CN1890574A - 使用神经网络评估电池的充电状态的设备和方法 - Google Patents
使用神经网络评估电池的充电状态的设备和方法 Download PDFInfo
- Publication number
- CN1890574A CN1890574A CNA2004800360213A CN200480036021A CN1890574A CN 1890574 A CN1890574 A CN 1890574A CN A2004800360213 A CNA2004800360213 A CN A2004800360213A CN 200480036021 A CN200480036021 A CN 200480036021A CN 1890574 A CN1890574 A CN 1890574A
- Authority
- CN
- China
- Prior art keywords
- neural network
- battery
- learning algorithm
- algorithm
- soc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002847 impedance measurement Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 241000156302 Porcine hemagglutinating encephalomyelitis virus Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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]
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/46—Control modes by self learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/48—Control modes by fuzzy logic
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2200/00—Safety devices for primary or secondary batteries
- H01M2200/10—Temperature sensitive devices
-
- 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)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
公开了一种使用神经网络评估表现出非线性特征的电池的充电状态的设备和方法。该设备包括:用于从电池单元检测电流、电压和温度的检测部分;神经网络,基于从该检测部分发送的电流、电压和温度以及当前时间数据执行神经网络算法和学习算法,从而输出通过最终学习算法评估的该电池的SOC;比较器,其用于将该神经网络的输出值与预定目标值对比,并且如果该神经网络的输出值和预定目标值之间的差值在预定极限之外,使得该神经网络迭代地执行该学习算法,从而更新该学习算法以产生最终学习算法。该电池的充电状态可通过该神经网络算法进行精确地评估。
Description
技术领域
本发明大体涉及一种用于评估电池的充电状态(SOC)的设备和方法,更具体地涉及一种通过使用神经网络评估表现出非线性特性的电池的充电状态(SOC)的设备和方法。
背景技术
一般而言,电池的充电状态(SOC)表现出非线性的特征,所以难以精确检测电池的SOC。从而,电池的SOC值不是检测的而是估计的。特别地,用于具有高C-rates的混合电动车辆(HEVs)或电动车辆(EVs)的电池的SOC可能表现出较强的非线性特征,所以几乎不可能精确地检测这些电池的SOC。
传统地,Ah-计算(安培小时计算)方案,OCV(开路电压)测量方案,或电池阻抗测量方案,已经被用于评估该电池的SOC。
首先,Ah-计算方案通过检测该电池的实际容量评估电池的SOC。在此情况下,该电池的SOC评估值可能取决于用于检测电池的实际容量的传感器的状态。因此,电池的SOC的评估值可以依据传感器的精确度和误差度而变化。
OCV测量方案基于电池的开路电压评估电池的SOC。然而在此情况下,电池的SOC只能在电池的休眠状态下进行评估。此外,OCV测量方案受到外部环境的影响,例如外部温度。
电池阻抗测量方案基于电池的阻抗值评估电池的SOC。然而,电池阻抗测量方案显著受到外部温度的影响,这样对于电池的SOC的评估值的可靠性可能被降低。
因此,有必要提供一种用于精确评估电池的SOC的方法,同时最小化其评估误差而与外部温度无关。
发明内容
本发明致力于一种用于评估电池的SOC的设备和方法,其基本消除了由于现有技术的限制和缺点造成的一个或更多问题。本发明的目的是提供一种使用神经网络精确评估电池的SOC的设备和方法。
本发明的另一个目的是提供一种通过使用在包括各种温度和C-rates的各种环境下的数据最小值,能够动态评估电池的SOC的设备和方法。
为了实现根据本发明的这些目标和其他优点,如这里具体地和广泛地描述,提供一种用于评估电池的充电状态(SOC)的设备,该设备包括:用于从电池单元检测电流、电压和温度的检测部分;神经网络,基于从检测部分发送到那里的电流、电压和温度数据以及当前时间数据执行神经网络算法和学习算法,从而输出通过最终学习算法评估的电池的SOC;以及比较器,用于将神经网络的输出值与预定目标值相比较,并且如果神经网络的输出值和预定目标值之间的差值在预定可允许极限之外,使得神经网络迭代地执行该学习方法,并更新学习算法以形成最终的学习算法。
根据本发明的优选实施例,预定目标值可以为电池的“真实”SOC。然而,难以精确地计算该预定目标值,所以通过在特定条件下进行实验获得的参考值被用作目标值。例如,基于分别地或彼此算术补偿地从电池的额定容量或电池的开路电压减去充电器/放电器的安培-小时数据的值,获得参考值。
尽管与动态多维小波神经网络算法形式的神经网络相关地描述了本发明,本发明也可以使用动态小波神经网络算法或静态小波神经网络算法。此外,尽管与反向传播学习算法相关地描述了本发明,本发明也可以使用Kalman滤波器方案、GA或模糊学习算法。
为了实现本发明的以上目标,根据本发明的另一个方面,提供一种通过使用神经网络评估电池的充电状态(SOC)的方法,该方法包括以下步骤:(a)基于从电池检测的电流、电压和温度数据和当前时间数据执行学习算法;以及(b)输出通过通过执行学习方法产生的最终学习算法评估的电池的SOC。
根据本发明的优选实施例,步骤(a)包括这些子步:检测电池的电流、电压和温度;通过使用作为学习数据的从电池检测的电流值、电压和温度的数据以及当前时间数据,执行神经网络算法;检查在通过神经网络算法输出的输出值和预定目标值之间的差值是否在预定可允许极限内;以及如果该差值在预定可允许的极限之外,迭代地执行学习算法,从而更新该学习算法以产生最终学习算法。
根据本发明的优选实施例,步骤(b)包括以下子步:检测从电池的电流、电压和温度;以及,基于从电池检测的电流、电压和温度的数据以及当前时间数据通过步骤(a)获得的最终学习算法,通过由该最终学习算法评估该电池的SOC,输出电池的SOC。
本发明的另外的优点、目标和特征将在之后的描述的部分中阐明,并且部分对于那些本领域普通技术人员,基于后面的审查将会变得明显,或可通过实践本发明学会。可以通过其说明书和权利要求书以及附图中具体指出的结构实现和获得得本发明的目标和其他优点。
附图说明
图1是示意性地说明根据本发明的优选实施例用于评估电池的SOC的设备的框图;
图2是显示用于本发明的动态多维小波神经网络的结构的视图;
图3是顺序描述根据本发明的优选实施例使用神经网络的学习步骤的流程图;
图4是顺序描述使用通过从图3所示学习步骤获得的最终评估算法输出电池的SOC的步骤的流程图。
具体实施方式
现在将详细参考本发明的优选实施例,其例子在附图中进行描述。可能的任何地方,在所有附图中使用相同的参考标号表示相同或类似的部件。
以下,将参考附图详细地解释本发明的优选实施例。
图1为示意性地描述根据本发明的优选实施例用于评估电池的SOC的设备100的框图。
参考图1,用于使用神经网络评估电池的SOC的设备100包括:用于检测电池单元10的电流(i)的电流检测单元12;用于检测电池单元10的电压(V)的电压检测单元14;用于检测电池单元10的温度(T)的温度检测单元16;神经网络20,其用于通过使用学习数据执行神经网络算法和学习算法,所述学习数据包括由上述检测单元12、14、16检测的电流(i)、电压(V)、温度(T)以及时间(K),并用于基于由完成神经网络算法和学习算法产生的最终学习算法公式,输出评估的SOC;用于将充电/放电电流提供给电池单元10的充电器/放电器30;以及比较器40,其将从神经网络20输出的电池的输出SOC(go)与目标SOC(gT)比较,检查在输出SOC(go)和目标SOC(gT)之间的差值是否在预定可允许的极限内,以及如果该差值在预定可允许的极限之外,使得神经网络20迭代地执行学习算法,从而更新该学习算法来产生最终学习算法。
优选地,通过在特殊条件下进行实验获得目标SOC(gT)。例如,通过从电池的额定容量(gN)减去充电器/放电器30的Ah(安培-小时)数据(gr)得到该目标SOC(gT),也就是,(gT)=(gN)-(gr)。这是因为,如果误差在可接受的极限内,可以通过从电池的额定容量中减去对应于在电池中已经使用的容量的Ah数据可以获得理想目标SOC。可选择地,基于电池的开路电压值获得目标SOC(gT)。优选地,彼此算术地补偿Ah-计算方案的值和OCV测量方案的值。
