该技术的变型可以赋予几个益处和/或优点。
第一,该技术的变型可以以计算有限资源(例如,与电池并置的处理器)实现或改善(例如,提高准确度、提高速度等)电池状态估计。在特定示例中,在(例如,不受计算限制的)远程计算***和(例如,受计算限制的)本地计算***之间分配状态的计算可以有助于电池状态估计。例如,远程计算***可以生成可以被提供给本地计算***的状态(例如,在查找表中),其中本地计算***可以使用查找表来确定电池状态。
第二,该技术的变型可以验证模型和/或状态估计器,以确保估计或预测状态的阈值准确度和/或精度。例如,模型和/或状态估计器可以通过将(使用模型和/或状态估计器生成的)预测状态与模拟负载曲线(load profile)和模拟电池的测量状态进行比较来验证。
第三,模型的变型可以是模块化的,使模型可以基于选择标准(例如,电池***的应用、估计状态的准确度、可用计算量等)进行选择和/或修改。在具体示例中,模块化可以通过使用集总模型(lumped model),通过将模型分成离散部分(例如,将热负载的效应与电属性分离)来实现,和/或以其他方式实现。
第四,该技术的变型能够实现实时地(例如,在外部***工作期间)和/或在使外部***操作之前估计电池的状态。在相关变型中,尽管问题是非线性的(和/或包括非线性效应),该技术也能够实现状态估计。具体示例可以基于所使用的模型和/或状态估计器来实现状态估计。
第五,该技术的变型可以估计(和/或优化)外部***的使用寿命和/或经济价值。在特定示例中,模型可以在时间上向前仿真(例如,使用仿真引擎、使用在时间上向前传播的状态估计器等)来预测外部***的未来性能。
第六,该技术的变型可利用有限的计算资源实时监控和分析电池。例如,该技术可以利用不同版本的分析模型,每个版本针对给定电池组的不同电池状态进行调整。这允许本地部署的模型非常小、快速和高效。
然而,该技术的变型可以赋予任何其他合适的益处和/或优点。
3.***
该***优选用于确定(例如,生成、评估、验证、选择、识别等)一个或更多个电池模型,使用电池模型来确定(例如,估计、计算、预测、仿真等)电池使用期间的或由于电池的使用而产生的电池属性,表征一个或更多个电池对施加的负载的响应,确定(例如,检测)异常电池操作条件,和/或其他功能。例如如图1所示,该***可以包括计算***。该***可以可选地包括:传感器、电池***(例如,外部***、电池等)、远程计算***和/或任何合适的部件。
***的部分(包括但不限于整个***)可与外部***并置(例如,安装、集成至外部***等),其中外部***用于执行一个或更多个操作或应用。示例性的操作或应用包括:数据检索或传输、图像获取、包裹递送、个人运输、团体运输、数据处理、执行如下所述的方法的一个或更多个实例、***重定向和/或重定位、和/或任何合适的操作。示例性的外部***包括:无人飞行器(例如,UAV、无人机等)、卫星、漫游车、电动车辆(例如,电动汽车、电动卡车、运输车辆、公共汽车、火车、电动客车等)、电动潜艇、电动船、用户设备(例如,智能电话、计算机、电动工具、庭院工具等)、发电机、消费电子产品、电动自行车、滑行车(例如,电动滑行车、电动摩托车等)、代步车、轮椅、个人运输工具(例如,踏板车、电动滑板、自平衡独轮车、赛格威(Segway)等)、电动飞机、建筑装备和/或任何合适的外部***。
外部***可以是独立或定制***、***编队或分组的一部分、通用***分组(例如,由同一实体制造,在同一加工厂中制造,针对同一最终用户制造,被制造为实现相同规格等)中的一个,和/或以其他方式相关或不相关。
外部***优选包括一个或更多个电池,电池用于向外部***和/或其部件(例如,电机、摄像机、计算***等)供电。电池优选是二次单元(例如,可充电的),但也可以是一次单元(例如,不可充电的)和/或任何合适的电池、电容器和/或超级电容器。电池优选是锂电池(例如,电池的阴极包括锂材料,例如锂镍锰钴氧化物、锂镍铝钴氧化物、锂锰氧化物、锂铁磷酸盐、锂钴氧化物、氧化锂、锂铁氧化物、锂铜氧化物等;电池的电解质包括锂离子源,例如六氟磷酸锂、六氟砷酸锂、高氯酸锂、四氟硼酸锂、三氟甲磺酸锂、四氯铝酸锂、溴化锂、碘化锂、氯化锂、四氯镓酸锂等;电池的阳极包括锂材料,例如钛酸锂;等等)。然而,电池可以包括一个或更多个:铅电池、镍电池、铝电池、玻璃电池、镁电池、熔盐电池、微生物电池、有机自由基电池、聚合物多硫化物溴化物电池、砂电池、硅电池、银电池、钠电池、锌电池和/或任何合适的电池。
电池优选是外部***的主要电源,但也可以是辅助电源、备用电源、二级电源、三级电源,和/或以其他方式为外部***的任何部分供电。
每个电池可包括一个或更多个:电池单元(例如,储存化学能的容器,诸如棱柱形电池单元、袋形电池单元、圆柱形电池单元等;包括阳极、阴极、隔板、电解质等)、电池模块(例如电池单元的分组或集群)、电池组(例如,包括一个或更多个电池单元或电池模块的外壳、被配置为运行软件的处理器、加热和/或冷却***等,其向外部***的部件输送电力)和/或任何合适的部件。电池组可以包括在大约1和10000个电池单元或模块之间的任意数量的电池单元和/或电池模块。然而,电池组可以包括超过10000个电池单元或模块。电池模块可以包括在大约1和10000个电池单元之间的任意数量的电池单元。然而,电池模块可以包括超过10000个电池单元。一个外部***可以包括1到10000个电池组。然而,外部***可以包括超过10000个电池组。
每个电池305可以由一组电池属性描述。电池属性可以是单元特定属性、模块特定属性、电池组特定属性、通用属性和/或任何合适的属性。这些属性可以是静态的(例如,固定的,诸如在安装或制造时确定的)和/或可变的(例如,在电池的操作期间变化,随着电池老化而随时间变化,根据电池操作循环的次数而变化,等等)。电池属性可以被:直接测量;(例如,从直接测量的电池属性,从仿真,从对电池进行充电或放电等)计算、导出、推断或估计;(例如,从制造商,从运营商,从数据表等)接收,和/或以其他方式被访问。电池属性可以包括内部电池属性和外部电池属性(例如,与电池所处的环境相关联的属性)。示例性电池属性包括:电压(例如,开路电压、瞬时电压、寿命终止电压、寿命开始电压、电压极限等)、电流(例如,短路电流、瞬时电流、寿命终止电流、寿命开始电流、电流极限、锥形电流等)、温度(例如,内部温度、表面温度、环境温度、设定温度、局部温度、平均温度等)、温度梯度、湿度、压力(例如,环境压力、机械压力、气压等)、电阻(例如,内阻、欧姆电阻、电容电阻、电感电阻等)、阻抗、容量(例如,比容量(specific capacity))、电容(例如,有效电容)、电感、部件厚度(例如,阳极厚度、阴极厚度、隔板厚度、固体电解质界面层厚度等)、粒子半径(例如,阳极粒子半径、阴极粒子半径)、转移数(transference number)、Brugman数、溶液扩散率、溶液体积分数(例如,阳极、阴极、隔板等溶液体积分数)、扩散率(例如,阳极固体扩散率、阴极固体扩散率等)、反应速率(例如,阳极反应速率、阴极反应速率等)、材料(例如,阴极材料、阳极材料、电解质材料、隔板等)、几何形状、溶液电导率、熵加热系数、热导率、电导率、热质量、C-速率(例如,标称C-速率、最大C-速率等)、电荷(例如,最大电荷、充电电流极限、放电电流极限、输送电荷、存储电荷等)、电池的状态(SoX)(例如,充电状态(SoC)、健康状态(SoH)、功率状态(SoP)、安全状态(SoS)等)、能量(例如,自上次充电或放电以来输送的能量、给定时间段内输送的总能量等)、时间(例如,自上次充电或放电以来的时间、年龄、剩余寿命等)、离子浓度(例如,锂离子浓度)和/或任何合适的属性。
传感器200用于测量电池或外部***的一种或更多种电池属性、外部***属性、环境条件(例如,邻近、围绕、毗邻、靠近等的环境)和/或任何合适的属性。传感器优选地连接到(例如,接触)电池,但是可以与外部***并置(例如,安装到外部***),远离外部***(例如,无线传感器),和/或以其他方式配置。在变型中,电池的每个单元可以包括传感器,电池的每个模块可以包括传感器,每个电池组可以包括传感器,单元的子集可以包括传感器,模块的子集可以包括传感器,电池组的子集可以包括传感器,和/或传感器可以通过其他方式与任何合适的电池相关联。示例性的传感器包括:电池管理***(BMS)监视器、温度计、压力计、外部***传感器(例如,里程表、高度计、功率传感器等)、风速计、天气传感器(例如,照度传感器、湿度传感器、路况传感器等)、时钟、电化学阻抗谱(EIS)传感器、电压表、电流表、欧姆表、万用表和/或任何合适的传感器。
当外部***是***编队的一部分时,每个外部***可包括相同或不同的传感器套件。在说明性示例中,编队内的(例如,少于0.001%、0.001%、0.01%、0.1%、1%、10%、20%、50%、60%、70%、80%、90%、95%、100%或其间的值的)外部***的子集可以包括EIS传感器,其中可以使用从外部***的该子集生成的数据(例如,相对于其他外部***具有更大的权重,被专用等)生成电池模型和/或更新电池模型。然而,外部***和/或电池可以包括任何合适的传感器。
计算***100优选用于执行该方法的一个或更多个步骤(例如,如下所述)。然而,计算***可以附加地或替代地用于接收数据、处理数据、存储数据,和/或可以以其他方式运行。计算***优选地分布在边缘计算***105(例如,与电池或外部***并置)和远程计算***110(例如,服务器、云计算***、运营中心的计算***等)之间。然而,计算***可以分布在电池计算***和外部计算***之间,可以是远程计算***,可以是本地(例如,边缘)计算***,和/或可以以任何方式分布。在第一说明性示例中,整个计算***可以与电池并置。在第二说明性示例中,第一组过程可以由与电池并置的处理器执行并且第二组过程可以由云计算***执行。在第三说明性示例中,计算过程可以在云中执行。然而,计算***可以以其他方式配置或分布。计算***可以包括任何合适的处理器、微处理器、存储器、控制器和/或其他部件。
计算***可包括:模型生成器140、状态估计器120、仿真引擎130、验证引擎150、通信模块160和/或任何合适的部件。
模型生成器140优选用于生成(例如,初始化、更新、选择等)一组模型145,该组模型145可被用于确定(例如,计算、估计等)电池状态。模型生成器优选地是远程计算***的一部分,但是可以集成在边缘计算机和/或任何合适的计算***上。该组模型可以是唯一的(例如,对于给定的电池、对于给定的外部***、对于外部***的编队、对于诸如共享一个或更多个电池属性的电池的电池类别等)和/或通用的。该组模型中的每个模型可以用于描述(例如,数学描述)或表示电池和/或外部***。例如,每个模型可以提供电池的不同表示(例如,具有不同的精确度,所需的计算不同等)。
该组模型可包括电池模型、传感器模型和/或任何合适的模型。传感器模型141可以用于对如何获取传感器数据、与传感器测量相关联的误差、传感器偏差进行建模,和/或以其他方式对传感器行为进行建模。电池模型优选是物理模型(例如,对电池的物理方面建模;对电池物理学建模;等等),但是替代地可以是概念模型或其他模型。电池模型142可以用于对电池如何操作和/或如何响应充电或放电进行建模(例如,形成其表示)。例如,电池模型可以对电效应、热效应、扩散效应、离子效应、电化学效应和/或任何合适的效应进行仿真。
模型优选是参数化模型,但可以是或者可以包括非参数化模型、机器学习模型(例如,神经网络)和/或任何合适的模型类型。参数化(parameterization)一般是指什么自变量与因变量相关联,以及因变量如何随自变量变化的函数形式。参数化可以附加地或替代地包括:哪些元素被集总在一起(例如,通过给定术语描述了多少个单独的单元),和/或以其他方式被定义。在说明性示例中,开路电压(U)可以被参数化为充电状态(SoC)、温度(T,例如,电池的内部温度、环境温度等)和/或电池的年龄的函数,例如:U(SoC,T,年龄)、U(SoC,年龄)、U(T,年龄)、U(SoC,T)、U(SoC)、U(T)、U(年龄)或U;其中f(x)表示自变量x的函数f。
示例性函数关系包括:多项式(例如,常数、线性、二次、三次、四次、五次等)、指数、对数、三角函数、逻辑函数、双曲函数、S形函数(Sigmoid function)、根式函数(例如平方根、立方根等)、有理函数、超越函数、幂函数、特殊函数(例如,贝塞尔函数、超几何函数、误差函数、德尔塔函数(delta function)、正弦函数等)、差分(例如,关于时间、空间、电池属性等的差分)、积分(例如,关于时间、空间、电池属性等)和/或任何合适的函数。
每个参数化优选与一组参数相关联,其中该组参数缩放自变量或以其他方式将自变量与因变量相关联。例如在U(SoC,T)=A*SoC+B*T+C的参数化中;A、B和C是该组参数。
通常,自变量将与一个或更多个传感器测量结果相关联(例如,从一个或更多个传感器测量结果导出,与一个或更多个传感器测量结果相关联等)。然而,自变量可以附加地或替代地包括:(例如,由状态估计器估计的)状态、仿真的***属性和/或任何合适的变量。当变量没有被直接测量(例如,通过组合一个或更多个其他测量的量来确定)时,该变量可以被称为“隐藏变量”。然而,隐藏变量可以通过其他方式定义。
参数可以是活动的或不活动的。活动参数优选地是在模型的使用(例如,评估、训练、确定等)期间更新的参数。不活动的参数优选地是在使用模型时不改变的参数。将参数识别为活动参数或不活动参数可以取决于:参数与物理模型之间的关系(例如,物理常量可以是不活动参数)、参数变化对模型的质量(例如,准确度、精度、所需计算、处理速度等)的影响(例如,具有较小影响的参数可以是不活动参数,具有较大影响的参数可以是活动参数,等等)、变量或参数之间的协方差(例如,当两个参数的相关系数大于约0.5、0.6、0.7、0.8、0.9、0.95、0.99、它们之间的值等时,至少一个参数可以是不活动的)、与参数相关联的变量中的误差、确定参数值时的误差或不确定性,和/或可以通过其他方式被识别或选择。不活动参数可以变成活动参数,并且活动参数可以变成不活动参数(例如,当接收到更多数据时;当一个或更多个电池属性改变时;取决于模型的当前使用或应用,例如用于状态估计、用于预测、用于安全性确定、用于异常预测等;取决于电池的当前使用,例如充电、放电、存储、有效使用等;等等)。
