CN118119856A - 电池诊断方法及其装置 - Google Patents

电池诊断方法及其装置 Download PDF

Info

Publication number
CN118119856A
CN118119856A CN202280061896.7A CN202280061896A CN118119856A CN 118119856 A CN118119856 A CN 118119856A CN 202280061896 A CN202280061896 A CN 202280061896A CN 118119856 A CN118119856 A CN 118119856A
Authority
CN
China
Prior art keywords
battery
curve
voltage
voltage curve
prediction model
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
Application number
CN202280061896.7A
Other languages
English (en)
Inventor
宋昌熙
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.)
Mona Ltd
Original Assignee
Mona 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 Mona Ltd filed Critical Mona Ltd
Publication of CN118119856A publication Critical patent/CN118119856A/zh
Pending legal-status Critical Current

Links

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]
    • 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
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage 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]
    • G01R31/392—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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了电池诊断方法及其装置。电池诊断装置利用曲线预测模型，基于电池的充电或者放电时的部分电压波形，生成预定义区间的电压曲线，并利用状态预测模型，基于所述电压曲线预测电池的劣化状态。

Description

电池诊断方法及其装置
技术领域
本发明实施例涉及电池诊断方法及其装置，更具体地，涉及一种基于电池的部分电压波形能够诊断电池的劣化状态的方法及其装置。
背景技术
充电后可反复使用的二次电池(以下称之为'电池')在电动车、蓄能装置(ESS，Energy Storage System)等各种领域中使用。随着电池的充放电反复进行，充电容量或者放电容量的性能劣化，因此使用一定时间后需要进行更换。电池的劣化状态通常通过检测健康状态(SOH；state of Health)来实现。但是，为了检测SOH，需要进行电池的充电或者放电过程，因此存在检测SOH所需耗费较长时间的缺点。
发明内容
【技术问题】
本发明实施例的目的在于，提供一种基于电池的部分电压波形能够准确地诊断电池的劣化状态的方法及其装置。
【技术方案】
为了解决上述技术问题，根据本发明一实施例的电池诊断方法，包括以下步骤：利用曲线预测模型，基于电池的充电或者放电时的部分电压波形生成预定义区间的电压曲线；以及利用状态预测模型，基于所述电压曲线预测电池的劣化状态，所述曲线预测模型为经训练的人工智能模型，设置为基于部分电压波形预测预定义区间的电压曲线，所述状态预测模型为经训练的状态预测模型，其设置为基于电压曲线预测电池的劣化状态。
为了解决上述技术问题，根据本发明一实施例的电池诊断装置，包括：曲线生成单元，其利用生成对抗神经网络(GAN)的生成器，基于电池的充电或者放电时的部分电压波形生成电压曲线，所述生成器被训练为用于生成预定义区间的电压曲线；以及预测单元，其利用状态预测模型，基于所述电压曲线预测电池劣化状态，所述状态预测模型被训练为用于预测电池状态。
【有益效果】
根据本发明的实施例，基于电池的充电或者放电时呈现的部分电压波形，能够准确地确定电池充电容量等的劣化状态，从而能够缩短电池诊断所需的时间。此外，本实施例不仅可有效地应用于对使用中的电池的劣化状态的诊断，而且可以应用于废电池的再利用时的劣化状态的诊断。