图2为显示用于本发明的神经网络的结构的视图。
根据本发明的优选实施例,该神经网络包括动态多维小波神经网络。
参考图2,动态多维小波神经网络包括输入区域、隐蔽层和输出层。
为了将电池SOC评估算法应用于该动态多维小波神经网络,可以基于小波理论分析任意函数f(x)∈L2(R)如下。
等式1
这里,an为基础函数(·)的系数,用于分析任意函数f(x)。此外,2m和n分别为基础函数(·)的扩张和平移参数。
此外,任意函数f(x)的接近函数g(x)由等式2表示。
等式2
等式2可以被如下应用于图2中显示的动态多维小波神经网络:
在图2中,xd(k)为输入到动态多维小波神经网络的输入数据向量。根据本实施例,xd(k)为包括在时间(k)的预定周期期间输入到动态多维小波神经网络中的电流、电压和温度组成的输入数据的向量。也就是说,xd(k)=(i,v,T,k)。此外,go(xd(k))是基于输入数据通过动态多维小波神经网络估计的输出值。该go(xd(k))如等式3表示。
等式3
这里,Wn D和Wno o为代表联结权重的系数,其在每个时间(k)基于反向传播(BP)学习算法更新,这样任意函数可以用非线性函数来近似地识别。
如果在由动态多维小波神经网络的比较器40检测到的输出值go和目标值gT之间差值不在预定可允许的极限(例如3%)内,则通过神经网络20迭代地进行后面的反向传播学习算法。
在解释反向传播(BP)学习算法之前,注意误差函数如等式4定义。
等式4
这里,gT(k)为理想输出值,也就是目标值,和go(k)为神经网络20的实际输出值。当以gT(k)-go(k)=e(k)代入等式4,获得如等式5中表示的误差梯度。
等式5
同样,获得如等式6所示的误差梯度Wn D和Wno o。
等式6
因此,对于联结权重的最终更新如下实现:
等式7
这里,η为学习速度。
这样,该神经网络20将基于Wn D、Wno o和Xn(k)的更新值重新产生的新输出值go迭代地发送到比较器40,同时迭代地执行反向传播学习算法。此外,迭代地执行这样的过程直到确定该输出值go和该目标值gT之间的差预定可允许的极限内。
当确定输出值go和目标值gT之间的差限制在预定可允许极限内时,通过使用神经网络完成学习算法,以及通过使用通过该学习算法获得的最终评估算法公式(即等式3),输出评估的SOC。
在下文中,将参考图3和图4描述用于评估电池的SOC的方法。
根据本发明的用于评估电池的SOC的方法包括:使用神经网络的学习步骤,也就是,通过执行神经网络算法和学习算法获得最终评估算法的步骤;和用于通过使用最终评估算法输出电池的SOC的SOC输出步骤。
图3为顺序地描述根据本发明的优选实施例的使用神经网络的学习步骤的流程图。
参考图3,从电池单元10检测该电流(i)、电压(V)和温度(T)(步骤10)。然后,通过使用检测到的电流(i)、电压(V)、温度(T)和其时间数据(k)作为输入数据向量,即,xd(k)=(i,v,T,k),进行动态多维小波神经网络算法。结果,可以获得输出值go(步骤12)。
在这之后,将该输出值go与目标值gT进行比较,并检查输出值go与目标值gT之间的差值是否在3%的预定误差极限内(步骤14)。虽然在本实施例中预定的可允许误差极限设为3%,如果需要,可以改变预定的可允许误差极限。随着可允许误差极限减小,该电池的SOC可以被精确地评估。相反的,随着可允许误差极限增大,该电池的SOC可以被不准确地评估。
如果在步骤14中确定该差值超出预定可允许误差极限,可执行反向传播学习算法,从而获得更新的输出值go(步骤16)。然后,程序回到步骤14。
同时,如果在步骤14中确定该差值等于或小于预定可允许误差极限,神经网络学习算法完成(步骤18)。结果,通过学习算法获得最终评估算法公式(即等式3)。
图4为描述使用通过图3所示的该学习算法获得的最终评估算法输出电池的SOC的过程。
参考图4,从电池单元10检测电流(i)、电压(V)和温度(T)(步骤20)。然后,通过使用通过图3所示的学习算法获得的最终评估算法输出该电池的SOC,同时使用检测的电流(i)、电压(V)和温度(T)以及其时间数据(k)作为输入数据向量,即,xd(k)=(i,v,T,k)(步骤22)。
虽然已经与动态多维小波神经网络的形式的神经网络有关地描述了本发明,但本发明并不排他性地局限于此。也就是,本发明可应用前馈神经网络,循环神经网络和小波神经网络等。
此外,虽然本发明采用了反向传播学习算法作为学习算法,本发明不是排他性地局限于此。例如,本发明可以采用传统Kalman滤波器方案、GA(遗传算法)以及模糊学习算法。
如上所述,本发明可以通过神经网络算法和学习算法动态评估电池的SOC。特别地,电池的SOC甚至可以在多种外部环境下精确地评估,包括多种温度和C-rates。本发明可有效用于必须精确评估电池的SOC的混合电气车辆领域。
前述的实施例只是示例性的而不解释为限制本发明。现有的技术教导可以被容易地应用到其他类型的设备。本发明的描述意图为描述性的,而不是限制权利要求书的范围。很多替换、改变和变化对于本领域技术人员是明显的。
Claims (14)
1.一种用于评估电池的充电状态(SOC)的设备,该设备包括:
用于从电池单元检测电流、电压和温度的检测部分;
神经网络,其基于从检测部分发送过来的电流、电压和温度的数据以及当前时间数据,执行神经网络算法和学习算法,从而输出通过最终学习算法评估的电池的SOC;和
比较器,用于将神经网络的输出值与预定目标值相比,并且如果该神经网络的输出值和预定目标值之间的差值在预定极限之外,使神经网络迭代地执行学习算法,并更新该学习算法以产生最终学习算法。
2.根据权利要求1所述的设备,其中预定目标值为通过在特殊条件下进行实验获得的参考值。
3.根据权利要求2所述的设备,其中,基于从该电池的额定容量中减去充电器/放电器的安培-小时数据所得的值,或者基于该电池的开路电压值,彼此分别地或者算术地补偿,获得参考值。
4.根据权利要求1所述的设备,其中神经网络包括动态小波神经网络算法或静态小波神经网络算法。
5.根据权利要求4所述的设备,其中该神经网络包括动态多维小波神经网络算法。
6.根据权利要求1所述的设备,其中该学习算法包括反向传播学习算法、Kalman滤波器方案、GA或模糊学习算法。
7.一种使用神经网络评估电池的充电状态(SOC)的方法,该方法包括以下步骤:
(a)基于从电池检测的电流、电压、温度数据以及当前时间数据,执行学习算法;以及
(b)输出通过执行学习算法产生的最终学习算法评估的电池的SOC。
8.根据权利要求7所述的方法,其中步骤(a)包括子步如下:从电池检测电流、电压和温度,通过使用从电池检测到的电流、电压、温度的数据以及当前时间数据作为学习数据,执行神经网络算法,检查通过神经网络算法输出的输出值和预定目标值之间的差值是否在预定极限内,并且如果该差值在预定极限之外,迭代地执行学习算法,从而更新该学习算法以产生最终学习算法。
9.根据权利要求8所述的方法,其中该预定目标值是通过在特殊条件下执行实验获得的参考值。
10.根据权利要求9所述的方法,其中基于从该电池的额定容量中减去充电器/放电器的安培-小时数据所得的值,或者基于该电池的开路电压值,彼此分别地或算术地补偿,获得参考值。
11.根据权利要求7所述的方法,其中步骤(b)包括如下子步骤:从电池检测电流、电压和温度,并通过用最终学习算法评估电池的SOC,输出电池的SOC,其中所述最终学习算法是基于从电池检测到的电流、电压和温度的数据以及当前时间数据通过步骤(a)获得的。
12.根据权利要求7所述的方法,其中神经网络包括动态小波神经网络算法或静态小波神经网络算法。
13.根据权利要求12所述的方法,其中该小波神经网络包括动态多维小波神经网络算法。
14.根据权利要求7所述的方法,其中该学习算法包括反向传播学习算法,Kalman滤波器方案,GA或者模糊学习算法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20030092880 | 2003-12-18 | ||
KR1020030092880 | 2003-12-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1890574A true CN1890574A (zh) | 2007-01-03 |
CN100570388C CN100570388C (zh) | 2009-12-16 |
Family
ID=36809350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004800360213A Active CN100570388C (zh) | 2003-12-18 | 2004-12-17 | 使用神经网络评估电池的充电状态的设备和方法 |
Country Status (11)
Country | Link |
---|---|
US (1) | US7583059B2 (zh) |
EP (1) | EP1702219B1 (zh) |
JP (1) | JP4331210B2 (zh) |
KR (1) | KR100651573B1 (zh) |
CN (1) | CN100570388C (zh) |
AT (1) | ATE556327T1 (zh) |
BR (1) | BRPI0416424B8 (zh) |
CA (1) | CA2550072C (zh) |
RU (1) | RU2328753C2 (zh) |
TW (1) | TWI260808B (zh) |