一组模型中的每个模型优选与一个或更多个子模型相关联。子模型优选地是不同的(例如,模型之间的协方差低),但是可以被整合(例如,与其他子模型具有不可忽略的协方差)。子模型可以包括物理模型、非物理模型和/或任何合适的模型。子模型可以包括局部模型(例如,单元模型144,其专用于如例如图12所示的单元、专用于模块、专用于预定数量的单元、专用于外部***、专用于接近电池的外部***的一部分等)、电池组模型142(例如,单独地或共同地包括或说明电池组的每个单元,说明电池组内串联的每个单元,如例如图13所示,等等)、电池模块模型、外部***模型和/或任何合适的模型。子模型优选地是集总模型(例如,集总元件模型),但是可以是有限元模型、数值模型、连续模型、单粒子模型和/或任何合适的模型。子模型可以包括例如热模型(例如,用于确定电池、电池组、单元、外部***等内的热分布的模型)、热量生成模型(例如,电池操作期间生成多少热量的模型)、电模型、电化学模型、热量传输模型(例如,热量如何在部件内和/或在部件之间传输的模型)、退化模型、离子传输模型(例如,Li+传输模型)、量子力学模型和/或任何合适的模型。
在第一说明性实例中,热子模型(例如,电池组或外部***内的温度分布)可以表示为:其中,是元件i相对于时间的温度变化(例如,其中,元件可以指单元、单元分组、单元和附近的热质量、单元的部件等),Mi,j是将当前温度分布与每个元件处的温度分布的变化率相关联的相互依赖性矩阵,Tj是元件j的温度,并且bi是源项(例如,边界条件、电化学热量生成、外部源等)。在第二说明性示例中,电热动态热量生成子模型可以表示为:其中是元件的热量变化,可以归因于由于内部电阻器引起的热量变化,可以归因于由于可逆过程引起的热量变化,I是元件电流,U是元件开路电压,V是元件的电势降,T是温度,并且q是电荷。在第三具体示例中,如图7所示,电池单元可以被建模为电压源(例如,具有近似等于开路电压的电压的电压源)和电阻器(例如,具有内部电阻)。在第四具体示例中,如图8所示,电池组可以被建模为多个电池单元,其中n个单元串联且N个单元并联。在第五说明性示例中,如图9所示,电池组可以被建模为并联的N个单元(例如,其中串联的单元可以被建模为单个有效单元)。在第六说明性示例中,等效电路模型可以通过关于、关联于和/或描述电池的信息(例如,温度、充电状态、年龄、电池属性、电池状态等)之间的关系来参数化。在第七说明性示例中,电化学模型可以包括和/或由以下一个或更多个表示:等效电路模型、等效电路模型与电气部件的组合、全电化学模型(例如,单粒子模型、具有电解质的单粒子模型、第一性原理(first principles)电化学模型等)、集成的电化学和热模型(例如,诸如在另一个电化学模型中跟踪温度和锂浓度)和/或任何合适的电化学模型。然而,可以使用任何合适的模型。
一组模型中的每个模型优选与该组模型中的其他模型不同。然而,该组中的两个或更多模型可以是相同的。在第一具体示例中,该组模型的每个模型可以与不同的参数化相关联。在第二具体示例中,该组模型中的每个模型可以与不同的参数组相关联(例如,不同的参数值、不同的活动和/或不活动参数等)。在第三具体示例中,不同的模型可以包括电池的不同物理表示(例如,一个模型可以包括等效电路表示,而另一个模型可以包括电化学表示)。在第四具体示例中,模型可以被更新或修改(例如,随着更多信息可用于较旧电池,模型可以被改变以考虑时间;随着操作制度(regime)或参数的改变,模型可以改变;等等)。然而,该组模型可以包括任何合适的模型。
一组模型中用于给定电池或外部***的模型可手动或自动确定(例如,选择)。在第一具体示例中,操作者可以选择要使用的模型(针对外部***的给定实例或使用,无限期地,等等)。在第二具体示例中,可以基于电池属性或外部***属性(自动地)选择模型(例如,可以基于运行模型所需的计算量和/或基于计算***可用的计算量来选择模型)。在第三具体示例中,可以基于状态估计或预测的阈值或目标准确度来选择模型。在第四具体示例中,可以基于电池或外部***的应用或使用情况来选择模型。然而,也可以通过其他方式选择模式。
选定的模型可被更新(例如,模型的参数可以改变,可以选择不同的模型并替换先前的模型等)和/或被固定。例如,因为已经生成了一组新的模型,不同的模型更好地匹配电池和/或外部***的当前需求,该模型不再是有效的或经验证的,操作者的需求已经改变,和/或出于任何合适的原因,可以更新所选的模型。该模型优选地平滑更新(例如,不中断方法的执行;在该方法中没有明显的或可察觉的中断;中断少于阈值时间量,例如少于100毫秒、1秒、10秒等;在外部***和/或电池的不活动时间段期间,例如为了其他目的在吸取或不吸取能量的情况下对电池充电;等等),但是可能是不连续的(choppy)、明显的和/或以其他方式发生的。然而,选择的模型可以以其他方式转换。
状态估计器120用于估计外部***和/或电池的状态(例如,当前状态、未来状态等)。状态估计器可以在边缘计算***和/或云计算***上运行。在一些变型中,第一状态估计器可以在外部***上运行,第二状态估计器可以在远程计算***中运行。在这些变型中,第一状态估计器和第二状态估计器可以具有相同或不同的输入和/或输出。在这些变型中,第一状态估计器和第二状态估计器优选地但不是必须地使用相同的模型。状态估计器可以是连续的和/或时间离散的。
如例如图3A所示,状态估计器的输入可以包括:传感器数据、过滤数据、电池属性、外部***属性(例如,应用、尺寸、几何形状、环境、可用计算能力、服务持续时间、诸如攻击性的操作者特性等)、负载曲线、传感器测量结果(例如,传感器噪声的表征)中的噪声或误差、外部***属性中的噪声或误差、电池属性中的噪声或误差、模型参数、模型误差估计和/或任何合适的输入。
状态估计器优选使用模型(例如,选定的模型)来确定(例如,预测、计算、估计等)电池状态。例如,该模型可以用作状态估计器的状态演化模型(例如,在给定当前状态和一个或更多个输入的情况下,该模型可以用于更新一组状态,例如温度或充电状态)。状态估计器可以使用针对控制输入如何影响或改变状态的控制输入模型。例如,负载曲线(例如,预测负载曲线、历史负载曲线、计划负载曲线等)可以用作控制输入向量,其中控制输入模型将对根据负载曲线(随着时间)操作电池将如何改变电池的状态进行建模。然而,可以使用任何合适的模型。
状态估计器的输出(例如,状态)可以包括:电池***的状态(例如,操作电池***期间或之后的电池预测状态)、电池属性(例如,真实电池属性、去噪电池属性等)、外部***的状态、两个状态之间的协方差、模型的参数(例如,模型的活动参数)、模型误差(例如,模型参数中误差的估计)、异常状态(例如,预测电池或外部***操作期间发生异常的概率或与该概率相关的状态、预测异常将发生之前的时间量等)、维护状态(例如,预测电池或外部***操作期间需要进行维护的概率或与该概率相关的状态、需要维护之前估计的时间量等)、时间(例如,电池的寿命)和/或任何合适的状态。异常状态优选地与电池或外部***可能发生的一个或更多个异常相关联。异常可以包括:热异常、电异常、机械异常和/或任何合适的异常。示例性异常包括:火灾、异常热量生成、电池故障、锂电镀、电池退化和/或任何合适的异常。
状态可以具有绝对值或相对值。例如,状态可以与初始状态(例如,与电池寿命开始相关联的电池状态)、最近状态(例如,在方法实例开始时的电池状态、在外部***的应用或使用开始时的电池状态等)、最终状态(例如,与电池寿命结束相关联的电池状态)和/或任何合适的状态相关。
在一些变型中,可以使用机器学习、引导(bootstrapped)数据集确定和/或识别一个或更多个状态,和/或以其他方式确定一个或更多个状态。用于识别状态的训练数据集可以包括:表征数据、现场数据(例如,在现场操作的电池的电池属性)、仿真数据和/或任何合适的数据。训练数据可以被加权(例如,经历了异常或其他罕见事件的电池可以具有比其他电池更大的权重,表现出异常的仿真可以具有更大的权重,等等),或者不加权。例如,可以执行一组仿真(例如,使用仿真引擎中的模型执行),其中在该仿真中出现异常和/或维护是必需的。机器学习(或其他技术)可用于识别预测罕见事件(例如,异常、维护、保险索赔、保修状态变化等)的发生的状态,其中状态估计器可以生成所述状态。然而,可以基于电池的应力测试(例如,在正常操作条件之外操作电池并表征电池的响应或行为)、基于事件的罕见发生、基于预测的相关状态和/或以任何合适的方式来确定状态。
状态估计器可以包括:卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器、整体卡尔曼滤波器、查找表、马尔可夫链蒙特卡罗技术、线性化技术、机器学习技术(例如,神经网络),和/或任何合适的粒子滤波器、顺序蒙特卡罗技术或其他状态估计器。状态估计器(例如,类型,状态估计器在哪里运行,等等)可以取决于估计状态的准确度、可用的处理能力的量,和/或以其他方式取决于任何合适的属性。
在包括查找表的状态估计器的变型中,查找表可包括一组电池属性(例如,测量的电池属性)和一组模型参数之间的关系。例如,模型参数可以是卡尔曼滤波器的参数,其中卡尔曼滤波器用于估计电池状态。这可以提供在计算受限的环境中(例如在边缘计算***上)高效操作的好处。在查找表中,不同的模型参数可以与电池属性的不同制度相关联。例如,第一组模型参数可以与第一温度范围相关联,第二组模型参数可以与第二温度范围相关联,等等。每个范围或制度优选地被近似为线性函数,但是可以被任何合适的函数近似。由线性函数近似的范围或制度对于计算速度和效率以及实现或支持确定性电池状态确定(例如,对于相同的输入,将产生相同的输出)都是有益的和/或提供任何合适的益处。可以通过计算***的处理能力、传输带宽、制度近似(例如,线性近似)的准确度、采样率、输出电池状态的准确度和/或基于任何合适的信息来设置制度的数量(和/或在制度上划分的变量的数量)。
在一些实施例中,例如,如图3B和图16所示,***可包括一个以上的状态估计器。状态估计器优选地运行在不同的计算***上,但是也可以在相同的计算***上使用。每个状态估计器可以是相同的(例如,相同类型的状态估计器)或不同的。可以基于状态准确度、处理能力(例如,在运行状态估计器的计算***处可用)、状态估计器的有效性来选择状态估计器,和/或可以通过其他方式选择状态估计器。
每个状态估计器(其与给定的编队或电池相关联)优选使用相同的模型,但是状态估计器可使用不同的模型。每个状态估计器可以使用相同或不同的输入。例如,一个状态估计器可以使用由第二状态估计器使用的输入或传感器数据的子集。每个状态估计器可以输出相同或不同的输出。
在使用多个状态估计器的***的第一说明性示例中,第一状态估计器124可集成到外部***和/或电池计算***中并且第二状态估计器122可集成到云计算***中。在该具体示例中,来自第一状态估计器的输出(例如,估计的状态)可以包括第一组模型参数(例如,第一组活动模型参数),并且来自第二状态估计器的输出可以包括第二组模型参数(例如,第二组活动模型参数)。第一组模型参数和第二组模型参数可以是相同和/或不同的模型参数。通常,第一组模型参数是第二组模型参数的子集(即,第二组包括第一组中的大多数或所有模型参数以及附加的模型参数)。然而,第一组模型参数和第二组模型参数可以包括任何合适的参数。在该具体示例中,第一状态估计器的输入通常是与该第一状态估计器相关联的电池的电池属性。第二状态估计器的输入可以包括与电池编队或电池分组相关联的电池(例如,除了与第一状态估计器相关联的电池之外)的电池属性和/或表征电池的电池属性。在这个示例中,两个状态估计器都可以是无迹卡尔曼滤波器。
在第一示例的变型中,第一状态估计器可在第一时间尺度下运行和/或使用,第二状态估计器可在第二时间尺度下运行和/或使用。第一时间尺度通常比第二时间尺度短,它们可以分别被称为“快速模型”和“慢速模型”。例如,第一时间尺度可以在大约1秒和1天之间(例如,1秒、2秒、5秒、10秒、20秒、30秒、1分钟、2分钟、5分钟、10分钟、20分钟、30分钟、1小时、2小时、4小时、6小时、8小时、12小时、18小时、24小时、其间的值),第二时间尺度可以在大约1天和1年之间(例如,1天、2天、3天、5天,1周、2周、3周、4周、1个月、2个月、3个月、4个月、6个月、8个月、9个月、12个月、其间的值)。然而,第一时间尺度和第二时间尺度可以是任何合适的时间量。
在如图16所示的第二具体示例中,在第一计算***(例如,云服务器)上操作的第一状态估计器可用于生成将在第二计算***(例如,电池计算***、外部***计算***、边缘计算***等)上使用的第二状态估计器。在该示例中,第一状态估计器可以是无迹卡尔曼滤波器,第二状态估计器可以包括用于确定卡尔曼滤波器的模型参数的查找表。然而,可以使用任何合适的状态估计器。第二状态估计器可以由第一状态估计器来验证(例如,第二状态估计器的验证可以与第一状态估计器的状态输出相关联),从第一状态估计器被赋予(例如,当第一状态估计器被验证时),例如由验证引擎来验证,和/或可以以其他方式被验证。
仿真引擎130用于执行仿真,以预测电池***的状态。仿真引擎(例如,其输出)可用于验证模型,验证状态估计器,在根据负载曲线操作电池之后预测电池的状态,用于通知、确定和/或识别将由状态估计器确定的一个或更多个状态,和/或可以通过其他方式使用。仿真引擎通常运行在远程计算***上,但是也可以运行在本地计算***上。仿真引擎和状态估计器之间的区别在于,状态引擎处理电池属性的测量结果(例如,实时、接近实时、延迟处理等),而仿真引擎通常处理(例如,用作输入)数字生成的起始点。数字生成的起始点可以从或基于测量的电池属性或电池的先前状态导出,但是通常不随着电池属性的改变而更新(因为这将是不同的仿真)。根据特征化的误差函数(例如,与传感器测量结果中的误差相关联),电池属性中的误差可以在仿真中增长。然而,仿真可以包括测量的电池属性和/或以其他方式被定义。
仿真的输入可以包括:状态估计器的输入、负载曲线(例如,电池的充电和放电曲线)、起始状态(例如,SoC、SoH、DoD等)、操作条件场景(例如,正常、异常等)和/或任何合适的信息。起始状态优选地根据电池***状态来确定,但是可以随机或伪随机地生成,根据先前的仿真来确定,和/或以其他方式来确定。输入可以自动或手动确定。例如,可以从外部***预期或打算穿过的地图路径(例如,拓扑、距离、路况、平均速度、瞬时速度曲线等)确定或导出负载曲线。在另一个示例中,可以从测量的或预测(例如,从历书、互联网平台等访问)的天气模式(例如,风速、风向、雨、太阳等)中确定或导出负载曲线。然而,输入可以以其他方式生成。
仿真引擎可执行蒙特卡罗仿真、数值建模、数值积分、确定性方法、拉丁超立方体采样、变分技术、有限差分方法,和/或可实施任何合适的技术或方法。
仿真引擎优选使用来自模型生成器的模型(例如,选定的模型)。然而,仿真引擎可以使用任何合适的模型。仿真引擎和状态估计器优选地使用相同的模型,但也可以使用不同的模型。
仿真的输出可以包括任何状态(例如,状态估计器的输出),和/或任何合适的输出。例如,当电池根据给定的负载曲线操作时,仿真可以输出给定初始状态的电池***的预测状态。