附图说明
图1是根据本发明实施例的用于电池诊断的整体***结构的一示例图。
图2是根据本发明实施例的曲线预测模型的一示例图。
图3是根据本发明实施例的状态预测模型的一示例图。
图4是根据本发明实施例的电压曲线的一示例图。
图5是根据本发明实施例的状态预测模型的实验例的示图。
图6是根据本发明实施例的电池诊断方法的一示例的流程图。
图7是根据本发明实施例的利用生成对抗神经网络(GAN)实现曲线预测模型的一示例图。
图8是根据本发明实施例的生成对抗神经网络(GAN)中鉴别器的输入数据的示例图。
图9是根据本发明实施例的比较生成对抗神经网络(GAN)的生成器性能的实验例的示图。
图10是根据本发明实施例的电池诊断装置的一示例的结构图。
具体实施方式
下面，参照附图对根据本发明实施例的电池诊断方法及其装置进行详细说明。
图1是根据本发明实施例的用于电池诊断的整体***结构的一示例图。
参照图1，电池诊断装置(100)包括曲线预测模型(110)和状态预测模型(120)。电池诊断装置(100)如果接收到电池的部分电压波形(130)则利用曲线预测模型(110)生成预定义一定区间的电压波形(以下称之为，'电压曲线')，并利用电压曲线输入到状态预测模型(120)，从而确定电池的劣化状态(140)(例如，SOC(State of Charge)等)。
电压波形(130)是在实际电池中测量一定时间之后获得的用于表示电压变化量的信息。电压波形(130)可定义为各种形态，图4图示了其中的一个例子。下面，为了便于说明，将电池的全部电压波形中的部分电压波形称为'电压波形'，将输入有状态预测模型的一定区间的电压波形称为'电压曲线'。即，电压曲线的部分区间为电压波形。
曲线预测模型(110)和状态预测模型(120)皆为利用机器学习(machinelearning)或者深度学习(deep learning)等生成的人工智能模型。更具体地，如图2所示，曲线预测模型(110)为人工智能模型，如有部分电压波形输入则预测并输出电压曲线。图2中将对曲线预测模型(110)重新进行说明。
状态预测模型(120)为人工智能模型，如果接收到电压曲线则基于此预测并输出电池的劣化状态。图3中将对状态预测模型(120)重新进行说明。
图2是根据本发明实施例的曲线预测模型的一示例图。
参照图2，曲线预测模型(110)为人工智能模型，其训练为基于部分区间的电压波形(200、202、204)预测电压曲线(210)。部分区间的电压波形(200、202、204)为在电池的充电或者放电时测量的电压变化量的值。本实施例图示了电池放电时测得的电压波形(200、202、204)。
为了确定电池的充电或者放电时的全部区间的电压波形，需要将电池100％充电之后在放电的同时测量电池电压或者电池完全放电之后在充电的同时测量电池电压。但是，这种情况下，存在测量电池的电压波形需要很长时间的缺点。例如，如果电池的充电时间为1小时，则获得一个电池的电压波形需要1小时，如果需要获得100个电池的电压波形则需要100小时。
由此，本实施例使用曲线预测模型(110)，其无需进行100％的电池充电或者放电，在电池的现有状态下仅仅利用一定区间的电压波形，便可生成电池的全部区间的电压波形(即，电压曲线)。
用于获得电压波形(200、202、204)的电池测量时间，根据电池的种类或者容量等可进行不同设定，如数分钟至数十分钟。例如，假设电池从放电至充电结束为止的总耗时或者从充电至放电结束为止的总耗时为1小时，则可对充电或者放电时的电池电压进行测量10分钟，从而获得电压波形(200、202、204)。
在对现有状态的电池直接进行充电或者放电的同时对电压波形进行测量时，无法确认测量的区间相当于电压曲线(210)中的哪一区间。例如，如图2所示，第一电池中测得的电压波形(200)相当于电压曲线的前部分，第二电池测得的电压波形(202)相当于电压曲线的中间部分，第三电池中测得的电压波形(204)相当于电压曲线的最后部分，然而仅凭借测得的电压波形(200、202、204)，无法确认该电压波形相当于电压曲线的哪一部分。换而言之，本实施例中，为了便于理解，电压波形(200、202、204)图示为与电压曲线重叠，然而，对于在当前时间点对任意一电池进行测量一定时间并获得的一部分区间的电压波形(200、202、204)而言，无法确认其相当于电压曲线(210)的哪一部分。
由此，本实施例可利用学习数据对曲线预测模型(110)进行训练后使用，学习数据包括多个电压曲线及从该电压曲线的一部分提取并生成的电压波形。例如，曲线预测模型(110)可以通过如下学习过程生成：接收学习数据输入，学习数据包括电压波形(200、202、204)和电压曲线(210)，并基于电压波形(200、202、204)生成预测电压曲线，而且比较和判断预测电压曲线是否与学习数据中存在的答案即电压曲线一致。例如，图2的示例中，三个电压波形(200、202、204)都是在同一电池上测得，但是当测量区间相互不同时，曲线预测模型(110)都可以预测相同的电压曲线(210)。