WO (1) | WO2005059579A1 (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008128426A1 (fr) * | 2007-04-20 | 2008-10-30 | Hangzhou Gold Electronic Equipment Co., Ltd | Procédé de diagnostic expert pour analyser les performances d'une cellule d'accumulateur |
WO2008128427A1 (fr) * | 2007-04-20 | 2008-10-30 | Hangzhou Gold Electronic Equipment Co., Ltd | Procédé pour analyser les performances d'une batterie d'accumulateurs au plomb-acide de type commande de soupape |
CN101359036B (zh) * | 2007-07-31 | 2010-11-17 | 比亚迪股份有限公司 | 电池荷电状态的测定方法 |
CN102364353A (zh) * | 2011-11-14 | 2012-02-29 | 北京理工大学 | 一种基于热效应的二次电池一致性评估方法 |
CN101803104B (zh) * | 2007-09-13 | 2013-01-09 | 株式会社Lg化学 | 用于估计电池的长期特性的***和方法 |
CN103018673A (zh) * | 2012-11-19 | 2013-04-03 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
US8463562B2 (en) | 2007-02-08 | 2013-06-11 | Panasonic Ev Energy Co., Ltd. | Device and method for detecting abnormality of electric storage device |
CN103176139A (zh) * | 2013-03-08 | 2013-06-26 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及*** |
CN103635822A (zh) * | 2011-08-30 | 2014-03-12 | 三洋电机株式会社 | 电池***、电动车辆、移动体、电力储存装置以及电源装置 |
CN104375091A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 电动汽车动力蓄电池组监测方法 |
CN104569838A (zh) * | 2014-12-23 | 2015-04-29 | 深圳市科陆电子科技股份有限公司 | 基于远程监控的集装箱储能设备核心部件的评价方法 |
CN105021991A (zh) * | 2014-04-22 | 2015-11-04 | 现代摩比斯株式会社 | 车辆用电池传感器及利用所述传感器的季节判断方法 |
CN105911476A (zh) * | 2016-04-13 | 2016-08-31 | 华北电力大学 | 一种基于数据挖掘的电池储能***soc预测方法 |
CN106324517A (zh) * | 2016-08-29 | 2017-01-11 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池性能预测方法 |
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN108414937A (zh) * | 2017-12-08 | 2018-08-17 | 国网北京市电力公司 | 充电电池荷电状态确定方法及装置 |
CN109031147A (zh) * | 2018-08-21 | 2018-12-18 | 湖南兴业绿色电力科技有限公司 | 一种磷酸铁锂电池组的soc估算方法 |
CN109633450A (zh) * | 2018-11-23 | 2019-04-16 | 成都云材智慧数据科技有限公司 | 一种基于神经网络的锂电池充电检测*** |
CN110007235A (zh) * | 2019-03-24 | 2019-07-12 | 天津大学青岛海洋技术研究院 | 一种电动汽车蓄电池soc在线预测方法 |
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
CN110673039A (zh) * | 2019-11-11 | 2020-01-10 | 安徽优旦科技有限公司 | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 |
CN111751729A (zh) * | 2019-03-27 | 2020-10-09 | 大众汽车有限公司 | 用于确定车辆的可反复充电电池的状态的方法 |
CN112020656A (zh) * | 2018-04-27 | 2020-12-01 | 株式会社半导体能源研究所 | 蓄电装置的充电状态推测的方法以及蓄电装置的充电状态推测*** |
CN113258154A (zh) * | 2021-07-16 | 2021-08-13 | 苏州浪潮智能科技有限公司 | 一种电池充电方法、装置、设备及介质 |
CN113316752A (zh) * | 2019-01-24 | 2021-08-27 | 索尼半导体解决方案公司 | 电压控制装置 |
CN113552490A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
CN117289141A (zh) * | 2023-11-22 | 2023-12-26 | 深圳市麦迪瑞科技有限公司 | 基于人工智能的电动自行车充电状态监测方法 |
US11870042B2 (en) | 2017-09-06 | 2024-01-09 | Semiconductor Energy Laboratory Co., Ltd. | Power storage system, vehicle, electronic device, and semiconductor device |
Families Citing this family (111)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321220B2 (en) * | 2003-11-20 | 2008-01-22 | Lg Chem, Ltd. | Method for calculating power capability of battery packs using advanced cell model predictive techniques |
US8103485B2 (en) * | 2004-11-11 | 2012-01-24 | Lg Chem, Ltd. | State and parameter estimation for an electrochemical cell |
US7554296B2 (en) * | 2005-02-14 | 2009-06-30 | Denso Corporation | Method and apparatus for detecting charged state of secondary battery based on neural network calculation |
KR100842678B1 (ko) * | 2005-03-17 | 2008-06-30 | 주식회사 엘지화학 | 동적 패턴에 대한 배터리 잔존량 추정법의 비교 참조값구성 방법 |
JP4623448B2 (ja) * | 2005-04-20 | 2011-02-02 | 株式会社デンソー | 二次電池の残存容量演算方法 |
KR100793616B1 (ko) * | 2005-06-13 | 2008-01-10 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
US7723957B2 (en) * | 2005-11-30 | 2010-05-25 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery parameter vector |
FR2897161B1 (fr) * | 2006-02-09 | 2008-07-11 | Peugeot Citroen Automobiles Sa | Systeme de recalage de l'information d'etat de charge d'une batterie de vehicule automobile |
KR100901252B1 (ko) * | 2006-08-02 | 2009-06-08 | 주식회사 엘지화학 | 슬라이딩 모드 관측기를 이용한 2차 전지 soc 예측방법 및 장치 |
CN101535827A (zh) * | 2006-10-30 | 2009-09-16 | 皇家飞利浦电子股份有限公司 | 用于在电池非平衡时确定电池的荷电状态的设备和方法 |
GB2444511B (en) * | 2006-12-06 | 2008-10-22 | Iti Scotland Ltd | Battery Management System |