在一些实施例中,仿真引擎可用于探索可能的电池状态的可用状态空间(特别是但不排他地探索在实验室、测试设施和/或现场环境中无法安全实现的状态)。这些变型对于生成用于确定或改进模型或状态估计器的训练数据是有益的和/或为其他情况提供益处,该模型或状态估计器用于预测何时会发生异常、何时需要维护、何时保修可能无效。
验证引擎150优选用于验证模型和/或状态估计器,但是可以附加地或替代地验证输入、测量的数据、仿真引擎和/或任何合适的数据或信息。模型和状态估计器优选地各自被验证。然而,可以只有模型被验证,可以只有状态估计器被验证,模型和状态估计器可以都不被验证,和/或任何合适的数据或信息都可以被验证。模型和/或状态估计器可以在一段时间(例如,预定的时间量,只要满足验证标准,等等)内、无限期地和/或在任何时间量内有效。验证引擎可以通过以下方式验证模型和/或状态估计器:验证一次;在预定的时间验证;以预定的频率验证;响应于模型、状态估计器、电池和/或其他部件的变化或更新而验证;响应于来自操作者的请求而验证;响应于来自监管团体或机构的请求而验证;随机地或伪随机地验证;和/或在任何时候验证。
验证引擎可以接收(和/或用于验证):测量的数据(例如,来自传感器)、仿真的状态(例如,来自仿真引擎;针对电池的先前状态仿真,针对电池的当前状态仿真,针对电池的未来状态仿真,等等)、估计的状态(例如,来自状态估计器;针对电池的先前状态估计,针对电池的当前状态估计,针对电池的未来状态估计,等等)、噪声(例如,测量噪声)、协方差(例如,状态之间、参数之间等)和/或任何合适的数据或信息。
当满足验证标准时,可以验证模型和/或状态估计器。示例性的验证标准包括:准确度(例如,模型准确度、状态准确度、具有目标准确度的电池状态或电池的阈值数量等)、精度(例如,具有目标精度的电池状态或电池的阈值数量)、仿真的状态和测量状态之间的差异、仿真的状态和测量状态之间的相关性、估计状态和测量状态之间的差异、估计状态和测量状态之间的相关性、估计状态和仿真的状态之间的差异、估计状态和仿真的状态之间的相关性和/或任何合适的验证标准。
在如例如图14A所示的第一说明性示例中,可基于电池的历史状态(例如,测量状态)与以相似(例如,相同)起始点并响应于相同负载进行的仿真之间的比较来验证模型。相反,如例如图14B所示,当历史状态和仿真不匹配(例如,相差大于阈值量)时,不能基于电池的历史状态与仿真之间的比较来验证模型(或使模型无效)。在第二说明性示例中,当阈值数量的表征电池的仿真状态与模拟电池的历史状态匹配时(例如,在阈值内,平均差小于阈值,最大差小于阈值等),模型可以被验证。在第三具体示例中,当仿真状态和(例如,通过使用状态估计器在时间上向前传播当前状态所估计的)估计状态匹配时(例如,在阈值内,平均差小于阈值,最大差小于阈值等),状态估计器可以被验证。在如图15所示的第四说明性示例中,可以通过比较一个或更多个电池的估计状态和测量状态来验证状态估计器(例如,当测量状态和估计状态在阈值内匹配,平均差小于阈值,最大差小于阈值等时验证状态估计器)。在第五说明性示例中,第一(经验证的)状态估计器可以用于验证第二状态估计器。在第一变型中,第二状态估计器可以从第一状态估计器导出或使用第一状态估计器开发,其中第二状态估计器的确定可以使得第二状态估计器保持来自第一状态估计器的有效性。在第二变型中,可以比较由第一状态估计器和第二状态估计器估计的状态,并且当两个估计的状态匹配时,可以验证第二状态估计器。然而,模型和/或状态估计器可以以其他方式被验证。
验证引擎可以由远程计算***(例如,云计算***)、边缘计算***托管,分布在边缘计算***和远程计算***之间,和/或以其他方式分布在任何合适的计算***之间。
通信模块160用于实现或促进两个或更多个***部件(例如,传感器、电池、计算***、计算***的模块等)之间的通信。通信模块可以是有线的或无线的。通信模块可以包括长距离通信模块(例如,支持长距离无线协议)、短距离通信模块(例如,支持短距离无线协议)和/或任何其他合适的通信模块。示例性通信模块包括:蜂窝无线电设备(例如,宽带蜂窝网络无线电设备),例如可操作来使用3G、4G和/或5G技术进行通信的无线电设备;Wi-Fi无线电设备;蓝牙(例如,BTLE)无线电设备;NFC模块(例如,主动NFC、被动NFC);Zigbee无线电设备;Z波无线电设备;螺纹无线电设备;有线通信模块(例如,诸如USB接口的有线接口);卫星无线电设备;和/或任何其他合适的通信模块。
4.方法
该方法可用于确定(例如,估计、预测、仿真等)电池状态(例如,在根据负载曲线操作电池期间和/或作为其结果),生成(和/或更新)用于确定电池状态的一个或更多个模型,从一个或更多个模型中选择模型来使用,验证该模型和/或状态估计器,预测异常的发生,和/或可以以其他方式起作用。该方法优选使用如上所述的***来执行;然而,该方法可以附加地或替代地使用电池管理***和/或任何合适的***来执行。
该方法和/或其步骤可以(例如,在外部***和/或电池操作期间)实时或接近实时地执行,在外部***和/或电池操作之前(例如,紧接在前、有时间延迟等)执行,和/或可以在外部***或电池操作之后执行。该方法和/或其步骤可以自动和/或手动执行。该方法的多个实例可以同时或同期(例如,并行)和/或顺序执行。
可以针对外部***编队的每个外部***、编队的***子集(例如,编队中的一个或更多个***集群的中间体(medoid))、一个或更多个假想电池***(例如,具有代表编队的多个电池***的参数的人造电池***(如例如图10A和图10B所示)等)、测试电池***(例如,用于仿真具有一组预定属性的电池会发生什么)和/或任何合适的电池***执行该方法和/或其步骤。当针对多个受管理***执行时,该方法和/或其步骤可以同时、同期、迭代地(例如,以基于来自编队其他成员的估计的反馈更新一个或更多个参数、权重、操作属性、预测等)、顺序地和/或以任何合适的定时执行。当针对多个电池***执行该方法和/或其步骤时,可以针对每个被管理***以相同或不同的方式执行该方法和/或其步骤。
在说明性示例中,可以针对具有典型属性(例如,编队和/或受管理***集群的一个或更多个属性的50%百分比、平均属性、中间属性、模态属性等;与受管理***集群的质心相关联的属性;等等)的假想管理***执行该方法和/或其步骤。在第二说明性示例中,可以针对具有一组预定属性(例如,在编队和/或受管理***集群的第1、第2、第5、第10、第20、第30、第40、第50、第60、第70、第80、第90、第95、第98、第99等百分位上的一个或更多个属性)的假想受管理***来执行该方法和/或其步骤。在第三说明性示例中,可以使用受管理***的(测量的或确定的)属性来执行该方法和/或其步骤(在值周围创建或不创建缓冲)。在变型中,该方法和/或其步骤可以针对多个受管理***执行,其中一个受管理***的结果可以影响、改变和/或以其他方式用于通知用于另一个受管理***的结果。
该方法和/或其步骤可以以预定频率、以预定定时、响应于用于方法操作的输入或请求、响应于触发器(例如,编队中***数量的变化、编队中***的状态或平均状态的变化、操作者或用户的评估请求等)、随机地和/或以任何定时执行。该方法和/或其步骤可以以任何合适的频率执行。例如,该方法和/或其步骤可以每天执行一次或更多次(例如,每天1次、2次、4次、10次、20次、40次、100次、200次、400次、1000次、2000次、4000次、10000次、20000次、40000次、>40000次、它们之间的值等),一周执行一次或更多次,一月执行一次或更多次,一年执行一次或更多次,十年执行一次或更多次和/或以任何合适的频率执行。
可以使用应用程序接口(API)、用户接口、外部***接口、回调(例如,webhook、编程回调等)、通信会话、应用(例如,web应用)、控制面板(dashboard)和/或任何合适的接口来访问该方法和/或其步骤所使用的数据和/或信息,和/或实现该方法和/或其步骤。可以使用的示例性API包括:RESTful API、基于HTTP的API、应用层API和/或任何合适的API。
该方法可包括:表征一个或更多个电池S100,生成一个或更多个模型S200,接收电池测量结果S300,确定电池状态S400,更新模型S500,传输状态S600,和/或任何合适的步骤。
表征一个或更多个电池S100用于生成可用于生成一个或更多个模型的表征数据(例如,通过测量电池属性如何相互关联,通过测量电池属性如何随时间变化等)。S100优选地在受控环境(例如,表征设施、实验室等)中执行,但是也可以在不受控制或控制不良的环境中执行(例如,在现场,在电池操作期间,在外部***操作期间等)。在不良或不受控制的环境中的电池表征的具体示例中,可以在电池连接到充电器时表征电池(例如,以如下所述的方式)。S100可以自动和/或手动执行。表征集合的电池优选地与外部***(例如,在现场操作)的电池基本上相同(例如,不可区分,在相同的设施中制造,在大约相同的时间制造,被制造成满足相同的规格等)。然而,一个或更多个表征电池可以与现场使用的电池不同(例如,以测试对不同电池设计的影响或改进)。表征数据集的电池优选地被非破坏性地表征。然而,一个或更多个电池可以被破坏性地表征(例如,经受极端负载;经受诸如热的极端条件;刺破;等等)。
表征一个或更多个电池S100可以附加地或替代地用于生成与电池相关联的一个或更多个传感器的表征数据。例如,可以表征传感器误差和/或偏差。然而,可以表征任何合适的电池或部件属性。
表征数据集优选包括与多个电池(例如,2个、3个、4个、5个、10个、20个、30个、40个、50个、100个、200个、400个、1000个、其间的值个、1000个以上的电池等)相关联的电池属性。然而,表征数据集可以包括与单个电池和/或任何合适数量的电池相关联的电池属性。可以使用集成传感器(例如,电池的电池管理***)、专用传感器、外部传感器来表征电池属性,可以从测量结果、表征硬件210推断电池属性,和/或可以通过其他方式表征电池属性。优选地,以与电池操作期间(例如,在表征之外)的电池属性测量相同的速率测量电池属性。然而,可以以较高的速率(例如,为了生成更完整的数据集)、较低的速率、可变的速率和/或与电池操作期间的电池属性测量速率无关的速率来测量电池属性。
在一些实施例中,可生成(例如,接收、测量等)多个表征数据集。每个表征数据集可以与相同的表征电池(例如,根据不同的电池简档表征)或不同的表征电池(例如,不同的电池类型、不同的电池制造商、不同的电池属性等)相关联。多个表征数据集可以被组合以形成单个表征数据集(例如,用于生成诸如S200中的模型),和/或多个表征数据集可以是不同的或独立的(例如,每个表征数据集可以用于生成诸如S200中的独立的模型集合)。然而,可以以其他方式使用和/或生成多个表征数据集。
表征数据集优选包括时间跨度内的电池属性。时间跨度优选为至少一个月(例如,1个月、6周、2个月、3个月、4个月、6个月、9个月、12个月、1.5年、2年、其间的值、大于2年等),但是可以小于一个月(例如,1小时、1天、3天、5天、1周、2周、3周、4周、1个月、其间的值、小于1小时等)。表征数据集优选地包括关于每个表征的电池属性在时间跨度上的电池属性的信息;然而,表征的电池属性的子集可以以不同的速率测量(例如,导致表征的电池属性的子集的完整表征)。表征的电池属性可以包括所有电池属性和/或电池属性的任何子集。在具体示例中,可以表征开路电压、电池温度、内阻(例如欧姆电阻、浓度电阻等)、充电状态、电流、瞬时电压和/或熵系数。然而,可以表征任何合适的电池属性。
S100可包括:确定表征简档(characterization profile)、应用表征简档和测量电池属性。然而,S100可以包括任何合适的步骤。
确定表征简档优选包括识别或选择在表征期间要施加于电池的负载。表征简档优选地是指表征电池所经受的一组条件,但是也可以以其他方式被定义。一般来说,表征简档可以包括电池的充电和放电。然而,表征简档可以附加地或替代地包括仅电池充电、仅电池放电、开路条件和/或任何合适的条件。表征简档优选地与电池和/或外部***的操作条件相关联(例如,从操作条件导出)。操作条件可以包括:正常操作条件(例如,平均操作条件、典型操作条件、优选操作条件等)、极端操作条件(例如,规格极限、优选操作极限、考虑罕见或异常情况的极限等)、超出极端操作条件的程度(例如,以表征操作条件之外的电池响应)和/或任何合适的操作条件。然而,表征简档可以独立于操作条件,和/或以其他方式与操作条件相关。作为说明性的示例,表征的电池可以在比电池操作期间预期的充电状态范围更大的充电状态范围内操作。例如,如果电池的正常操作范围预期在40-60%的充电状态之间(其中充电状态可以是电池的初始充电状态、电池的当前充电状态、寿命终止充电状态等),则一个或更多个电池可以在0-100%(或其中包含的有限范围,例如20-90%、40-80%、20-80%、40-90%、40-100%、20-100%、10-100%、40-60%等)之间的充电状态上表征。在一些变型中,表征负载可以包括微循环(例如,在诸如±0.1%、±0.5%、±1%、±2%、±5%、±10%等的狭窄充电和放电范围内;在诸如±0.01V、±0.02V、±0.05V、±0.1V、±0.2V、±0.5V、±1V等的狭窄电压范围内;在狭窄的电流范围内;等等循环电池),微循环可以用于快速在电池属性范围内表征电池和/或使得高质量数据可用于电池属性范围。
表征简档可以包括(例如,作为以下各项的函数或响应设置或测量电池属性):要释放或储存的能量的量、要充电或放电的电荷量、能量或电荷的变化率、能量和/或电荷的高阶导数(相对于时间)、应用表征简档的持续时间、电池和/或外部***的环境温度、电池(和/或外部***)附近的环境湿度、环境压力(例如,真空、大气压、小于大气压的压力、大于大气压的压力等)、机械条件(例如,冲击、振动等)和/或任何合适的条件。
表征简档的条件可以是周期性的、非周期性的、准周期性的、恒定的和/或具有任何合适的周期性。示例性的周期性表征简档(特别地但不排他地涉及充电和/或放电)可以包括:三角形脉冲、正弦脉冲(例如,正弦、余弦、cas、cis、正矢(versine)、反正矢(vercosine)、余矢(coverine)、反余矢(covercosine)、半正矢(haversine)、半反正矢(havercosine)、半余矢(hacoversine)、半反余矢(hacovercosine)、正弦幅度、正切、余切、正割、余割等)、锯齿脉冲、方波脉冲、摆线脉冲、次摆线脉冲、椭圆函数和/或任何合适的曲线。