曲线预测模型(110)可实现为卷积神经网络(Convolutional Neural Network，CNN)等现有的各种网络。作为一实施例，电压曲线的生成是从包括部分区间的电压波形(200、202、204)的第一域转换为包括全部区间电压波形的电压曲线(210)的第二域，曲线预测模型(110)可实现为域转换网络(domain transfer network)。即，可以利用迁移学习(transfer learning)方法训练曲线预测模型(110)。域转换网络为公知的构件，因此省略其详细说明。
作为另一实施例，需要基于部分区间的电压波形(200、202、204)准确地预测预定义区间的电压曲线(210)，才能够准确地诊断电池的劣化状态，因此曲线预测模型(110)可实现为生成对抗神经网络(GAN，Generative Adversarial Network)。图7中将对通过生成对抗神经网络(GAN)生成曲线预测模型(110)的方法重新进行说明。
图3是根据本发明实施例的状态预测模型的一示例图。
参照图3，状态预测模型(120)为经训练的人工智能模型，其基于电压曲线(300)预测电池劣化状态(310)。可以基于学习数据并利用指导学习(supervised learning)方法生成状态预测模型(120)，学习数据包括多个电池的电压曲线和电池劣化状态。
状态预测模型(120)预测的劣化状态的值可以是充电量(SOC等)或者放电容量等指示电池劣化状态的各种值，这可根据状态预测模型(120)的学习数据的种类实现为不同形态。例如，如果基于包括电池的充电量(例如，100％充电时的充电容量等)和电压曲线(300)的学习数据训练状态预测模型(120)，则训练结束的状态预测模型(120)可通过接收任意一个电池的电压曲线(300)能够预测并输出该电池的充电量。
状态预测模型(120)利用电压曲线(300)预测电池劣化状态，因此，为了准确地确定电池的劣化状态，需要准确的电池电压曲线(300)。本实施例在状态预测模型(120)上利用图2的曲线预测模型(110)并基于部分区间的电压波形生成电压曲线，而非对电池的全部区间的电压进行测量并生成电压曲线，从而可明显地缩短电池劣化状态确定所需的时间。
图4是根据本发明实施例的电压曲线的一示例图。
参照图4，其图示了基于电池充放电次数的电压曲线。右侧的棒状曲线图表示电池充放电次数。由此可知，如果随着充放电次数的增加电池劣化，则电压曲线发生变化。
本实施例利用电压与放电容量(discharging capacity[Ah])之间的关系曲线图图示了电压曲线，但这仅仅为一个示例，电池的充电或者放电时的电压波形变化可通过各种方式测量或者确定。例如，电压曲线可为图4的电压与放电容量之间的曲线图形态，而且可以是利用电压与各种物理量(例如，充电容量、电流、时间等)之间的关系确定的值。根据实施例，电压曲线可以是如曲线图的连续值的形态，或者周期性确定的非连续值的形态。
图5是根据本发明实施例的状态预测模型的实验例的示图。
参照图5，图示了状态预测模型(120)基于电压曲线预测的电池放电容量的值与实际电池放电容量的比较结果的曲线图。横轴表示电池的充放电次数，横轴表示基于电池的充放电次数的电池放电容量。观察曲线图可知，状态预测模型(120)的电池放电容量的预测值与电池放电容量的实际值几乎一致。
图6是根据本发明实施例的电池诊断方法的一示例的流程图。
参照图1和图6，电池诊断装置(100)利用曲线预测模型(110)生成部分电压波形的电压曲线(S600)。例如，如图2所示，电池诊断装置(100)可以将通过实际测量电池一段时间后获得的部分区间的电压波形输入到曲线预测模型(110)，从而可获得预定义区间的电压曲线。
电池诊断装置(100)通过将电压曲线输入状态预测模型(120)来确定电池的劣化状态(S610)。图3中图示了状态预测模型(120)的一示例。
图7是根据本发明实施例的利用生成对抗神经网络(GAN)实现曲线预测模型的一示例图。
参照图7，生成对抗神经网络(GAN)大体上包括生成器(generator)(700)和鉴别器(discriminator)(710)。生成器(700)为接收到电压波形(720)后基于此预测电压曲线的人工智能模型。生成对抗神经网络(GAN)的学习结束后，生成器(700)可作为本实施例的曲线预测模型(110)使用。鉴别器(710)接收到生成器(700)所生成的电压曲线(即，伪数据(730))和实际电压曲线(即，实际数据(740))后，确定伪数据(730)是否符合实际数据(740)并将其结果(750)输出。