JP2008232758A (ja) * | 2007-03-19 | 2008-10-02 | Nippon Soken Inc | 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置 |
KR100911316B1 (ko) * | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
US8628872B2 (en) * | 2008-01-18 | 2014-01-14 | Lg Chem, Ltd. | Battery cell assembly and method for assembling the battery cell assembly |
US7994755B2 (en) * | 2008-01-30 | 2011-08-09 | Lg Chem, Ltd. | System, method, and article of manufacture for determining an estimated battery cell module state |
US9759495B2 (en) * | 2008-06-30 | 2017-09-12 | Lg Chem, Ltd. | Battery cell assembly having heat exchanger with serpentine flow path |
US8486552B2 (en) * | 2008-06-30 | 2013-07-16 | Lg Chem, Ltd. | Battery module having cooling manifold with ported screws and method for cooling the battery module |
US8426050B2 (en) | 2008-06-30 | 2013-04-23 | Lg Chem, Ltd. | Battery module having cooling manifold and method for cooling battery module |
US8067111B2 (en) * | 2008-06-30 | 2011-11-29 | Lg Chem, Ltd. | Battery module having battery cell assembly with heat exchanger |
US9140501B2 (en) * | 2008-06-30 | 2015-09-22 | Lg Chem, Ltd. | Battery module having a rubber cooling manifold |
US7883793B2 (en) * | 2008-06-30 | 2011-02-08 | Lg Chem, Ltd. | Battery module having battery cell assemblies with alignment-coupling features |
US8202645B2 (en) | 2008-10-06 | 2012-06-19 | Lg Chem, Ltd. | Battery cell assembly and method for assembling the battery cell assembly |
FR2942087B1 (fr) | 2009-02-12 | 2011-02-18 | Peugeot Citroen Automobiles Sa | Dispositif et procede de gestion du niveau de charge electrique lors de la mise en charge d'une source de stockage electrochimique embarquee dans un vehicule |
US9337456B2 (en) | 2009-04-20 | 2016-05-10 | Lg Chem, Ltd. | Frame member, frame assembly and battery cell assembly made therefrom and methods of making the same |
US8403030B2 (en) * | 2009-04-30 | 2013-03-26 | Lg Chem, Ltd. | Cooling manifold |
US8663828B2 (en) | 2009-04-30 | 2014-03-04 | Lg Chem, Ltd. | Battery systems, battery module, and method for cooling the battery module |
US8663829B2 (en) | 2009-04-30 | 2014-03-04 | Lg Chem, Ltd. | Battery systems, battery modules, and method for cooling a battery module |
US8852778B2 (en) | 2009-04-30 | 2014-10-07 | Lg Chem, Ltd. | Battery systems, battery modules, and method for cooling a battery module |
GB2482265B (en) * | 2009-05-11 | 2016-01-06 | Mahindra Reva Electric Vehicles Pvt Ltd | Estimating performance delivered by an energy storage system |
US8399118B2 (en) * | 2009-07-29 | 2013-03-19 | Lg Chem, Ltd. | Battery module and method for cooling the battery module |
US8703318B2 (en) * | 2009-07-29 | 2014-04-22 | Lg Chem, Ltd. | Battery module and method for cooling the battery module |
GB2484248B (en) * | 2009-08-21 | 2016-09-21 | Reva Electric Car Company (Pvt) Ltd | Determination and usage of reserve energy in stored energy systems |
US8399119B2 (en) * | 2009-08-28 | 2013-03-19 | Lg Chem, Ltd. | Battery module and method for cooling the battery module |
JP5691592B2 (ja) | 2010-02-18 | 2015-04-01 | 日産自動車株式会社 | 電池状態推定装置 |
RU2491566C1 (ru) * | 2010-02-18 | 2013-08-27 | Ниссан Мотор Ко., Лтд. | Устройство оценки состояния батареи и способ оценки состояния батареи |
US9678164B2 (en) | 2010-03-23 | 2017-06-13 | Furukawa Electric Co., Ltd. | Battery internal state estimating apparatus and battery internal state estimating method |
US8319479B2 (en) * | 2010-03-23 | 2012-11-27 | Ememory Technology Inc. | Method of estimating battery recharge time and related device |
US20110234167A1 (en) * | 2010-03-24 | 2011-09-29 | Chin-Hsing Kao | Method of Predicting Remaining Capacity and Run-time of a Battery Device |
US8341449B2 (en) | 2010-04-16 | 2012-12-25 | Lg Chem, Ltd. | Battery management system and method for transferring data within the battery management system |
US9147916B2 (en) | 2010-04-17 | 2015-09-29 | Lg Chem, Ltd. | Battery cell assemblies |
CN102859381A (zh) * | 2010-04-22 | 2013-01-02 | 埃纳德尔公司 | 电池充电状态的监视 |
TWI395965B (zh) * | 2010-06-04 | 2013-05-11 | Nat Univ Chin Yi Technology | 燃料電池故障預測系統及其建立方法 |
US8469404B2 (en) | 2010-08-23 | 2013-06-25 | Lg Chem, Ltd. | Connecting assembly |