表征简档可以是啁啾轮廓(chirped profile)(例如,在预定时间窗口内同期、同时发生的两个或更多个轮廓的叠加)、非啁啾的突发轮廓、连续轮廓和/或任何合适的轮廓。使用啁啾表征简档可以加快表征获取的速率(例如,相对于使用非啁啾轮廓,能够在给定时间内测量更大范围的电池属性)。啁啾可以是线性啁啾、非线性啁啾(例如,正弦、多项式、指数等)和/或任何合适的啁啾。在一些变型中,表征简档可以是振幅调制的(例如,除了频率和/或相位调制的啁啾轮廓之外或作为其替代)。
在一些实施例中,可以通过(例如,基于)针对在现场操作的电池(例如,不包括在表征电池中的电池)测量或估计的电池属性和/或模型更新(例如,如S500中所描述的)来通知(例如,选择、更新等)表征简档。在这些实施例中,可以使用机器学习(例如,神经网络)、梯度下降方法、仿真退火、高斯过程模型、随机梯度下降、非线性共轭梯度、Levenburg-Marquette算法和/或任何合适的技术来通知(例如,选择、更新等)表征简档。在这些实施例中,可以基于以下项来更新(例如,优化)表征简档:表征时间(例如,根据表征简档表征电池所必需的时间量、生成模型的时间量等)、模型训练时间、模型参数方差、模型误差、模型更新时间和/或任何合适的信息。被通知的表征简档可以具有简档内的测试值的改进范围,可以改变电池暴露的条件,改变啁啾(chirp)(例如,表征简档持续时间,改变脉冲形状,改变调制等),改变电池测量结果,和/或以其他方式改变或修改表征简档的属性。在说明性示例中,当***作的电池(例如,为***作的电池估计的状态)显示出对温度变化的有限响应时,温度可以在表征期间作为变量被去优先化。在相关示例中,随着电池老化,可以修改表征简档以通知老化电池的具体方面的表征。
多个被表征电池中的每个电池可以以相同或不同的方式表征。例如,两个电池可以根据异相表征简档来表征。在第二示例中,每个电池可以使用表征简档的不同阶段来表征。在第三示例中,每个电池可以在不同范围的电池属性上被表征。例如,第一电池可以在大约40-60%之间的充电状态范围上表征,第二电池可以在大约30-70%之间的充电状态范围上表征,等等。在第四具体示例中,每个或一组表征电池可以在相同或不同的环境条件(例如,温度、压力、湿度、照度等)下根据相同或相似的表征简档来操作。然而,多个被表征电池可以根据任何合适的表征简档来表征。
应用表征简档优选用于使表征电池的电池符合(subject)表征简档。可以自动地(例如,使用机器人将电池连接到电路,将表征简档应用到电池等)和/或手动地应用表征简档。应用表征简档优选地包括将电池连接到电路(例如,包括传感器、负载、电源等)并根据表征简档对电池充电(或放电)。
在一些变型中,应用表征简档可以包括保持一个或更多个条件基本恒定(例如,变化小于约0.1%、0.5%、1%、5%、10%等)。在这些变型中,条件可以主动或被动地保持恒定。例如,可以使用真空低温法(sous vide)(例如,热浴、温度调节回路等)来减少(例如,最小化)电池在表征期间的温度变化。在第二示例中,电池可以在具有受控环境条件(例如,照明、湿度、压力等)的室内表征。然而,条件可以不受控制(例如,允许自然变化、被强制改变等)和/或以任何方式控制。
测量电池属性用于确定表征电池的电池属性。可以在应用表征简档条件之前、期间和/或之后测量表征电池属性。可以使用传感器(例如,电池管理***)、测试装备和/或使用任何合适的***来测量电池属性。可以在大约1Hz和1000Hz之间的频率下测量电池属性。然而,可以在小于1Hz或大于1000Hz的频率下测量电池属性。测试装备的示例包括:电化学阻抗谱(EIS)、恒电流间歇滴定仪(galvanostatic intermittent titrator)、量热计(calorimeter)、比重计(hydrometer)、传感器和/或任何合适的测试装备。
在第一说明性示例中,EIS可用于表征电池的内部温度。在第二说明性示例中,EIS可以用于表征电池的熵加热。在第三说明性示例中,恒电流间歇滴定技术可用于表征电池电阻(例如,欧姆电阻)和/或扩散系数。
在变型中,测量电池属性可以包括确定静态的电池属性(例如,不变化和/或基本不随时间变化)。静态电池属性可以通过检查(例如,拆开电池组),通过执行电池的物理建模,通过电池的单个时间点测量,使用表征简档,根据制造商或运营商规格表,使用一个或更多个传感器来表征电池,基于电池对表征简档的响应来确定电池属性,和/或以其他方式确定静态电池属性来测量。作为说明性的示例,可以使用量热法测量单元热质量。然而,可以以任何合适的方式测量任何合适的电池属性。
在一些实施例中,表征一个或更多个电池可包括对一个或更多个电池进行异常表征。异常表征可以包括在预期或预测会引起或导致异常的条件下操作电池,在非典型条件下操作电池(例如,其中阳极、阴极和/或电解质暴露于外部环境)和/或在其他合适的条件下操作电池。例如,可以进行膨胀实验和/或电极断裂实验。
在一些实施例中,如例如图4所示,对于一组表征电池中的每个电池,对电池进行表征可以包括:物理电池表征S120(例如,基于物理的表征,以测量电池属性,尤其是物理属性)并迭代执行:电池老化S140(例如,应用跨越电池属性(例如,放电深度、温度、充电速率等)范围的电池老化循环)和电池再表征S160(例如,物理电池表征)和/或黄金序列表征S180(例如,用于模型、状态估计器和/或算法性能测试的盲表征序列,其中盲表征序列可以包括测试电池并将测量的电池属性与估计或预测的电池响应进行比较)。电池老化(表征)和再表征和/或黄金序列表征可以重复预定次数(例如,目标循环次数),重复直到电池容量最多为阈值电池容量,可以在预定时间长度(例如,1小时、1天、1周、1个月、1年等)内重复,重复直到异常发生和/或直到满足任何合适的标准。
在第一说明性实例中,表征简档可以包括:以第一速率(例如,慢速率,诸如I=C/(50小时))对电池(或其单元)进行放电,使电池休息(rest)一段休息时间(例如,5分钟至100小时),以第二速率(例如,与电池放电相同或不同的速率)对电池(或其单元)进行充电,以及可选地重复对电池放电和充电的循环,其间有休息时间。在这个示例中,开路电压可以通过平均充电电压和放电电压来确定。在这个具体示例中,可以根据Rint(s)=I/(U(s)-V(s)来确定内阻。可以在不同的温度下执行该说明性示例的变型,以确定作为温度函数的开路电压和/或Rint。可以在不同的电池寿命(例如,年龄)下执行该说明性示例的变型,以确定作为电池年龄的函数的开路电压和/或Rint。
在第二说明性实例中,表征简档可以包括:以第一速率(例如,I=C/(1分钟)、C/(5分钟)、C/(10分钟)、C/(20分钟)、C/(1小时)、C/(2小时)、C/(5小时)、C/(10小时)、C/(24小时)、C/(48小时)、C/(100小时)、C/(1周)等)使电池(或其单元)放电,以第二速率对电池(或其单元)充电(例如,与电池放电的速度相同,比电池放电的速度慢,比电池放电的速度快,等等),并可选地重复对电池放电和充电的循环。在这个示例中,可以根据Rint,ohmic(s)+Rint,conc(s,I)=I/(U(s)-V(s))确定内阻。Rint,conc(s,I)可以通过在不同的电流I下重复充电和放电来确定。可以在不同的温度下执行该说明性示例的变型,以确定作为温度的函数的Rint,conc。可以在不同的电池寿命(例如,年龄)下执行该说明性示例的变型,以确定作为电池年龄的函数的Rint,conc。
在第三说明性示例中,可使用量热法对电池进行表征,以确定单元和/或电池热质量。
在第四说明性示例中,可以根据电压法表征电池的充电状态,例如,使用电池的已知放电曲线。由于电压可能改变或取决于温度和/或电池电流(例如,由于电化学动力学),充电状态通常在自电池充电或放电以来至少4小时休息后通过电压法表征。然而,可以使用化学方法(例如,基于如使用比重计、折射计等测量的电解质的比重或pH)、使用电流积分、压力方法和/或使用任何合适的方法来表征电池的充电状态。
在第五说明性实例中,表征简档可包括脉冲表征(例如,DC脉冲电流信号,诸如脉冲功率测试或混合脉冲功率表征(HPPC)测试;诸如电化学阻抗谱(EIS)的AC电流信号;使用脉冲复合正弦(pulse-multisine)测量;等等)。在该说明性示例中,脉冲表征可用于确定电池的电阻(例如,内阻)、建模的子部件的电阻(例如,由于一个物理部件(诸如单元、壁、界面、气隙等)引起的内阻)、电池和/或其部件的松弛行为(例如,电池的电容)、和/或电池或其子部件的任何其他参数(例如,等效电路参数)。然而,也可以以其他方式使用脉冲表征。
然而,电池可以任何方式表征。
确定一个或更多个模型S200用于生成一个或更多个电池模型。电池模型优选使用模型数据生成。模型数据优选地包括表征数据集(例如,在S100中生成),但是可以附加地或替代地包括来自在现场操作的电池的数据(例如,历史数据、来自诸如S300中的那些正在进行的测量的数据等)、由电池制造商获取的数据、来自不同电池类型或类别的数据和/或任何合适的数据。S200优选地由(例如,云计算***的)模型生成器来执行,但是也可以由任何合适的模块或部件来执行。S200优选地在S100之后执行,但是可以与S100同时、在S100之前和/或在任何合适的时间执行。
可通过拟合模型数据、使用机器学习、联合参数细化和/或以其他方式确定一个或更多个模型项来形成一个或更多个模型。一个或更多个模型可以自动(例如,无需操作者干预)和/或手动确定。例如,模型数据集可以自动拟合到模型的或用于模型的预定参数化。可以使用最小二乘法、加权最小二乘法、线性最小二乘法、非线性最小二乘法、最小绝对偏差法、M估计法和/或使用任何合适方法来拟合模型数据集。
一个或更多个模型的集合优选是模块化的(例如,能够在集合内从一个模型切换到另一个模型),但可以是非模块化的(例如,难以或不能在集合内从一个模型切换到另一个模型),和/或具有任何合适的属性。在第一变型中,S200生成特定于电池(例如,电池组、单元、***等)的电池模型,其中输出电池状态预测被提供给通用分析模型用于监控和分析。在第二种变型中,S200为每个电池分析组合(例如,为所有电池状态,为一组具体的电池状态等)生成不同的模型。
模型的参数化可自动和/或手动确定。例如,开路电压可以(自动)被参数化为充电状态、温度和/或年龄的函数。在第二示例中,机器学习算法(例如,神经网络)可以用于确定或选择模型数据集的参数化。然而,模型数据集可以用任何合适的项来参数化。类似地,参数化的函数形式可以自动和/或手动确定(例如,与参数化同时被确定,以与参数化相同或不同的方式被确定)。
拟合模型数据集可以包括确定与给定参数化相关联的参数。在一些变型中,确定参数可以确定参数化的函数形式(例如,多项式阶可以通过拟合来确定)。可以使用以下方法来估计参数:概率绘图、等级回归(例如,像最小二乘法、加权最小二乘法、线性最小二乘法、非线性最小二乘法、最小绝对偏差法、M估计法等的方法)、最大似然估计、贝叶斯估计方法和/或使用任何合适的方法。
在一些变型中,可使用不同的方法、使用不同的参数化(例如,不同的测试参数化、参数化的不同函数形式等)和/或以任何合适的方式拟合每个模型。
可以使用表征测量结果(例如,来自S100的物理表征)、根据仿真数据(例如,根据S100的仿真)和/或使用其他数据来确定模型。在一个示例中,基于表征测量结果来确定物理电池模型(例如,热模型、电退化模型、电热模型、电路模型)。然后,物理电池模型被用于仿真给定不同类型(例如,正常、异常等)场景下的电池响应(例如,预测新的电池状态)。然后,输入电池状态、输出电池状态以及可选的场景类型标签可以被用于训练分析模型(例如,异常检测模型、规划模型、保修状态模型等)。例如,可以使用输出电池状态和场景类型标签作为训练目标来训练异常检测模型。在第二示例中,可以使用来自仿真的输入电池状态的循环深度作为训练目标来训练循环深度规划模型。然而,可以以其他方式确定分析模型。
S200可包括从多个模型中选择模型S220,验证一个或更多个模型S240,和/或任何合适的步骤。
从多个模型中选择模型S220用于选择用于电池的状态估计和/或状态仿真的模型。可以自动或手动选择模型。可以基于以下因素选择模型:模型的准确度、模型的速度、模型的有效性、运行模型所必需的处理能力、模型更新的频率、模型更新之间的时间、模型预测一个或更多个异常的能力、电池或外部***的应用或操作、操作者偏好和/或任何合适的信息或触发。举例来说,对于卫星***,可以选择或优选用一个或更多个项来参数化或说明压力(例如真空)效应的模型。然而,可以选择任何合适的模型。
验证模型S240用于确保模型产生有效结果。可以验证每个模型,可以验证选定的模型,可以验证模型的子集(例如,可以验证满足或超过验证标准的任何模型),和/或可以验证任何合适的模型。优选地,使用(例如,计算***的)验证器来验证模型,但是可以由任何合适的计算***部件和/或任何合适的部件来验证模型。
可使用验证数据集验证模型。验证数据集可以包括:表征数据集、表征数据集的子集、历史数据集(例如,用于现场电池操作的数据集)和/或任何合适的数据集。
当模型至少满足验证标准时,优选对模型进行验证。示例性验证标准可以包括:模型准确度、模型速度、模型计算时间、模型性能、验证数据集和根据模型仿真的电池状态之间的阈值差异、验证数据集和使用模型仿真的电池状态之间的阈值匹配,和/或可以应用任何合适的标准。
在说明性示例中,验证模型可以包括将电池状态(例如,电池充电状态)的仿真与具有相似起始条件和负载曲线的电池的电池状态测量结果进行比较。电池优选不包括在表征集合中(例如,测量结果不用于生成模型);但是,电池可能在表征电池集合中。当电池状态的仿真和测量结果匹配时(例如,在阈值内一致,两者之间的最大绝对差至多为阈值等),可以验证模型。
然而,模型可以通过其他方式进行验证。
接收电池属性S300用于接收电池的一个或更多个电池属性的测量结果。通常,电池不在被表征电池集合中,但是优选地与被表征电池集合共享特征(例如,品牌、型号、电池组设计等);替代地,电池可以完全不同。然而,电池可以是被表征电池。电池可以指实际电池和/或特征电池(例如,代表来自电池编队的电池集群的特征电池)。优选使用传感器(例如,集成到电池中的传感器)来测量电池属性,但是也可以使用任何合适的传感器或其他仪器来测量电池属性。可以在电池操作时、在电池被用于执行操作之前(例如,紧接之前、预定时间之前等)、在电池已经被用于操作之后(例如,紧接之后、预定时间之后等)和/或以任何合适的定时测量电池属性。可以从传感器、从计算***的存储模块(例如,存储器)和/或从任何合适的来源接收电池属性。
在S300的一些实施例中,可以例如使用软传感器处理电池属性(尤其是使用传感器测量的属性)。在说明性示例中,可以识别和处理(例如,计数)电池属性测量结果中的峰值(例如,尖峰)。来自软传感器的读数或由软传感器处理的读数可用于例如监控电池(例如,具有或不具有完全状态估计),作为模型更新需求的触发或指示(例如,作为执行慢模型实例的触发),作为训练数据(例如,用于模型生成、用于模型验证、用于状态生成等),用作状态估计器的输入,和/或以其他方式使用。