在生成对抗神经网络(GAN)中生成器(700)和鉴别器(710)以相互竞争关系进行学习。鉴别器(710)训练为能够准确地区分实际数据(740)和伪数据(730)，生成器(700)训练为以能够蒙蔽鉴别器(710)地生成类似于实际数据(740)的伪数据(730)。这利用生成对抗神经网络(GAN)的成本函数表示的话如数学式1所示。
【数学式1】
其中，D表示鉴别器(710)，G表示生成器(700)。D(x)为鉴别器(710)将伪数据(730)确定为实际数据(740)的概率值(0～1)，越是接近1，意味着与实际数据相符合。D(G(z))是表示伪数据(730)不符合实际数据(740)的概率值(0～1)，越是接近0，意味着为不是实际数据(740)。
鉴别器(D)(710)训练为使上述数学式1的右侧项取值最大。即，鉴别器(D)(710)当D(x)接近1，D(G(z))接近0时取值最大，因此训练为使D(x)取值接近1，D(G(z))取值接近0。相反，生成器(G)(700)训练为使数学式1的右侧项取值最小。即，鉴别器(710)当D(G(z))判断为接近1时右侧项取值最小，因此生成器(700)训练为使D(G(z))取值接近1。
电池诊断装置(100)可利用学习数据对生成对抗神经网络(GAN)的生成器(700)和鉴别器(710)进行训练，学习数据包括多个电压曲线及从各电压曲线中提取的至少一个电压波形。例如，电池诊断装置(100)将学习数据中存在的电压波形(720)输入生成器(700)，并生成包括预测电压曲线的伪数据(730)。实际数据(740)及生成器(700)生成的伪数据(730)输入鉴别器(710)，鉴别器(710)确定伪数据(730)是否为实际数据(740)的形式，所述实际数据(740)包括输入生成器(700)中的电压波形(720)的实际电压曲线。生成器(700)基于判断鉴别器(710)的仿造与否的结果重新生成电压波形(720)的预测电压曲线。即，重新生成能够蒙骗鉴别器(710)的预测电压曲线之后，将其输入鉴别器(710)中，鉴别器(710)在反复执行确定伪数据(730)是否相当于实际数据(740)的过程，同时生成器(700)和鉴别器(710)分别进行学习。生成对抗神经网络(GAN)的生成器(700)和鉴别器(710)相互竞争学习的方法为公知技术，因此省略其详细说明。
生成器(700)预测的预测电压曲线应该符合电池的一般电压曲线，而且应该是部分电压波形的电压曲线。例如，将充放电次数为200次以上的劣化较多的电池中测得的部分区间的电压波形(720)输入生成器(700)，而生成器(700)输出的预测电压曲线符合图4的电压曲线的形式，从而可蒙骗鉴别器(即，确定与实际数据(740)的形式相符合)，但是生成器(700)生成的预测电压曲线可以是充放电次数为10次左右劣化几乎没有发生的电池的电压曲线，而非充放电次数为200次以上的劣化较多的电池的电压曲线。这种情况下，无法准确地诊断电池劣化状态。作为解决该问题的方法，本实施例将输入鉴别器(710)的伪数据(730)和实际数据(740)的形态作为电压曲线和电压波形的结合的值而使用。图8中图示了与其相关的示例。
图8是根据本发明实施例的生成对抗神经网络(GAN)中输入鉴别器的数据的示例图。
参照图7和图8，输入鉴别器(710)中的伪数据(730)是生成器(700)预测的电压曲线(以下称之为预测电压曲线)(800)和输入生成器(700)中的电压波形(720)结合(760)的形态。即，伪数据(730)可以以结合(concatenation)预测电压曲线和电压波形的矢量形态表示。
输入鉴别器(710)中的实际数据(740)包括作为生成器(700)的输入而使用的电压波形(720)及该电压波形(720)的实际电压曲线(810)。即，实际数据(740)可以以结合实际电压曲线(810)和电压波形(720)的矢量形态表示。鉴别器(710)学习时，将实际电压曲线(810)和电压波形(720)结合的实际数据(740)标记为1，将预测电压曲线(800)和电压波形(720)结合的伪数据(730)标记为0并使用。实际数据(740)和伪数据(730)的电压波形(720)是同一数据。
鉴别器(710)不仅通过电压曲线而且利用结合有电压波形的伪数据(730)和实际数据(740)进行学习，因此鉴别器(710)可确定伪数据(730)的预测电压曲线(800)的形式是否与如图4的实际数据的电压曲线(810)的形式相符合，而且判断预测电压曲线(800)是否为与电压波形(720)对应的波形。因此，越是反复学习，生成器(700)可输出与如图4所示的实际电压曲线的形式相符合的预测电压曲线，而且可预测与输入的电压波形相符合的电压曲线。
生成对抗神经网络(GAN)的最终目标如数学式2所示。
【数学式2】
【数学式3】
LGAN(G，D)＝E[logD(y)]+E[log(1-D(G(x)))]
y:total voltage profile，x：fractiomal voltage profile