US8353315B2 (en) | 2010-08-23 | 2013-01-15 | Lg Chem, Ltd. | End cap |
US8758922B2 (en) | 2010-08-23 | 2014-06-24 | Lg Chem, Ltd. | Battery system and manifold assembly with two manifold members removably coupled together |
US8920956B2 (en) | 2010-08-23 | 2014-12-30 | Lg Chem, Ltd. | Battery system and manifold assembly having a manifold member and a connecting fitting |
US9005799B2 (en) | 2010-08-25 | 2015-04-14 | Lg Chem, Ltd. | Battery module and methods for bonding cell terminals of battery cells together |
US8662153B2 (en) | 2010-10-04 | 2014-03-04 | Lg Chem, Ltd. | Battery cell assembly, heat exchanger, and method for manufacturing the heat exchanger |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
JP5695464B2 (ja) * | 2011-03-28 | 2015-04-08 | 株式会社東芝 | 充放電判定装置及び充放電判定プログラム |
US8288031B1 (en) | 2011-03-28 | 2012-10-16 | Lg Chem, Ltd. | Battery disconnect unit and method of assembling the battery disconnect unit |
CN102226834B (zh) * | 2011-03-31 | 2013-02-20 | 杭州高特电子设备有限公司 | 基于模糊分类技术的蓄电池容量判断方法 |
US8449998B2 (en) | 2011-04-25 | 2013-05-28 | Lg Chem, Ltd. | Battery system and method for increasing an operational life of a battery cell |
US9178192B2 (en) | 2011-05-13 | 2015-11-03 | Lg Chem, Ltd. | Battery module and method for manufacturing the battery module |
KR20120134415A (ko) * | 2011-06-02 | 2012-12-12 | 에스케이이노베이션 주식회사 | Ess의 배터리 수명 예측 시스템 및 그 방법 |
US8974928B2 (en) | 2011-06-30 | 2015-03-10 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8974929B2 (en) | 2011-06-30 | 2015-03-10 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8859119B2 (en) | 2011-06-30 | 2014-10-14 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US8993136B2 (en) | 2011-06-30 | 2015-03-31 | Lg Chem, Ltd. | Heating system for a battery module and method of heating the battery module |
US9496544B2 (en) | 2011-07-28 | 2016-11-15 | Lg Chem. Ltd. | Battery modules having interconnect members with vibration dampening portions |
US9316699B2 (en) | 2012-04-05 | 2016-04-19 | Samsung Sdi Co., Ltd. | System for predicting lifetime of battery |
TWI460453B (zh) * | 2012-09-28 | 2014-11-11 | Metal Ind Res & Dev Ct | 以兩個相互垂直的分量相加合成的電池殘電量估測系統及其估測方法 |
KR101547006B1 (ko) * | 2012-10-26 | 2015-08-24 | 주식회사 엘지화학 | 배터리 잔존 용량 추정 장치 및 방법 |
US8981857B2 (en) | 2012-11-15 | 2015-03-17 | Freescale Semiconductor, Inc. | Temperature dependent timer circuit |
AT512003A3 (de) * | 2013-01-23 | 2014-05-15 | Avl List Gmbh | Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC |
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 |
US20140278169A1 (en) * | 2013-03-12 | 2014-09-18 | Samsung Sdi Co., Ltd. | Apparatus for predicting state of health of battery pack by using discrete wavelet transform |
TWI491801B (zh) * | 2013-03-18 | 2015-07-11 | Nat Univ Chin Yi Technology | 風力發電故障預測系統及其方法 |
FR3010532B1 (fr) * | 2013-09-11 | 2017-06-09 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de charge d'une batterie |
US10950421B2 (en) * | 2014-04-21 | 2021-03-16 | Lam Research Corporation | Using modeling for identifying a location of a fault in an RF transmission system for a plasma system |
KR102241683B1 (ko) * | 2014-07-30 | 2021-04-19 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
CN104849671B (zh) * | 2015-05-22 | 2017-07-11 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测*** |
KR102527334B1 (ko) | 2015-11-24 | 2023-05-02 | 삼성전자주식회사 | 배터리 관리 장치 및 방법 |
CN105528637B (zh) * | 2015-11-26 | 2018-06-22 | 江南大学 | 基于线性内插型模糊神经网络的诊断方法 |
CN106443453A (zh) * | 2016-07-04 | 2017-02-22 | 陈逸涵 | 一种基于bp神经网络的锂电池soc估算方法 |
US10997490B2 (en) * | 2017-02-24 | 2021-05-04 | International Business Machines Corporation | Battery-based neural network weights |
CN107037373B (zh) * | 2017-05-03 | 2019-03-29 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
KR102613749B1 (ko) * | 2017-05-03 | 2023-12-13 | 가부시키가이샤 한도오따이 에네루기 켄큐쇼 | 신경망, 전력 저장 시스템, 차량, 및 전자 기기 |
US11691518B2 (en) | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
KR101965832B1 (ko) * | 2017-11-27 | 2019-04-05 | (주) 페스코 | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 |
KR102043626B1 (ko) * | 2017-12-27 | 2019-12-02 | 주식회사 비앤에이치코리아 | 복수의 성형수술경험자의 비포 앤 애프터 이미지에 대한 빅데이터를 분석하여 성형수술을 희망하는 고객에게 가상의 성형이미지를 제공하는 딥러닝 기반 가상성형장치 |
KR101992051B1 (ko) * | 2018-03-19 | 2019-06-21 | 충북대학교 산학협력단 | 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템 |
CN108573545B (zh) * | 2018-04-24 | 2019-10-08 | 中南大学 | 一种冰雪环境无人驾驶车辆电源模型预测方法与*** |
US10983167B2 (en) * | 2018-06-14 | 2021-04-20 | Huayuan Semiconductor (Shenzhen) Limited Company | Method and device for gauging an electronic apparatus |
CN109001640B (zh) * | 2018-06-29 | 2021-08-20 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
US11119494B2 (en) | 2019-01-07 | 2021-09-14 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
KR20200097170A (ko) * | 2019-02-07 | 2020-08-18 | 주식회사 엘지화학 | 배터리 관리 장치, 배터리 관리 방법 및 배터리팩 |
KR20200117794A (ko) * | 2019-04-05 | 2020-10-14 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
CN110048477B (zh) * | 2019-04-19 | 2023-05-26 | 浙江大学宁波理工学院 | 一种基于神经元控制的快速充电器及控制方法 |
IT201900006987A1 (zh) * | 2019-05-17 | 2019-05-17 | ||
KR102652117B1 (ko) | 2019-07-10 | 2024-03-27 | 삼성전자주식회사 | 이미지 보정 방법 및 이미지 보정 시스템 |
EP3812781B1 (en) | 2019-10-23 | 2022-11-30 | Novum engineerING GmbH | Estimating a battery state of an electrochemical battery |
EP3812779B1 (en) | 2019-10-23 | 2022-09-28 | Novum engineerING GmbH | Analyzing electrical impedance measurements of an electrochemical battery |
EP3812783A1 (en) | 2019-10-23 | 2021-04-28 | Novum engineerING GmbH | Estimating a battery state from electrical impedance measurements using convolutional neural network means |
EP3812782B1 (en) | 2019-10-23 | 2022-09-14 | Novum engineerING GmbH | Estimating a temperature of an electrochemical battery |
EP3812780B1 (en) | 2019-10-23 | 2022-09-28 | Novum engineerING GmbH | Estimating a battery state from gradients of electrical impedance measurements |
US20210173012A1 (en) * | 2019-12-04 | 2021-06-10 | Robert Bosch Gmbh | Method and system for estimation of open circuit voltage of a battery cell |
KR102439041B1 (ko) | 2020-08-14 | 2022-09-02 | 주식회사 한국파워셀 | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 |
CN112234673B (zh) * | 2020-09-30 | 2022-04-22 | 长安大学 | 一种适用于均衡电路的电池能量均衡方法 |
CN112379272B (zh) * | 2020-11-16 | 2021-09-21 | 北京理工大学 | 一种基于人工智能的锂离子电池***soc估计方法 |
DE102020130732A1 (de) | 2020-11-20 | 2022-05-25 | Audi Aktiengesellschaft | Verfahren zum Ermitteln eines Werts eines Parameters einer Batteriezelle, Steuereinrichtung und Kraftfahrzeug |
KR102575963B1 (ko) * | 2020-11-30 | 2023-09-07 | 동국대학교 산학협력단 | 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법 및 그 제어장치 |
KR20230128051A (ko) * | 2020-12-30 | 2023-09-01 | 백스터 인터내셔널 인코포레이티드 | 주입 디바이스들에서 배터리 알람들을 생성하기 위한시스템 및 방법 |
KR20220112997A (ko) | 2021-02-05 | 2022-08-12 | 경북대학교 산학협력단 | 신경망을 이용한 리튬배터리 팩의 각 셀에 대한 실시간 충전상태 추정장치 |
WO2022248532A1 (en) * | 2021-05-25 | 2022-12-01 | Danmarks Tekniske Universitet | Data-driven and temperature-cycles based remaining useful life estimation of an electronic device |
CN113919222B (zh) * | 2021-10-09 | 2024-07-23 | 北京理工大学 | 一种电池组的内部温度在线计算方法 |
US11694560B1 (en) | 2021-12-28 | 2023-07-04 | Beta Air, Llc | Computing device and method for predicting battery temperature in an electric aircraft |
CN114725578A (zh) * | 2022-04-29 | 2022-07-08 | 苏州市职业大学 | 一种基于新能源汽车的锂电池温控装置*** |
CN115659790B (zh) * | 2022-10-13 | 2024-02-06 | 厦门宇电自动化科技有限公司 | 一种动力电池包的温度实时检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2740554A1 (fr) | 1995-10-31 | 1997-04-30 | Philips Electronique Lab | Systeme de controle de la phase de decharge des cycles de charge-decharge d'une batterie rechargeable, et dispositif hote muni d'une batterie intelligente |
JP3520886B2 (ja) | 1996-03-08 | 2004-04-19 | サンケン電気株式会社 | 二次電池の状態判定方法 |
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
JPH1132442A (ja) | 1997-07-10 | 1999-02-02 | Matsushita Electric Ind Co Ltd | 蓄電池残容量推定方法及び蓄電池残容量推定システム |
CN1199050C (zh) * | 1998-05-28 | 2005-04-27 | 丰田自动车株式会社 | 电池充电状态的估计装置及电池恶化估计方法 |
EP1206826B1 (en) | 1999-05-05 | 2009-02-25 | Midtronics, Inc. | Energy management system for automotive vehicle |
JP2002228730A (ja) | 2001-02-06 | 2002-08-14 | Shikoku Electric Power Co Inc | 二次電池の残存電力量の推定装置 |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
JP4038788B2 (ja) | 2002-02-22 | 2008-01-30 | アクソンデータマシン株式会社 | バッテリの残存容量判定方法と、その装置 |
-
2004
- 2004-12-17 CN CNB2004800360213A patent/CN100570388C/zh active Active
- 2004-12-17 BR BRPI0416424A patent/BRPI0416424B8/pt active IP Right Grant
- 2004-12-17 KR KR1020040107700A patent/KR100651573B1/ko active IP Right Grant
- 2004-12-17 US US11/016,028 patent/US7583059B2/en active Active
- 2004-12-17 EP EP04808463A patent/EP1702219B1/en active Active
- 2004-12-17 CA CA2550072A patent/CA2550072C/en active Active
- 2004-12-17 JP JP2006545239A patent/JP4331210B2/ja active Active
- 2004-12-17 WO PCT/KR2004/003332 patent/WO2005059579A1/en active Application Filing
- 2004-12-17 AT AT04808463T patent/ATE556327T1/de active
- 2004-12-17 TW TW093139338A patent/TWI260808B/zh active
- 2004-12-17 RU RU2006119641/28A patent/RU2328753C2/ru active
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8463562B2 (en) | 2007-02-08 | 2013-06-11 | Panasonic Ev Energy Co., Ltd. | Device and method for detecting abnormality of electric storage device |
CN101622547B (zh) * | 2007-02-08 | 2014-07-30 | 松下电动车辆能源股份有限公司 | 用于检测蓄电装置的异常的装置和方法 |
US8306781B2 (en) | 2007-04-20 | 2012-11-06 | Hangzhou Gold Electronic Equipment Co., Ltd. | Professional diagnosis method of battery performance analysis |
WO2008128427A1 (fr) * | 2007-04-20 | 2008-10-30 | Hangzhou Gold Electronic Equipment Co., Ltd | Procédé pour analyser les performances d'une batterie d'accumulateurs au plomb-acide de type commande de soupape |
US8340934B2 (en) | 2007-04-20 | 2012-12-25 | Hangzhou Gold Electronic Equipment Co., Ltd. | Method of performance analysis for VRLA battery |
WO2008128426A1 (fr) * | 2007-04-20 | 2008-10-30 | Hangzhou Gold Electronic Equipment Co., Ltd | Procédé de diagnostic expert pour analyser les performances d'une cellule d'accumulateur |
CN101359036B (zh) * | 2007-07-31 | 2010-11-17 | 比亚迪股份有限公司 | 电池荷电状态的测定方法 |
CN101803104B (zh) * | 2007-09-13 | 2013-01-09 | 株式会社Lg化学 | 用于估计电池的长期特性的***和方法 |
CN103635822B (zh) * | 2011-08-30 | 2016-02-10 | 三洋电机株式会社 | 电池***、电动车辆、移动体、电力储存装置以及电源装置 |
CN103635822A (zh) * | 2011-08-30 | 2014-03-12 | 三洋电机株式会社 | 电池***、电动车辆、移动体、电力储存装置以及电源装置 |
CN102364353A (zh) * | 2011-11-14 | 2012-02-29 | 北京理工大学 | 一种基于热效应的二次电池一致性评估方法 |
CN103018673B (zh) * | 2012-11-19 | 2015-01-21 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
CN103018673A (zh) * | 2012-11-19 | 2013-04-03 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
CN103176139A (zh) * | 2013-03-08 | 2013-06-26 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及*** |
CN103176139B (zh) * | 2013-03-08 | 2015-07-29 | 桂林电子科技大学 | 动力电池非光滑迟滞特性补偿的电荷状态估算方法及*** |
CN105021991A (zh) * | 2014-04-22 | 2015-11-04 | 现代摩比斯株式会社 | 车辆用电池传感器及利用所述传感器的季节判断方法 |
CN104375091A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 电动汽车动力蓄电池组监测方法 |
CN104569838A (zh) * | 2014-12-23 | 2015-04-29 | 深圳市科陆电子科技股份有限公司 | 基于远程监控的集装箱储能设备核心部件的评价方法 |
CN104569838B (zh) * | 2014-12-23 | 2017-11-21 | 深圳市科陆电子科技股份有限公司 | 基于远程监控的集装箱储能设备核心部件的评价方法 |
CN105911476A (zh) * | 2016-04-13 | 2016-08-31 | 华北电力大学 | 一种基于数据挖掘的电池储能***soc预测方法 |
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN106324517A (zh) * | 2016-08-29 | 2017-01-11 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池性能预测方法 |
CN107436411A (zh) * | 2017-07-28 | 2017-12-05 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
CN107436411B (zh) * | 2017-07-28 | 2019-06-14 | 南京航空航天大学 | 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法 |
US11870042B2 (en) | 2017-09-06 | 2024-01-09 | Semiconductor Energy Laboratory Co., Ltd. | Power storage system, vehicle, electronic device, and semiconductor device |
CN108414937A (zh) * | 2017-12-08 | 2018-08-17 | 国网北京市电力公司 | 充电电池荷电状态确定方法及装置 |
CN112020656A (zh) * | 2018-04-27 | 2020-12-01 | 株式会社半导体能源研究所 | 蓄电装置的充电状态推测的方法以及蓄电装置的充电状态推测*** |
CN112020656B (zh) * | 2018-04-27 | 2024-04-19 | 株式会社半导体能源研究所 | 蓄电装置的充电状态推测的方法以及蓄电装置的充电状态推测*** |
US11493558B2 (en) | 2018-04-27 | 2022-11-08 | Semiconductor Energy Laboratory Co., Ltd. | Estimation method of state of charge of power storage device and estimation system of state of charge of power storage device |
CN109031147A (zh) * | 2018-08-21 | 2018-12-18 | 湖南兴业绿色电力科技有限公司 | 一种磷酸铁锂电池组的soc估算方法 |
CN109031147B (zh) * | 2018-08-21 | 2020-12-01 | 湖南兴业绿色电力科技有限公司 | 一种磷酸铁锂电池组的soc估算方法 |
CN109633450A (zh) * | 2018-11-23 | 2019-04-16 | 成都云材智慧数据科技有限公司 | 一种基于神经网络的锂电池充电检测*** |
CN113316752A (zh) * | 2019-01-24 | 2021-08-27 | 索尼半导体解决方案公司 | 电压控制装置 |
CN110007235A (zh) * | 2019-03-24 | 2019-07-12 | 天津大学青岛海洋技术研究院 | 一种电动汽车蓄电池soc在线预测方法 |
CN111751729B (zh) * | 2019-03-27 | 2024-02-20 | 大众汽车有限公司 | 用于确定车辆的可反复充电电池的状态的方法 |
CN111751729A (zh) * | 2019-03-27 | 2020-10-09 | 大众汽车有限公司 | 用于确定车辆的可反复充电电池的状态的方法 |
CN110658459A (zh) * | 2019-09-12 | 2020-01-07 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
CN110658459B (zh) * | 2019-09-12 | 2021-10-15 | 北京航空航天大学 | 基于双向循环神经网络的锂离子电池荷电状态估计方法 |
CN110673039A (zh) * | 2019-11-11 | 2020-01-10 | 安徽优旦科技有限公司 | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 |
CN110673039B (zh) * | 2019-11-11 | 2022-02-08 | 安徽优旦科技有限公司 | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 |
CN113552490B (zh) * | 2021-06-29 | 2022-04-01 | 广东工业大学 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
CN113552490A (zh) * | 2021-06-29 | 2021-10-26 | 广东工业大学 | 一种基于休息恢复效应的可重构电池组soc估计方法 |
WO2023284167A1 (zh) * | 2021-07-16 | 2023-01-19 | 苏州浪潮智能科技有限公司 | 一种电池充电方法、装置、设备及介质 |
US11823025B1 (en) | 2021-07-16 | 2023-11-21 | Inspur Suzhou Intelligent Technology Co., Ltd. | Battery charging method and apparatus, and device and medium |
CN113258154A (zh) * | 2021-07-16 | 2021-08-13 | 苏州浪潮智能科技有限公司 | 一种电池充电方法、装置、设备及介质 |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
CN114280490B (zh) * | 2021-09-08 | 2024-02-09 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
CN117289141A (zh) * | 2023-11-22 | 2023-12-26 | 深圳市麦迪瑞科技有限公司 | 基于人工智能的电动自行车充电状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP1702219B1 (en) | 2012-05-02 |
WO2005059579A1 (en) | 2005-06-30 |
RU2328753C2 (ru) | 2008-07-10 |
BRPI0416424B1 (pt) | 2017-06-20 |
ATE556327T1 (de) | 2012-05-15 |
JP4331210B2 (ja) | 2009-09-16 |
TWI260808B (en) | 2006-08-21 |
BRPI0416424A (pt) | 2007-01-16 |
KR20050061386A (ko) | 2005-06-22 |
CA2550072A1 (en) | 2005-06-30 |
EP1702219A1 (en) | 2006-09-20 |
BRPI0416424B8 (pt) | 2023-01-17 |
EP1702219A4 (en) | 2010-06-09 |
TW200531326A (en) | 2005-09-16 |
KR100651573B1 (ko) | 2006-11-29 |
JP2007518973A (ja) | 2007-07-12 |
RU2006119641A (ru) | 2007-12-27 |
CN100570388C (zh) | 2009-12-16 |
CA2550072C (en) | 2011-04-19 |
US20050194936A1 (en) | 2005-09-08 |
US7583059B2 (en) | 2009-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1890574A (zh) | 使用神经网络评估电池的充电状态的设备和方法 | |
US10295607B2 (en) | Device for estimating parameters of battery, and estimation method | |
CN110068772B (zh) | 基于改进分数阶模型的锂离子电池荷电状态估计方法 | |
Xu et al. | A relative state of health estimation method based on wavelet analysis for lithium-ion battery cells | |
JP4623448B2 (ja) | 二次電池の残存容量演算方法 | |
JP4609882B2 (ja) | 車両用蓄電装置の内部状態検出方式 | |
CN105974327A (zh) | 一种基于神经网络和ukf的锂电池组soc预测方法 | |
US20060212277A1 (en) | Apparatus and method for estimating battery state of charge | |
CN109782175A (zh) | 电动汽车电池容量校正测试方法及电子设备 | |
JP2004333472A (ja) | 車両用蓄電装置の内部状態検出システム | |
JP2012073256A (ja) | 電気化学インピーダンス分光法を使用するその場電池診断方法 | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
CN109782182B (zh) | 一种串联电池组能量状态在线估计方法和装置 | |
CN111751729B (zh) | 用于确定车辆的可反复充电电池的状态的方法 | |
CN116819377B (zh) | 电池组异常识别诊断方法和*** | |
KR102054050B1 (ko) | 배터리의 충전 상태를 추정하는 방법 및 배터리 관리 장치 | |
CN116482539A (zh) | 基于多维数据驱动的电池荷电状态估计方法、***、设备及介质 | |
CN114779105A (zh) | 一种锂电池组的不一致性估计方法 | |
DE102022200007A1 (de) | Verfahren und Vorrichtung zum Erlernen einer Parametrisierung eines Alterungsmodells und Bereitstellen eines Alterungszustands für eine Gerätebatterie anhand einer parametrierten Leerlaufspannungs-Kennlinie | |
CN110210711B (zh) | 一种电动汽车电能计量准确度评估方法 | |
CN109782210A (zh) | 电动汽车电池管理***的电流传感器校正方法及电子设备 | |
TWI461718B (zh) | Battery power test method | |
EP4249929A1 (en) | Determination of open circuit voltage curve for rechargeable batteries | |
EP3875974A1 (en) | Battery diagnosis device and battery diagnosis method using current pulse method | |
CN116908703A (zh) | 一种针对电网储能锂电池的soc和soh联合估计方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211125 Address after: Seoul, South Kerean Patentee after: LG Energy Solution Address before: Seoul, South Kerean Patentee before: LG CHEM, Ltd. |
|
TR01 | Transfer of patent right |