确定电池状态S400用于计算、估计、生成和/或以其他方式确定给定电池的电池状态(例如,当前电池状态、未来电池状态、先前电池状态等)。可以使用状态估计器、仿真引擎和/或任何合适的部件来确定电池状态。可以在本地计算***和/或远程计算***确定电池状态。电池通常不是来自电池表征集合的电池,但是该电池可以来自电池表征集合。S400优选地使用电池属性(例如,在S300中测量的、从电池编队或其子集确定的等)和负载曲线(例如,预测的负载曲线、路线或外部***操作的历史负载曲线、手动生成的负载曲线、自动生成的负载曲线等)来确定电池状态。然而,可以使用状态估计器的任何合适的输入来确定电池状态。
状态估计器和/或仿真引擎优选使用选定的模型(例如,来自在S200中生成的模型),但是可以使用多个模型(例如,以确定多个电池状态,其中可以通过组合,例如对多个电池状态进行平均,来确定最终电池状态),和/或使用任何合适的模型。该模型可以实时或接近实时地生成(和/或选择)(例如,S200可以与S400连续执行或在S400的预定时间内执行),从存储模块中访问,被硬编码到状态估计器中,被传输到状态估计器,和/或以其他方式生成。
可以为给定的电池或外部***、编队的一组电池或电池***、代表性电池(例如,编队或其电池的集群或分组的中间体、中值、模态、极值等电池)、假想电池或外部***和/或任何合适的电池或外部***确定电池状态。假想电池或外部***优选地具有代表编队中一个或更多个电池的属性。在第一示例中,假想电池可以具有典型的属性(例如,编队和/或电池或外部***的集群或子集的一个或更多个属性的50%百分比、平均属性、中值属性、模态属性等;与被管理***的集群的质心相关联的属性;等等)。在第二说明性示例中,假想电池和/或外部***可以具有预定的一组属性(例如,编队和/或电池或外部***的集群在第1、第2、第5、第10、第20、第30、第40、第50、第60、第70、第80、第90、第95、第98、第99等百分位的一个或更多个属性)。在第三说明性示例中,该方法可以使用电池或外部***的(测量或确定的)属性来执行(在值周围创建或不创建缓冲)。
可以(例如,在电池或外部***操作期间)实时或接近实时地,可以在电池或外部***(例如,使用先前测量或确定的电池状态和/或一组电池属性)操作之前,可以在电池或外部***操作(例如,以验证模型或状态估计器和/或为模型或状态估计器提供附加的验证数据)之后,和/或以任何合适的定时确定电池状态。
电池状态可以可选地缩放至接收的电池属性(例如,如在S300中接收的)、初始电池属性(例如,寿命开始时的电池属性)、最终电池属性(例如,预测或预期在电池寿命结束时的电池属性)和/或任何合适的电池属性或按照它们进行缩放。
状态估计器优选是经验证的状态估计器(例如,由验证引擎验证),但也可以是未经验证的状态估计器、先前验证的状态估计器和/或任何合适的状态估计器。可以通过以下方式来验证状态估计器(例如,验证状态估计器S260可以包括):将未经验证的状态估计器的结果与经验证的状态估计器进行比较,使用经验证的状态估计器来生成状态估计器(例如,其中生成的状态估计器可以具有由经验证的状态估计器赋予的有效性,其中经验证的状态估计器可以估计生成的状态估计器的有效性或质量等),将电池的估计的(例如,使用状态估计器确定的)电池状态与电池的历史电池状态(例如,测量的电池状态)进行比较,确定是否满足验证标准(例如,电池状态的准确度、电池状态的精度、状态估计器的速度等),将仿真的(例如,由仿真引擎使用经验证或未经验证的模型确定的)电池状态与估计的(例如,使用状态估计器确定的)电池状态进行比较,和/或状态估计器可以通过其他方式被验证。状态估计器可以:是无限期经验证的,是经验证的直到状态估计器(例如,在S500中)被更新,在预定的时间量内是经验证的,是经验证的直到由状态估计器生成的电池状态的质量下降到验证度量以下,是经验证的直到状态估计器不再满足验证标准,和/或在任何合适的时间内或响应任何合适的标准是经验证的。在说明性示例中,当估计的状态和仿真的状态匹配时(例如,在彼此的阈值内,最大绝对差小于阈值等),状态估计器可以被验证。在第二说明性示例中,当估计的状态和测量的状态(例如,历史状态、与正向传播的估计状态相比的当前状态等)匹配时(例如,在彼此的阈值内,最大绝对差小于阈值等),状态估计器可以被验证。然而,状态估计器可以以其他方式被验证。
在第一具体示例中,可通过处理电池属性的无迹卡尔曼滤波器确定电池状态。在第二说明性示例中,可以从查找表中确定与卡尔曼滤波器相关联的参数(例如,其中可以基于电池属性来识别卡尔曼滤波器参数)。在第二说明性示例中,卡尔曼滤波器可以使用所确定的参数(和电池属性)来确定电池状态。然而,可以以任何方式确定电池状态。
在说明性实例中,输入电池属性可包括:温度(例如,内部温度、表面温度等)、电流、电压、电阻(例如,总电阻、欧姆电阻、浓度电阻等)和/或电池的充电状态。在该说明性示例中,电池状态可以包括:电池属性(例如,用于输入或其他电池属性的过滤值或实际值)、电池健康状态、一个或更多个异常状态(例如,与异常发生相关和/或预测异常发生的状态)、一个或更多个模型参数(例如,活动模型参数)、一个或更多个其他状态的误差和/或任何合适的输出。在该说明性示例的变型中,输入电池属性可以包括与来自编队的多个电池相关联的电池属性。在该变型中,可以输出一个或更多个电池(例如,编队的电池)的电池状态。然而,可以使用任何合适的输入和/或输出。
更新模型S500优选用于更新一个或更多个生成的模型(例如,在S200中生成的)。特别地,所选择的模型被更新;然而,模型集合中的任何模型都可以被更新。模型可以由状态估计器、模型生成器、操作者和/或任何合适的计算***或部件来更新。更新的模型可以在本地计算***和/或远程计算***处确定。S500可以与S400同时,在S400之前和/或之后执行。
可以在预定时间,以预定频率,在模型更新可用时,在电池充电期间,在电池操作期间,在满足模型更新标准时,随机地,伪随机地,在测量或接收到新的电池属性时,和/或以任何合适的定时更新模型。模型可以自动和/或手动更新。
模型更新标准(例如,模型可根据其或响应于其进行更新的条件或标准)可以包括:模型的准确度、电池或外部***的应用或操作的变化、运行状态估计器(或仿真引擎)的计算***的处理能力的变化(例如,增加或减少)、新模型被生成、模型不再是被验证的、新状态被识别、阈值电池属性(例如,当电池达到预定年龄时,模型可以改变)、模型参数的阈值改变和/或任何合适的标准。
模型优选无缝更新(例如,模型不能用于确定状态的停机时间小于阈值停机时间,操作者不会察觉等)。然而,模型更新可以是非无缝的(例如,操作者可察觉的),和/或以其他方式发生。在具体示例中,当电池基本上不可操作时(例如当电池正在充电时),可以更新模型。
更新模型可包括:改变(例如,更新、修改等)模型的一个或更多个参数,改变(例如,更新、修改等)模型的参数化,将模型切换为不同的模型(例如,从第一子模型改变为第二子模型),和/或以其他方式更新模型。在说明性示例中,更新模型可以包括将模型参数改变为由状态估计器确定的模型参数。在该示例的变型中,当由状态估计器确定的模型参数与先前的模型参数相差阈值量(例如,0.001%、0.01%、0.05%、0.1%、1%、2%、3%、5%、10%、20%、50%、100%、200%、500%、1000%、其间的值等)时,可以改变模型参数。然而,模型可以以任何方式更新。
S500的实施例可以包括在多个不同的时间尺度上更新模型(如例如图6所示)。例如,模型可以在快速时间尺度(例如,毫秒到小时)和慢速时间尺度(例如,小时到年)上更新。一般来说,在不同时间尺度上的模型更新改变不同的参数组;然而,不同时间尺度上的模型更新可以改变同一组模型参数。换句话说,不同的模型更新(例如,时间尺度)通常具有不同的,但可以具有相同的,活动的和不活动的参数。可以使用相同的更新源(例如,相同的状态估计器)或不同的源(例如,不同的状态估计器)来确定不同时间尺度上的模型更新(例如,更新的模型参数)。
相对于较快或较频繁的模型更新,较慢或较不频繁的模型更新通常使用附加的数据(例如,来自其他电池、来自具有高延迟的传感器或数据源、不频繁的数据源等)来执行。然而,较慢或较不频繁的模型更新可以使用与较快或较频繁的模型更新相比相同或较少的数据来执行(例如,当较慢的模型更新是使用比较快的模型更新计算更密集或更慢的状态估计器来确定时)。在说明性示例中,较慢或较不频繁的模型更新可以在云计算***处确定,而较快或较频繁的模型更新可以由边缘计算***确定。然而,较慢的模型更新可以在电池正在充电时在边缘计算***上和/或在任何计算***上执行。类似地,较快的模型更新可以在电池正在充电时在云计算***上和/或在任何合适的计算***上执行。
S500的实施例可包括接收(例如,下载)一组新的模型参数(例如,先前的模型参数被更新为该组新的模型参数)。当电池改变(例如,编队中的一个或更多个电池变为新电池,诸如新电池类型、新电池制造商等)时,这些实施例可以是特别有益的,但不是排他的,并且可以使得模型能够在很少改变或不改变代码(例如,状态估计器、仿真器、算法等)的情况下被更新。在这些实施例中,该组新的模型参数优选地从与新电池相似或相同的被表征电池中导出。然而,该组新的模型参数可以以其他方式导出。该组新的模型参数可以实时或接近实时地确定(例如,根据S400),预先确定(例如,在S200中,诸如使用第二组表征电池的表征),和/或以其他方式被确定。该组新的模型参数可以被自动接收(例如,当电池改变时)和/或被手动接收(例如,操作者或编队管理者请求)。在这些实施例的变型中,新的模型参数可以用于确定(例如,测试)改变电池的影响(例如,性能、寿命、成本等)。
传输电池状态S600用于将电池状态传输给电池或编队操作者。S600优选地在S400之后执行,但是可以与S400同时和/或在S400之前执行(例如,以传输过去的电池状态)。电池状态可以被传输到操作者设备400(例如,智能电话、智能设备、计算机、膝上型电脑等)、显示器和/或任何合适的设备。可以传输当前电池状态、未来电池状态(例如,仿真电池状态、向前估计的电池状态等)和/或历史电池状态。
传输电池状态可以包括:显示电池状态(和/或其任何合适的状态),基于电池状态操作外部***,提供用于外部***的推荐或更新的操作指令(例如,提供推荐操作者概况,诸如攻击性、防御性等;负载曲线;路径;操作时间;操作命令;要进行的停止;加速度曲线;速度曲线;用于执行状态估计的定时;充电时间;操作前的充电程度;充电速率;等等),通知电池设计和/或选择(例如,传感器的类型和/或数量;数据采集速率;阳极、阴极、电解质和/或隔板;单元尺寸、单元排列、单元数量等;电池组尺寸、电池组几何形状、单元之间、电池组和外部***之间的热界面等;等等),发布异常的标志或警告,和/或以其他方式对电池状态进行处理或操作。
传输电池状态可以包括:确定异常发生的概率或风险,确定保险事件的概率或风险,确定必需维护或建议维护的概率或风险,和/或以其他方式确定罕见事件的概率。通常使用作为所识别的(例如,在其上进行训练的)数据集(其包括罕见事件(例如,实际事件、仿真事件等)的发生)的状态或状态组合来确定罕见事件。然而,罕见事件可以基于任何合适的状态来确定。当罕见事件的概率超过阈值(例如,操作者设置的阈值、预定的阈值概率,诸如1%、2%、5%、10%、20%、25%、30%、50%、70%、75%、80%、90%、95%、99%等),和/或在任何合适的情况下,可以发出指示罕见事件的标志(或其他消息,例如视觉、文本或音频消息)。在一些变型中,当罕见事件的概率超过阈值时,该方法可以包括操作外部***(例如,停止外部***、改变外部***的操作属性等)以降低罕见事件发生的概率。
5.具体示例
在第一示例中,电池状态可用于在(真正的)寿命结束时使电池退役,以最大化有用功,或最大化电池(或外部***)的转售价值。
在第二示例中,电池状态可用于触发一个或更多个电池或外部***的维护或关闭。
在第三示例中,电池状态可用于验证旧电池的功能或退化状态。
在第四示例中,电池状态可用于预测旧电池的定价(例如,基于相关条件下的剩余使用寿命)。
在第五示例中,电池状态可用于(例如,基于驾驶或乘坐风格)推断一个或更多个车辆驾驶员的预期负载曲线,并使用推断的负载曲线估计车辆行驶里程。
在第六示例中,电池状态可用于(例如,基于历史使用案例数据)推断一个或更多个储能***的预期负载曲线,并使用推断的负载曲线确定如何操作电池或外部***,以优化使用或最小化资产折旧。
在第七示例中,电池状态可用于基于预期退化和条件确定(例如,优化)外部***的操作参数。
在第八示例中,电池状态可用于基于规定的操作公差,确定电池或外部***的电池组设计(例如,单元放置、传热系数、几何形状、温度传感器放置等)。
在第九示例中,电池状态可用于确定给定指定应用(例如,无人机、电信资产、卫星等)的电池组负载曲线和使用算法。
在第十示例中,电池状态可用于确定给定指定应用(例如,无人机、电信资产、卫星等)的电池充电曲线(例如,包括“快速充电”或“超快速充电”)。
在第十一示例中,电池状态可用于识别单元充电或放电过程的变化,以优化质量、体积、瞬时功率、总储存能量和日历寿命中的一项或更多项。
在第十二示例中,电池状态可用于设计电池单元或电池组(例如,确定如何放置温度传感器、其他部件、材料等)。
在第十三示例中,电池状态可用于评估电池控制***检测滥用情况的灵敏度。
在第十四示例中,电池状态可用于评估电池控制***的安全性。
在第十五示例中,电池状态可用于确定(例如,优化)由耦合至电池存储阵列的太阳能***供电的通信***(例如,地面通信、卫星通信)的性能。通信***功耗(例如,传输功率、带宽等)和充电深度配置可以基于预期的太阳能发电(例如,卫星轨道数据、天气数据等)进行优化。
在第十六示例中,电池状态可用于基于使用分布式网格存储或单元网络环境进行的工作的本地温度或天气条件,确定(例如,优化)电池或外部***的控制。可以基于当前和预测的电池退化来优化由电池编队执行的网格任务的财务价值。
在第十七示例中,电池状态可用于将不同强度或其他不同质量(例如,长度、距离、所需功率等)的电池任务分配给编队中的多个***,其中这些***具有不同的输出值。例如,通过使用电池状态来确定每个***最适合执行的任务,从而最小化其预期的退化或最大化所完成任务的价值(以单个***规模、以***集群规模和/或以编队规模)。
在如图11所示的第十八示例中,用于确定电池状态的***可以包括:操作员设备、表征硬件、模型生成器、仿真引擎、状态估计器、验证引擎、电池或外部***和模型。该***可以可选地包括性能优化器,该性能优化器可以用于生成用于确定(例如,生成,识别等)电池状态(例如,感兴趣的电池状态、异常状态、维护状态等)的数据(例如,训练数据)。
在如图5所示的第十九示例中,一种方法可以包括确定电池的应用或操作;表征一组表征电池(例如,与待评估的电池基本相同的电池);基于与该组表征电池相关联的电池属性以及可选地使用与在表征设施之外操作的电池相关联的电池属性,生成一个或更多个模型;验证该一个或更多个模型;验证状态估计器;以及使用状态估计器、模型(例如,基于电池的应用或操作从一个或更多个模型中选择的模型)和电池属性来估计电池状态。
在如图17所示的第二十示例中,一种方法可以包括将一组条件(例如,正常条件、异常条件等)应用于一组表征电池,对表征电池对该组条件的响应进行表征,基于表征数据集生成物理电池模型(例如,电气模型、热量生成模型、电热模型、热传输模型等),对电池对仿真条件(例如,正常条件、异常条件等)的响应进行仿真,基于仿真的响应以及可选地基于仿真条件类型的标签(例如,“异常”对“正常”),生成分析模型(例如,保修状态模型、寿命预测模型(lifetime projection model)、异常状态模型、规划模型、退化缓解模型等),并将调整后的分析模型传输到电池和/或外部***。
然而,该***和/或方法可包括任何合适的部件和/或步骤。
优选实施例及其变型的方法可以被至少实现部分地体现和/或实现为被配置成接收存储计算机可读指令的计算机可读介质的机器。计算机可读介质可存储在任何合适的计算机可读媒介(例如RAM、ROM、闪存、EEPROM、光学设备(CD或DVD)、硬盘驱动器、软盘驱动器或任何合适的设备)上。计算机可执行部件优选地是通用或专用处理器,但任何合适的专用硬件或硬件/固件组合设备可以可替代地或附加地执行指令。
***和/或方法的实施例可以包括各种***部件和各种方法过程的每种组合和置换,其中本文描述的方法和/或过程的一个或更多个实例可以通过和/或使用本文描述的***、元件和/或实体的一个或更多个实例异步地(例如顺序地)、同时地(例如并行地)或以任何其他合适的顺序来执行。
如本领域中的技术人员将从先前的详细描述以及从附图和权利要求中认识到的,可以对本发明的优选实施例做出修改和改变而不偏离在随附权利要求中限定的本发明的范围。
Claims (43)
1.一种方法,包括:
表征多个电池中的每一个对施加的负载的响应;
基于所述多个电池中的每一个对所述施加的负载的响应来生成一组模型,其中每个模型包括:
热模型;
电化学模型;和
热量生成模型;
通过将验证电池的历史电池数据与使用所述模型生成的仿真电池数据进行比较来验证所述一组模型中的模型;
通过将验证电池数据与由状态估计器使用经验证的模型估计的电池状态进行比较来验证所述状态估计器;
使用传感器测量电池的电池属性;和
基于所述电池属性和所述经验证的模型,使用经验证的状态估计器来确定异常状态和电池状态。
2.根据权利要求1所述的方法,其中,所述电池被集成到卫星中。
3.根据权利要求1所述的方法,其中,当所述历史电池数据和所述仿真电池数据在阈值内匹配时,所述模型被验证。
4.根据权利要求1所述的方法,其中,当所述验证电池数据和所述电池状态在阈值内匹配时,所述状态估计器被验证。
5.根据权利要求1所述的方法,其中,所述电化学模型包括等效电路模型。
6.根据权利要求1所述的方法,其中,所述热模型是集总热模型。
7.一种用于估计电池的电池状态的方法,包括:
表征多个电池中的每个电池对施加的负载的响应;
基于所述多个电池中的每一个对所述施加的负载的响应来生成一组模型;
基于在其中使用所述电池的应用,从所述一组模型中选择模型;
测量所述电池的属性;和
使用运行所述模型的状态估计器,基于由所述电池操作的***的属性确定所述电池状态。
8.根据权利要求7所述的方法,其中,表征每个电池的响应包括啁啾所述多个电池中的每个电池,并在所述啁啾期间和之后测量所述电池的属性。
9.根据权利要求7所述的方法,其中,表征每个电池的响应包括确定所述多个电池中每个电池的内部温度。
10.根据权利要求9所述的方法,其中,使用电化学阻抗谱确定所述内部温度。
11.根据权利要求7所述的方法,还包括通过将验证电池的历史电池数据与使用所选择的模型生成的仿真电池数据进行比较来验证所选择的模型。
12.根据权利要求7所述的方法,还包括通过将与验证电池相关联的验证电池数据与由所述状态估计器使用所选择的模型确定的所述验证电池的电池状态进行比较来验证所述状态估计器。
13.根据权利要求7所述的方法,其中,所述状态估计器是无迹卡尔曼滤波器。
14.根据权利要求7所述的方法,其中,所述电池状态由与所述电池并置的处理器来估计。
15.根据权利要求7所述的方法,其中,所述电池状态包括所选择的模型的参数,其中用所述参数更新所选择的模型。
16.根据权利要求7所述的方法,其中,所述电池状态包括与所述电池的操作期间将发生异常的概率相关联的异常状态。
17.根据权利要求16所述的方法,其中,所述异常包括异常热量生成、热事件和电气故障中的至少一种。
18.根据权利要求16所述的方法,其中,使用机器学习技术来训练所述异常状态。
19.根据权利要求18所述的方法,其中,用于训练所述机器学习技术的训练数据集包括在异常条件下操作的电池的仿真数据。
20.根据权利要求7所述的方法,其中,所述电池被集成到电动客车、电动自行车、电动工具、电动飞机、建筑装备或卫星之一中。
21.一种***,包括:
电池;
与所述电池并置的处理器,所述处理器被配置为:
从传感器接收电池测量结果,所述传感器被配置成测量所述电池的属性;
基于所述电池测量结果和电池模型确定所述电池的未来状态;
基于所述电池的未来状态更新所述电池模型的第一组参数;
远程计算***,所述远程计算***被配置为:
接收所述电池测量结果;
独立于由所述处理器执行的对所述第一组参数的更新,更新所述电池模型的第二组参数;和
其中,所述电池模型的参数被更新为更新的第一组参数或第二组参数。
22.根据权利要求21所述的***,其中,所述第一组参数以第一频率更新。
23.根据权利要求22所述的***,其中,所述第二组参数以小于所述第一频率的第二频率更新。
24.根据权利要求21所述的***,其中,使用卡尔曼滤波器确定所述电池的未来状态。
25.根据权利要求24所述的***,其中,所述卡尔曼滤波器的参数是使用将所述电池测量结果与所述卡尔曼滤波器的参数相关联的查找表确定的。
26.根据权利要求25所述的***,其中,所述远程计算***包括无迹卡尔曼滤波器,其中,所述查找表由所述无迹卡尔曼滤波器生成。
27.根据权利要求26所述的***,其中,更新所述第二组参数包括更新所述查找表。
28.根据权利要求21所述的***,其中,所述电池测量结果包括所述电池的电压、电流、电阻或温度中的至少一个。
29.根据权利要求21所述的***,其中,所述电池模型包括参数化电池模型,其中更新所述第二组参数包括更新所述电池模型的参数化。
30.一种方法,包括:在第一时间尺度和第二时间尺度上更新与电池相关联的电池模型,其中所述第一时间尺度的更新由与所述电池并置的处理器确定并且所述第二时间尺度的更新使用远程计算***确定,其中由状态估计器使用所述电池模型来确定所述电池的电池状态。
31.根据权利要求30所述的方法,其中,所述第一时间尺度比所述第二时间尺度短。
32.根据权利要求30所述的方法,其中,在所述第一时间尺度上更新所述电池模型包括:
使用所述状态估计器来确定所述电池模型的模型参数;和
使用所述模型参数来更新所述模型。
33.根据权利要求30所述的方法,其中,在所述第二时间尺度上更新所述电池模型包括改变所述电池模型的参数化。
34.根据权利要求33所述的方法,其中,所述电池模型的参数化响应于所述电池的年龄超过阈值年龄而改变。
35.根据权利要求30所述的方法,其中,在所述第二时间尺度上更新所述电池模型包括基于电池编队的电池属性确定所述电池模型的模型参数,其中所述电池包括在所述电池编队中。
36.根据权利要求30所述的方法,其中,所述状态估计器包括无迹卡尔曼滤波器。
37.根据权利要求30所述的方法,其中,所述电池模型包括单元模型、电池组几何模型、电化学模型和热传输模型。
38.根据权利要求37所述的方法,其中,所述电池模型包括热量生成模型、单元热传输模型和等效电路模型。
39.根据权利要求38所述的方法,其中,所述等效电路模型通过所确定的关于所述电池的信息之间的关系来参数化,所述信息包括温度或充电状态中的至少一个。
40.根据权利要求30所述的方法,其中,更新所述电池模型包括:在所述电池状态不能被确定的情况下,用少于阈值停机时间更新所述电池模型。
41.根据权利要求30所述的方法,其中,响应于应用程序接口请求来确定所述电池状态。
42.一种***,其被配置成执行权利要求1-21或30-41中任一项所述的方法。
43.一种用于基于对多个电池的表征生成电池模型的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063021604P | 2020-05-07 | 2020-05-07 | |
US63/021,604 | 2020-05-07 | ||
US202163168015P | 2021-03-30 | 2021-03-30 | |
US63/168,015 | 2021-03-30 | ||
PCT/US2021/031366 WO2021226505A1 (en) | 2020-05-07 | 2021-05-07 | Battery analysis system and method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115968447A true CN115968447A (zh) | 2023-04-14 |
Family
ID=78412570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180033643.4A Pending CN115968447A (zh) | 2020-05-07 | 2021-05-07 | 电池分析***和方法 |
Country Status (4)
Country | Link |
---|---|
US (6) | US11181587B1 (zh) |
EP (1) | EP4147060A4 (zh) |
CN (1) | CN115968447A (zh) |
WO (1) | WO2021226505A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117341976A (zh) * | 2023-12-05 | 2024-01-05 | 合肥德智航创科技有限公司 | 一种无人机综合健康管理*** |
CN117634226A (zh) * | 2024-01-25 | 2024-03-01 | 宁德时代新能源科技股份有限公司 | 电池设计方法、设备及存储介质 |
CN118091430A (zh) * | 2024-04-25 | 2024-05-28 | 华能新能源股份有限公司 | 电池热失控预测模型的构建方法和装置 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11131714B2 (en) * | 2019-05-31 | 2021-09-28 | Sigmasense, Llc. | Battery monitoring and characterization during charging |
US11435484B2 (en) * | 2019-06-07 | 2022-09-06 | Rockwell Collins, Inc. | Space time adaptive correlator |
US11515587B2 (en) * | 2019-10-10 | 2022-11-29 | Robert Bosch Gmbh | Physics-based control of battery temperature |
WO2021226505A1 (en) | 2020-05-07 | 2021-11-11 | Zitara Technologies, Inc. | Battery analysis system and method |
US11768249B2 (en) * | 2020-10-29 | 2023-09-26 | Toyota Research Institute, Inc. | Systems and methods for predicting battery life using data from a diagnostic cycle |
US20220334185A1 (en) * | 2021-04-14 | 2022-10-20 | Analog Devices, Inc. | Technique for estimation of internal battery temperature |
US20230004151A1 (en) * | 2021-07-01 | 2023-01-05 | Honeywell International Inc. | Run-time reliability reporting for electrical hardware systems |
US11443569B1 (en) * | 2021-10-30 | 2022-09-13 | Beta Air, Llc | Systems and methods for battery management for a vehicle |
US11971454B2 (en) | 2021-12-09 | 2024-04-30 | Zitara Technologies, Inc. | System and method for determining a battery condition |
WO2023150226A1 (en) * | 2022-02-02 | 2023-08-10 | Sustainable Energy Technologies, Inc. | Supercapacitor and electrochemical hybrid battery with dynamic impedance matching capability |
US11527786B1 (en) | 2022-03-28 | 2022-12-13 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
CN114914561B (zh) * | 2022-04-27 | 2024-06-21 | 深圳市道通科技股份有限公司 | 一种动力电池监控***以及方法 |
WO2023212699A1 (en) * | 2022-04-29 | 2023-11-02 | Analog Devices, Inc. | System and method for state of power estimation of a battery using impedance measurements |
JP2023177920A (ja) * | 2022-06-03 | 2023-12-14 | Fdk株式会社 | 蓄電制御装置、蓄電装置、充電残時間算出方法、及び充電残時間算出プログラム |
EP4336281A1 (en) * | 2022-09-12 | 2024-03-13 | Robert Bosch GmbH | Method for validating or verifying a technical system |
EP4357988A1 (fr) * | 2022-10-17 | 2024-04-24 | Orange | Procédés de gestion de l'énergie d'au moins un équipement, dispositifs électroniques et produits programmes d'ordinateur correspondants |
CN117434463B (zh) * | 2023-09-21 | 2024-07-19 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 动力电池的剩余寿命评估方法、装置、设备和存储介质 |
CN117554825B (zh) * | 2024-01-11 | 2024-03-19 | 深圳市北测检测技术有限公司 | 电动汽车的充电安全性能检测方法及*** |
Family Cites Families (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6656234B2 (en) * | 2001-09-26 | 2003-12-02 | Ford Global Technologies, Llc | Tuning battery electrode porosity technical field |
US20040024559A1 (en) | 2002-08-01 | 2004-02-05 | Down John Harry | Method, system and computer product for building calibration lookup tables from sparse data |
US7554294B2 (en) | 2005-01-28 | 2009-06-30 | The Johns Hopkins University | Battery health monitor |
US7750641B2 (en) | 2005-11-30 | 2010-07-06 | General Electric Company | Battery system and method for monitoring a battery |
US7723958B2 (en) | 2006-03-31 | 2010-05-25 | Valence Technology, Inc. | Battery charge indication methods, battery charge monitoring devices, rechargeable batteries, and articles of manufacture |
US7894512B2 (en) | 2007-07-31 | 2011-02-22 | Harris Corporation | System and method for automatic recovery and covariance adjustment in linear filters |
CA2701529C (en) | 2007-10-04 | 2017-07-25 | Trusted Positioning Inc. | System and method for intelligent tuning of kalman filters for ins/gps navigation applications |
JP5221468B2 (ja) | 2009-02-27 | 2013-06-26 | 株式会社日立製作所 | 電池監視装置 |
US9203248B2 (en) | 2009-09-28 | 2015-12-01 | Hitachi, Ltd. | Battery management system using non-volatile memory |
JP5493657B2 (ja) | 2009-09-30 | 2014-05-14 | 新神戸電機株式会社 | 蓄電池装置並びに蓄電池の電池状態評価装置及び方法 |
US20130069660A1 (en) | 2010-02-17 | 2013-03-21 | Julien Bernard | Method for in situ battery diagnostic by electrochemical impedance spectroscopy |
JP5840693B2 (ja) | 2010-10-18 | 2016-01-06 | ジョンズ ホプキンズ ユニバーシティJohns Hopkins University | 充電および放電時のリチウムイオン充電式セルの内部温度を検出するバッテリ位相メータ |
RU2581844C2 (ru) * | 2010-10-22 | 2016-04-20 | Нуклеас Сайнтифик, Инк. | Устройство и способ быстрой зарядки аккумуляторных батарей |
JP5798067B2 (ja) | 2012-03-13 | 2015-10-21 | プライムアースEvエナジー株式会社 | 二次電池の状態推定装置 |
WO2014045123A2 (en) | 2012-09-24 | 2014-03-27 | Actiwave Ab | Control and protection of loudspeakers |
WO2014119328A1 (ja) * | 2013-02-01 | 2014-08-07 | 三洋電機株式会社 | 電池状態推定装置 |
US20140218040A1 (en) * | 2013-02-01 | 2014-08-07 | Samsung Sdi Co., Ltd. | Method for estimating the state of charge of a battery, and battery management system using the method |
US20140244193A1 (en) | 2013-02-24 | 2014-08-28 | Fairchild Semiconductor Corporation | Battery state of charge tracking, equivalent circuit selection and benchmarking |
TR201811038T4 (tr) | 2013-03-13 | 2018-08-27 | Tiax Llc | Pillerdeki dahili kısa devrelerin algılanmasına yönelik sistemler ve yöntemler. |
US9989595B1 (en) * | 2013-12-31 | 2018-06-05 | Hrl Laboratories, Llc | Methods for on-line, high-accuracy estimation of battery state of power |
FR3016218B1 (fr) * | 2014-01-03 | 2016-01-01 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation |
US9726730B2 (en) | 2014-02-24 | 2017-08-08 | Cellebrite Mobile Synchronization Ltd. | System and method for determining a state of health of a power source of a portable device |
KR102177721B1 (ko) | 2014-03-20 | 2020-11-11 | 현대모비스 주식회사 | 배터리팩 열화 상태 추정 장치 및 방법 |
WO2015153770A1 (en) * | 2014-04-01 | 2015-10-08 | The Regents Of The University Of Michigan | Real-time battery thermal management for electric vehicles |
GB201407805D0 (en) | 2014-05-02 | 2014-06-18 | Dukosi Ltd | Battery condition determination |
US10345385B2 (en) * | 2014-05-12 | 2019-07-09 | Gm Global Technology Operations Llc. | Battery state estimation systems and methods using a nonlinear resistance element |
KR102165937B1 (ko) | 2014-05-30 | 2020-10-14 | 삼성전자주식회사 | 배터리 관리 방법 및 장치 |
KR101767635B1 (ko) | 2014-10-24 | 2017-08-14 | 주식회사 엘지화학 | 이차 전지의 충전 상태 추정 장치 및 그 방법 |
PL3045925T3 (pl) | 2015-01-14 | 2023-08-07 | Corvus Energy Ltd. | Sposób i układ do iteracyjnego określania stanu naładowania ogniwa akumulatorowego |
GB2537406B (en) | 2015-04-16 | 2017-10-18 | Oxis Energy Ltd | Method and apparatus for determining the state of health and state of charge of lithium sulfur batteries |
US10153521B2 (en) | 2015-08-06 | 2018-12-11 | Powin Energy Corporation | Systems and methods for detecting a battery pack having an operating issue or defect |
US10367235B2 (en) * | 2016-02-19 | 2019-07-30 | Cps Technology Holdings Llc | Systems and methods for real-time parameter estimation of a rechargeable battery |
US9960625B2 (en) | 2016-03-31 | 2018-05-01 | Robert Bosch Gmbh | Battery management system with multiple observers |
US10324135B2 (en) | 2016-06-06 | 2019-06-18 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems for data-driven battery state of charge (SoC) estimation |
US10461374B2 (en) | 2016-06-27 | 2019-10-29 | The Johns Hopkins University | Battery internal temperature sensing battery management system |
US10447046B2 (en) | 2016-09-22 | 2019-10-15 | Robert Bosch Gmbh | Secondary battery management system with remote parameter estimation |
KR20180037760A (ko) | 2016-10-05 | 2018-04-13 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
US11527780B2 (en) * | 2016-10-12 | 2022-12-13 | CPS Technology Services LLC | Battery model and control application calibration systems and methods |
US10099679B2 (en) | 2016-10-20 | 2018-10-16 | Fca Us Llc | Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique |
KR20180055192A (ko) | 2016-11-16 | 2018-05-25 | 삼성전자주식회사 | 배터리 상태를 추정하는 방법 및 장치 |
KR102259265B1 (ko) | 2016-12-06 | 2021-06-01 | 볼보 트럭 코퍼레이션 | 배터리 셀에 대한 충전 상태를 추정하는 방법 |
EP3559687A1 (en) * | 2016-12-21 | 2019-10-30 | Volvo Truck Corporation | A battery management system and a method for controlling a battery management system |
US20180292465A1 (en) * | 2017-04-07 | 2018-10-11 | Board Of Regents, The University Of Texas System | Systems and methods for degradation analysis |
US10992144B2 (en) | 2017-05-17 | 2021-04-27 | Galley Power LLC | Battery balancing and current control with bypass circuit for load switch |
US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
US10312699B2 (en) | 2017-07-31 | 2019-06-04 | Robert Bosch Gmbh | Method and system for estimating battery open cell voltage, state of charge, and state of health during operation of the battery |
KR102200550B1 (ko) | 2017-10-10 | 2021-01-07 | 주식회사 엘지화학 | 이차 전지의 충전 상태를 추정하기 위한 장치 |
US20190120908A1 (en) | 2017-10-25 | 2019-04-25 | Samsung Electronics Co., Ltd. | Apparatus and methods for identifying anomaly(ies) in re-chargeable battery of equipment and connected component(s) |
TWI657639B (zh) | 2017-12-04 | 2019-04-21 | Industrial Technology Research Institute | 電池放電流程決定方法和系統 |
JP7036605B2 (ja) * | 2018-01-30 | 2022-03-15 | プライムアースEvエナジー株式会社 | 組電池の状態推定装置及び組電池の状態推定方法 |
US10969752B1 (en) | 2018-04-06 | 2021-04-06 | United States Of America As Represented By The Secretary Of The Air Force | System and apparatus for estimating states of a physical system |
US10666076B1 (en) * | 2018-08-14 | 2020-05-26 | Veritone Alpha, Inc. | Using battery state excitation to control battery operations |
US11097633B1 (en) * | 2019-01-24 | 2021-08-24 | Veritone Alpha, Inc. | Using battery state excitation to model and control battery operations |
DE102019111956A1 (de) | 2019-05-08 | 2020-11-12 | TWAICE Technologies GmbH | Präzisionsmessungen und Alterungsmodell für wiederaufladbare Batterien |
DE102019111958A1 (de) | 2019-05-08 | 2020-11-12 | TWAICE Technologies GmbH | Charakterisierung von Lithium-Plating bei wiederaufladbaren Batterien |
DE102019111976A1 (de) | 2019-05-08 | 2020-11-12 | TWAICE Technologies GmbH | Kapazitätsbestimmung bei Batterien |
DE102019111979A1 (de) | 2019-05-08 | 2020-11-12 | TWAICE Technologies GmbH | Charakterisierung von wiederaufladbaren Batterien |
US11485239B2 (en) | 2019-06-03 | 2022-11-01 | GM Global Technology Operations LLC | Power prediction for reconfigurable series-connected battery with mixed battery chemistry |
DE102019121461B3 (de) | 2019-08-08 | 2020-12-24 | TWAICE Technologies GmbH | Simulation einer Batterie |
CN111438077A (zh) | 2020-04-07 | 2020-07-24 | 北京工业大学 | 一种退役三元软包电池的梯次利用性能快速筛选及检测的方法 |
WO2021226505A1 (en) | 2020-05-07 | 2021-11-11 | Zitara Technologies, Inc. | Battery analysis system and method |
-
2021
- 2021-05-07 WO PCT/US2021/031366 patent/WO2021226505A1/en unknown
- 2021-05-07 US US17/314,867 patent/US11181587B1/en active Active
- 2021-05-07 CN CN202180033643.4A patent/CN115968447A/zh active Pending
- 2021-05-07 EP EP21800246.7A patent/EP4147060A4/en active Pending
- 2021-05-07 US US17/314,878 patent/US20210349155A1/en not_active Abandoned
- 2021-10-15 US US17/502,565 patent/US11656296B2/en active Active
-
2022
- 2022-12-16 US US18/082,708 patent/US11988722B2/en active Active
-
2023
- 2023-02-27 US US18/114,792 patent/US20230213590A1/en active Pending
-
2024
- 2024-03-19 US US18/609,966 patent/US20240230787A1/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117341976A (zh) * | 2023-12-05 | 2024-01-05 | 合肥德智航创科技有限公司 | 一种无人机综合健康管理*** |
CN117341976B (zh) * | 2023-12-05 | 2024-02-02 | 合肥德智航创科技有限公司 | 一种无人机综合健康管理*** |
CN117634226A (zh) * | 2024-01-25 | 2024-03-01 | 宁德时代新能源科技股份有限公司 | 电池设计方法、设备及存储介质 |
CN118091430A (zh) * | 2024-04-25 | 2024-05-28 | 华能新能源股份有限公司 | 电池热失控预测模型的构建方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US11181587B1 (en) | 2021-11-23 |
US20210349157A1 (en) | 2021-11-11 |
EP4147060A1 (en) | 2023-03-15 |
US20230213590A1 (en) | 2023-07-06 |
US20210349155A1 (en) | 2021-11-11 |
US20220034974A1 (en) | 2022-02-03 |
US11988722B2 (en) | 2024-05-21 |
WO2021226505A1 (en) | 2021-11-11 |
US11656296B2 (en) | 2023-05-23 |
EP4147060A4 (en) | 2024-05-08 |
US20240230787A1 (en) | 2024-07-11 |
US20230123124A1 (en) | 2023-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11181587B1 (en) | Battery analysis system and method | |
US11644515B2 (en) | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store | |
Orchard et al. | Risk measures for particle-filtering-based state-of-charge prognosis in lithium-ion batteries | |
US10447046B2 (en) | Secondary battery management system with remote parameter estimation | |
US11555858B2 (en) | Systems, methods, and storage media for predicting a discharge profile of a battery pack | |
US10401433B2 (en) | Method and apparatus for estimating battery life | |
JP5852399B2 (ja) | バッテリの状態予測システム、方法及びプログラム | |
EP3264562B1 (en) | Method for determining an estimated combined battery state-parameter vector | |
CN103915659B (zh) | 用以获得和使用电池***中的温度信息的***及方法 | |
US11619674B2 (en) | State estimation method and state estimation apparatus | |
US11971454B2 (en) | System and method for determining a battery condition | |
EP4270033A1 (en) | Method and apparatus for estimating state of health of battery | |
KR20200087494A (ko) | 배터리 관리 방법 및 장치 | |
US20230393204A1 (en) | System and method for battery management | |
Anandavel et al. | Application of digital twins to the product lifecycle management of battery packs of electric vehicles | |
US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
Hussein et al. | A review of battery state of charge estimation and management systems: Models and future prospective | |
Sung et al. | Robust and efficient capacity estimation using data-driven metamodel applicable to battery management system of electric vehicles | |
CN115616432A (zh) | 运行用于提供老化状态预测置信区间的***的方法和装置 | |
Espinoza et al. | A simulation engine for predicting state-of-charge and state-of-health in lithium-ion battery packs of electric vehicles | |
US20230160972A1 (en) | Computer-Assisted Method for Determining a Loss Of Capacity of a Battery Store, Computer Program Product and Battery Store | |
Patil et al. | An Analysis of Temperature Variant System for SOC and SOH Estimation of Battery Management System | |
Anbazhagan et al. | Smart Battery Management System for Mobile Consumer Electronics based on Federal Split Learning Model | |
CN117491871A (zh) | 用于借助于归一化流模型对技术设备的设备电池进行预测性诊断的方法 |
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 |