【数学式4】
Lconst(G)＝E[||y-G(x)||1]
LGAN(G，D)可视为典型的GAN的目标函数，Lconst(G)是通过生成器(700)生成的电压曲线(预测电压曲线(800))与实际电压曲线(810)的差值(两个曲线间L1-norm)而定义的。Lconst起到驱使生成器(700)将预测电压曲线(800)复原为与实际电压曲线(810)类似的作用，通过参数γ表示LGAN和Lconst的相对重要度。
更具体地说明如下，所有成本函数由数学式2的G表示，表示为由GAN成本函数LGAN(G、D)与由预测电压曲线(800)和实际目标电压曲线(810)的差值表示的constructionloss，Lconst(G)之和。LGAN(G、D)和Lconst(G)的相对重要度相当于超参数，由数学式2的γ进行调节。此外，数学式2的G、D分别表示生成器(700)和鉴别器(710)的权值(weights)。
数学式3具体表示LGAN(G、D)。数学式3中x表示输入生成器(700)中的任意信息，本实施例中相当于电压波形(720)。因此，G(x)表示生成器(700)生成的预测电压曲线(800)。D(G(x))是指鉴别器(710)接收预测电压曲线(800)并估算出的概率输出值。
Y是指实际电压曲线(810)，D(y)是指鉴别器(710)接收实际电压曲线(810)并估算出的概率输出值。鉴别器(710)的预测性能越是优秀，LGAN(G，D)的值变大，生成器(700)的生成能力越是优秀，LGAN(G，D)的值变小(实际数据标记为1，伪数据标记为0的情况)。
因此，生成器(700)朝向LGAN(G，D)变小的方向进行学习，同时鉴别器(710)朝向LGAN(G，D)变大的方向进行学习，在互相竞争的环境中两个网络进行学习。
数学式4表示construction loss，由通过生成器(710)生成的预测电压曲线(800)与相当于电压波形(720)的实际电压曲线(810)的差值(L1-norm)来表现。生成器(700)对权值(weight)进行最优化，以使construction loss通过学习最小化。
图9是根据本发明实施例的比较生成对抗神经网络(GAN)的生成器性能的实验例的示图。
参照图9，对于通过图7的生成对抗神经网络(GAN)学习结束的生成器(700)而言，利用部分区间的电压波形生成预测电压曲线。观察曲线图可知，生成器(700)的预测电压曲线与实际电压曲线几乎一致。
图10是根据本发明实施例的电池诊断装置结构的一示例图。
参照图10，电池诊断装置(100)包括学习单元(1000)、曲线预测模型(1010)、状态预测模型(1020)、曲线生成单元(1030)及预测单元(1040)。作为一实施例，电池诊断装置(100)可使用学习结束的曲线预测模型(1010)和状态预测模型(1020)，这种情况下，可省去学习单元(1000)。作为另一实施例，电池诊断装置(100)可实现为包括存储器、处理器及输入输出装置的计算机装置，这种情况下，各个构件可以以软件方式实现并装载到存储器之后并由处理器驱动。
学习单元(1000)是利用预定义的学习数据训练曲线预测模型(1010)和状态预测模型(1020)而生成的。例如，学习单元(1000)可以是通过训练由迁移学习网络构成的曲线预测模型(1010)生成的。作为另一示例，学习单元(1000)是通过对图7的生成对抗神经网络(GAN)进行训练后，可将GAN中学习结束的生成器作为本实施例的曲线预测模型(1010)并提供，该生成对抗神经网络(GAN)包括用于生成电压曲线的生成器。
曲线生成单元(1030)利用学习结束的曲线预测模型(1010)并基于部分区间的电压波形生成电压曲线。图2图示了利用曲线预测模型(1010)并基于电压波形生成电压曲线的例子。
预测单元(1040)利用学习结束的状态预测模型(1020)并基于电压曲线预测并输出电池的劣化状态。预测单元(1040)接收曲线生成单元(1030)通过曲线预测模型(1010)生成的电压曲线并预测电池劣化状态。即，电池诊断装置(100)仅仅利用电池诊断装置的一定区间的电压波形便可准确地预测电池劣化状态。
本发明的各实施例在计算机可读记录介质中可实现为计算机可读程序代码。计算机可读记录介质包括用于储存由计算机***可读的数据的任何种类的记录装置。这种计算机可读记录介质的例子包括ROM、RAM、CD-ROM、SSD、光学数据存储装置等。另外，计算机可读记录介质可以分散于网络连接计算机***中，以分散的方式储存并执行计算机可读代码。
以上以优选实施例为主对本发明进行了说明。本发明所属技术领域的普通技术人员应当理解，在不脱离本发明的本质特征的范围内，本发明可以实施为其他变形形态。因此，公开的实施例应被解释为仅仅是描述性意义，而不是为了限制的目的。本发明的范围由权利要求书而非上述内容定义，并且其等同范围内的所有区别应当被解释为包含在本发明中。

Claims (6)

1.一种电池诊断方法，其特征在于，包括以下步骤：
利用曲线预测模型，基于电池的充电或者放电时的部分电压波形生成预定义区间的电压曲线；以及
利用状态预测模型，基于所述电压曲线预测电池的劣化状态，
所述曲线预测模型为经训练的人工智能模型，设置为基于部分的电压波形预测预定义区间的电压曲线，
所述状态预测模型为经训练的状态预测模型，其基于电压曲线预测电池的劣化状态。
2.如权利要求1所述的电池诊断方法，其特征在于，
所述曲线预测模型由域转换网络构成，其接收第一域的电压波形并生成第二域的电压曲线。
3.如权利要求1所述的电池诊断方法，其特征在于，
所述曲线预测模型由生成对抗神经网络(GAN)的生成器构成，
所述生成对抗神经网络包括：
所述生成器，其接收学习用电压波形并输出预测电压曲线，所述学习用电压波形由学习用电压曲线的一部分构成；以及
鉴别器，其用于比较并区分伪数据与实际数据，所述伪数据包括所述学习用电压曲线和所述预测电压曲线，所述实际数据包括所述学习用电压曲线和所述学习用电压波形。
4.如权利要求1所述的电池诊断方法，其特征在于，
所述状态预测模型通过指导学习方法生成，以利用学习数据预测电压曲线的电池充电容量，所述学习数据包括电压曲线和电池充电容量。
5.一种电池诊断装置，其特征在于，包括：
曲线生成单元，其利用生成对抗神经网络(GAN)的生成器，基于电池的充电或者放电时的部分电压波形生成电压曲线，所述生成器被训练为生成预定义区间的电压曲线；以及
预测单元，其利用状态预测模型基于所述电压曲线预测电池劣化状态，所述状态预测模型被训练为用于预测电池状态。
6.一种计算机可读记录介质，其记录有用于执行权利要求1所述的方法的计算机程序。
CN202280061896.7A 2021-11-30 2022-05-10 电池诊断方法及其装置 Pending CN118119856A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2021-0168032 2021-11-30
KR1020210168032A KR102395182B1 (ko) 2021-11-30 2021-11-30 배터리 진단 방법 및 그 장치
PCT/KR2022/006616 WO2023101113A1 (ko) 2021-11-30 2022-05-10 배터리 진단 방법 및 그 장치

Publications (1)

Publication Number Publication Date
CN118119856A true CN118119856A (zh) 2024-05-31

Family

ID=81591515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280061896.7A Pending CN118119856A (zh) 2021-11-30 2022-05-10 电池诊断方法及其装置

Country Status (4)

Country Link
US (1) US20240210482A1 (zh)
KR (1) KR102395182B1 (zh)
CN (1) CN118119856A (zh)
WO (1) WO2023101113A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101487495B1 (ko) * 2012-06-13 2015-01-29 주식회사 엘지화학 혼합 양극재를 포함하는 이차 전지의 충전 상태 추정 장치 및 방법
KR102177723B1 (ko) * 2013-10-31 2020-11-11 현대모비스 주식회사 차량용 배터리의 가용 용량 연산 방법 및 컴퓨터 판독 가능한 기록 매체
KR102343967B1 (ko) * 2014-12-04 2021-12-28 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
JP6761638B2 (ja) * 2015-02-04 2020-09-30 株式会社半導体エネルギー研究所 二次電池
KR102354112B1 (ko) * 2019-03-26 2022-01-24 서강대학교산학협력단 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
KR20210041511A (ko) * 2019-10-07 2021-04-15 삼성에스디아이 주식회사 배터리의 건강 상태를 추정하는 방법 및 장치

Also Published As

Publication number Publication date
KR102395182B1 (ko) 2022-05-10
WO2023101113A1 (ko) 2023-06-08
US20240210482A1 (en) 2024-06-27
KR102395182B9 (ko) 2022-09-06

Similar Documents

Publication Publication Date Title
Dong et al. Battery health prognosis using Brownian motion modeling and particle filtering
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
Liu et al. A hierarchical and flexible data-driven method for online state-of-health estimation of Li-ion battery
KR102633335B1 (ko) 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법
CN111954823A (zh) 蓄电池诊断装置及蓄电池诊断方法以及蓄电池控制***
KR20180115124A (ko) 노이즈를 반영한 배터리 잔존 용량 산출 장치 및 방법
CN111680848A (zh) 基于预测模型融合的电池寿命预测方法及存储介质
CN110412470B (zh) 电动汽车动力电池soc估计方法
EP2188642A2 (en) System and method for estimating long term characteristics of battery
KR102297343B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법
US20220206078A1 (en) Method for estimating aging state of battery and apparatus for performing method therefor
JP2006220616A (ja) 車両用蓄電装置の内部状態検出方式
KR102246633B1 (ko) 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법
Bockrath et al. State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries
JP4587299B2 (ja) 車両用蓄電装置の内部状態検出方式
US11714134B2 (en) Device and method for predicting state of battery
KR20240063928A (ko) 배터리 시스템 건전성 상태 모니터링 시스템
KR20200056716A (ko) 배터리 soh 산출 시스템 및 방법
Bak et al. Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index
CN114879070A (zh) 一种电池状态评估方法及相关设备
Savargaonkar et al. A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells
Xue et al. Battery degradation modelling and prediction with combination of machine learning and semi-empirical methods
EP3832331A1 (en) Cell state estimation device and cell control device
Chaoui et al. State-of-charge and state-of-health prediction of lead-acid batteries with genetic algorithms
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination