JP2019105621A

JP2019105621A - 電池充電状態予測方法及びシステム

Info

Publication number: JP2019105621A
Application number: JP2018153888A
Authority: JP
Inventors: 衍涵卓; Yanhan Zhuo; 昂 ▲趙▼; Ang Zhao; ▲海▼明 ▲呉▼; Haiming Wu; 松利 ▲劉▼; Songli Liu
Original assignee: Dongtai Hi Tech Equipment Technology Co Ltd
Current assignee: Dongtai Hi Tech Equipment Technology Co Ltd
Priority date: 2017-12-13
Filing date: 2018-08-20
Publication date: 2019-06-27
Also published as: WO2019114240A1; KR20190070837A; CN109917298A; US20190178945A1

Abstract

【課題】電池充電状態予測方法及びシステムを提供する。【解決手段】本発明の実施例は電池充電状態予測方法及びシステムを提供し、前記方法は、電池の充放電中の電圧と電流を取得するステップと、前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するステップと、前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、前記充電状態予測モデルに基づき、前記電池の充電状態を予測するステップと、を含む。本発明の実施例に係る電池充電状態予測方法及びシステムによれば、電池充電状態の予測精度を向上させることができる。【選択図】図1

Description

本発明の実施例は、電池管理の技術分野に関し、特に電池充電状態予測方法及びシステムに関する。

リチウムイオン電池は、エネルギー貯蔵電源として、通信、電力システム、交通輸送等の分野で幅広く応用されている。電池は、エネルギー供給部材として、その作動状態がシステム全体の安全性と運転信頼性に直接関係している。電池パックの良好な性能を確保し、電池パックの耐用年数を延ばすために、電池の作動状態をリアルタイムかつ正確に把握し、電池を合理的かつ効率的に管理し制御する必要がある。

電池の充電状態（State of Charge、SOCと略称する）の高精度推定は電池エネルギー管理システムのコア技術の1つである。電池のSOCは直接測定できず、ほかの物理量を測定し、一定の数学モデル及びアルゴリズムによって推定するしかできない。

現在最も一般的に使用されている電池SOCの推定方法として、開回路電圧法、アンペア時積分法等がある。しかしながら、開回路電圧法は、電池を十分な時間で静置して安定状態にする必要があり、且つシステムの停止又は待機状態でのSOC推定のみに適用でき、オンラインリアルタイム検出の要求を満足できない。アンペア時積分法は、電流測定精度の影響を受けやすく、精度が低い。

従って、オンラインリアルタイム検出の要求を満足できる高精度の電池充電状態予測方法を如何に提供するかは、取り急ぎ解決すべき問題となった。

従来技術の問題に対して、本発明の実施例は電池充電状態予測方法及びシステムを提供する。

第1態様によれば、本発明の実施例は電池充電状態予測方法を提供し、前記電池充電状態予測方法は、
電池の充放電中の電圧と電流を取得するステップと、
前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するステップと、
前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、
前記充電状態予測モデルに基づき、前記電池の充電状態を予測するステップと、を含む。

第2態様によれば、本発明の実施例は電池充電状態予測システムを提供し、前記電池充電状態予測システムは、
電池の充放電中の電圧と電流を取得する取得モジュールと、
前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するパラメータ最適化モジュールと、
前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するモデル構築モジュールと、
前記充電状態予測モデルに基づき、前記電池の充電状態を予測する予測モジュールと、を備える。

第3態様によれば、本発明の実施例はメモリ及びプロセッサを備える電子設備を提供し、前記プロセッサと前記メモリはバスにより相互に通信を行い、前記メモリには前記プロセッサに実行可能なプログラム指令が記憶され、前記プロセッサは前記プログラム指令を呼び出して上記電池充電状態予測方法を実行する。

第4態様によれば、本発明の実施例はコンピュータプログラムが記憶されるコンピュータ読み取り可能な記憶媒体を提供し、該コンピュータプログラムがプロセッサにより実行されると、上記電池充電状態予測方法が実現される。

本発明の実施例に係る電池充電状態予測方法及びシステムによれば、測定すべき電池の充放電中の電圧と電流を取得し、測定すべき電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、測定すべき電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得し、測定すべき電池の充電状態の3次スプラインフィッティング関数を取得し、最適化されたモデルパラメータと3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、電池の充電状態予測モデルを構築し、充電状態予測モデルに基づき、電池の充電状態を予測することにより、電池充電状態の予測精度を向上させることができる。

本発明の実施例又は従来技術の技術案をより明確に説明するために、以下、実施例又は従来技術の説明に必要な図面を簡単に説明し、明らかなように、後述する図面は本発明のいくつかの実施例であり、当業者は、創造的な努力をせずにこれらの図面に基づきほかの図面を想到し得る。

本発明の実施例に係る電池充電状態予測方法のフローチャートである。本発明の実施例に係る電池充電状態予測システムの構成の模式図である。本発明の実施例に係る電子設備の構成の模式図である。従来技術の電池情報オンライン監視システムの構成の模式図である。

本発明の実施例の目的、技術案及び利点をより明瞭にするために、以下、本発明の実施例の図面を参照して、本発明の実施例の技術案を詳細に説明し、明らかなように、説明する実施例は本発明の一部の実施例であり、すべての実施例ではない。本発明の実施例に基づき、当業者が創造的な努力をせずに想到し得るほかの実施例はすべて、本発明の保護範囲に属する。

図1は本発明の実施例に係る電池充電状態予測方法のフローチャートであり、図1に示すように、前記方法は、
電池の充放電中の電圧と電流を取得するステップ10と、
前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するステップ11と、
前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップ12と、
前記充電状態予測モデルに基づき、前記電池の充電状態を予測するステップ13と、を含む。

図4は従来技術の電池情報オンライン監視システムの構成の模式図である。サーバは測定すべき電池のサイクル充放電中の電圧と電流を取得し、前記の、電池のサイクル充放電中の電圧と電流は、従来の電池情報オンライン監視システムによって収集される。

図4に示すように、前記電池情報オンライン監視システムは、マイクロプロセッサ41、給電電源モジュール42、電池情報処理モジュール43、CAN通信モジュール44、データ記憶モジュール45及び電池情報センサ46を備える。前記マイクロプロセッサ41はそれぞれ前記給電電源モジュール42、前記電池情報処理モジュール43、前記CAN通信モジュール44及び前記データ記憶モジュール45に電気的に接続され、前記電池情報処理モジュール43は前記電池情報センサ46に電気的に接続され、前記電池情報センサ46は電圧センサ、電流センサ及び温度センサを集積したものであってもよい。前記電池情報センサ46は測定すべき電池に電気的に直接接続される。本発明の実施例では、前記マイクロプロセッサ41はMC9S12XET256を採用する。

前記サーバにより取得された測定すべき電池の充放電中の電圧と電流データは、一定の時間間隔ごとに前記電池に対して一回の充放電実験を行うことにより取得された電圧と電流を含む。例えば、5時間ごとに、前記電池に対して一回の充放電実験を行う。

続いて、前記サーバは、前記電池の充放電中の電圧と電流に基づき、従来の遺伝的アルゴリズムを用いて、二次RC等価回路モデル中のモデルパラメータを同定し、最適化されたモデルパラメータを取得する。そのうち、前記モデルパラメータを同定するプロセスは、前記モデルパラメータを最適化するプロセスである。

前記サーバは、さらに前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記充電状態の3次スプラインフィッティング関数に基づき、前記電池の充電状態予測モデルを構築し、前記サーバは、前記充電状態予測モデルに基づき、前記電池の充電状態を予測する。

本発明の実施例に係る電池充電状態予測方法によれば、電池の充放電中の電圧と電流を取得し、電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得し、電池の充電状態の3次スプラインフィッティング関数を取得し、最適化されたモデルパラメータと3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、電池の充電状態予測モデルを構築し、充電状態予測モデルに基づき、電池の充電状態を予測することにより、電池充電状態の予測精度を向上させることができる。

必要に応じて、上記実施例において、前記モデルパラメータは、
前記電池のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を含む。

具体的には、上記実施例では、前記モデルパラメータは、測定すべき電池のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を含む。

ここで、前記オーム内部抵抗を

前記電気化学的分極内部抵抗を

前記電気化学的分極容量を

前記濃度差分極内部抵抗を

前記濃度差分極容量を

と記す。

前記サーバは、従来の遺伝的アルゴリズムに基づき、取得した測定すべき電池の充放電中の電圧と電流に基づき、二次RC等価回路モデル中の上記モデルパラメータを同定し、最適化されたオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を取得する。

本発明の実施例に係る電池充電状態予測方法によれば、遺伝的アルゴリズムを用いて二次RC等価回路モデル中のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を最適化することで、前記方法がさらに科学的になる。

必要に応じて、上記実施例において、前記した前記電池の充電状態の3次スプラインフィッティング関数を取得することは、
前記電池の充放電中の充電状態と開回路電圧を取得するステップと、
前記電池の充放電中の充電状態と開回路電圧に基づき、前記電池の充電状態の3次スプラインフィッティング関数を作成するステップと、を含む。

具体的には、サーバは測定すべき電池の充放電中の充電状態と開回路電圧を取得する。そのうち、前記充電状態と前記開回路電圧は、前記電池の静置状態時の充電状態と開回路電圧、前記電池に負荷を印加して充放電する時の充電状態と開回路電圧、及び前記電池から負荷を除去して静置状態に戻る時の充電状態と開回路電圧を含む。

続いて、前記サーバは、取得した前記電池の充電状態と開回路電圧に基づき、前記電池の充電状態の3次スプラインフィッティング関数を作成する。

本発明の実施例に係る電池充電状態予測方法によれば、測定すべき電池の充放電中の充電状態と開回路電圧を取得し、続いて、電池の充放電中の充電状態と開回路電圧に基づき、電池の充電状態の3次スプラインフィッティング関数を作成することで、前記方法がさらに科学的になる。

必要に応じて、上記実施例において、前記した前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築することは、
前記最適化されたモデルパラメータに基づき、前記電池の状態方程式を作成するステップと、
前記電池の平衡起電力、オーミックドロップ、RC回路電圧に基づき、前記電池の測定方程式を作成するステップと、
前記測定方程式、前記状態方程式及び前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、を含む。

具体的には、サーバは、遺伝的アルゴリズムを用いて、二次RC等価回路モデル中のモデルパラメータを同定し、最適化されたモデルパラメータを取得した後、前記最適化されたモデルパラメータに基づき、測定すべき電池の状態方程式を作成し、前記状態方程式は、

で示され、

とすると、
前記状態方程式は

と記される。

ここで、前記

である。

ここで、前記

は測定すべき電池の時刻kでの充電状態ベクトル、前記

は測定すべき電池の時刻k-1での充電状態ベクトル、前記

は測定すべき電池の時刻k-1に対応した充電状態ベクトルの電流、前記

は測定すべき電池の時刻k-1でのプロセス励起ノイズを示し、該プロセス励起ノイズが電流の測定ノイズに関係しており、無視でき、前記

は測定すべき電池の容量、前記

は測定すべき電池の時刻kでのオーミックドロップ、前記

は測定すべき電池が時刻kに負荷を印加する前のRC回路電圧、前記

は測定すべき電池が時刻kに負荷を印加した後のRC回路電圧、前記

は測定すべき電池の時刻kでの充電状態を示す。

前記サーバは測定すべき電池の平衡起電力、オーミックドロップ及びRC回路電圧に基づき、前記電池の測定方程式を作成し、前記測定方程式は、

と記され、
ここで、前記

は測定すべき電池の時刻kでの電圧、前記

は測定すべき電池の時刻kでの平衡起電力を示し、前記平衡起電力と前記電池の充電状態との間に非線形な関係があり、前記

は測定すべき電池の時刻kでの測定ノイズを示す。

続いて、前記サーバは、測定すべき電池の測定方程式、状態方程式及び充電状態の3次スプラインフィッティング関数に基づき、従来の拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築し、前記予測モデルに基づき測定すべき電池のある時刻での充電状態を予測する。

本発明の実施例に係る電池充電状態予測方法によれば、最適化されたモデルパラメータに基づき、測定すべき電池の状態方程式を作成し、測定すべき電池の平衡起電力、オーミックドロップ、RC回路電圧に基づき、測定すべき電池の測定方程式を作成し、測定方程式、状態方程式及び測定すべき電池の充電状態の3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、測定すべき電池の充電状態予測モデルを構築することで、前記方法がさらに科学的になる。

図2は本発明の実施例に係る電池充電状態予測システムの構成の模式図であり、図2に示すように、前記システムは、取得モジュール20、パラメータ最適化モジュール21、モデル構築モジュール22及び予測モジュール23を備える。

そのうち、取得モジュール20は電池の充放電中の電圧と電流を取得するためのものであり、パラメータ最適化モジュール21は、前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するためのものであり、モデル構築モジュール22は、前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するためのものであり、予測モジュール23は前記充電状態予測モデルに基づき、前記電池の充電状態を予測するためのものである。

本発明の実施例に係る電池充電状態予測システムは、取得モジュール20、パラメータ最適化モジュール21、モデル構築モジュール22及び予測モジュール23を備える。

そのうち、前記取得モジュール20は測定すべき電池のサイクル充放電中の電圧と電流を取得し、測定すべき電池のサイクル充放電中の電圧と電流は、従来の電池情報オンライン監視システムによって収集される。

図4に示すように、前記電池情報オンライン監視システムは、マイクロプロセッサ41、給電電源モジュール42、電池情報処理モジュール43、CAN通信モジュール44、データ記憶モジュール45及び電池情報センサ46を備える。そのうち、前記マイクロプロセッサ41はそれぞれ前記給電電源モジュール42、前記電池情報処理モジュール43、前記CAN通信モジュール44及び前記データ記憶モジュール45に電気的に接続され、前記電池情報処理モジュール43は前記電池情報センサ46に電気的に接続され、前記電池情報センサ46は電圧センサ、電流センサ及び温度センサを集積したものであってもよい。前記電池情報センサ46は測定すべき電池に電気的に直接接続される。本発明の実施例では、前記マイクロプロセッサ41はMC9S12XET256を採用する。

前記取得モジュール20により取得された測定すべき電池の充放電中の電圧と電流データは、一定の時間間隔ごとに前記電池に対して一回の充放電実験を行うことにより取得された電圧と電流を含む。例えば、5時間ごとに、前記電池に対して一回の充放電実験を行う。

前記パラメータ最適化モジュール21は、前記電池の充放電中の電圧と電流に基づき、従来の遺伝的アルゴリズムを用いて、測定すべき電池の二次RC等価回路モデル中のモデルパラメータを同定し、最適化されたモデルパラメータを取得する。

前記モデル構築モジュール22は、前記電池の充電状態の3次スプラインフィッティング関数を取得し、続いて、前記最適化されたモデルパラメータと前記充電状態の3次スプラインフィッティング関数に基づき、前記電池の充電状態予測モデルを構築し、前記予測モジュール23は前記充電状態予測モデルに基づき、前記電池の充電状態を予測する。

本発明の実施例に係る電池充電状態予測システムについて、その機能は具体的には上記方法の実施例を参照すればよく、ここで詳しい説明を省略する。

本発明の実施例に係る電池充電状態予測システムによれば、測定すべき電池の充放電中の電圧と電流を取得し、測定すべき電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得し、電池の充電状態の3次スプラインフィッティング関数を取得し、最適化されたモデルパラメータと3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、電池の充電状態予測モデルを構築し、充電状態予測モデルに基づき、電池の充電状態を予測することにより、電池充電状態の予測精度を向上させることができる。

必要に応じて、上記実施例において、前記パラメータ最適化モジュールは、具体的には、
遺伝的アルゴリズムを用いて、前記電池のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を最適化する。

具体的には、上記実施例では、前記パラメータ最適化モジュールは、従来の遺伝的アルゴリズムに基づき、第1取得モジュールにより取得された測定すべき電池の充放電中の電圧と電流に基づき、二次RC等価回路モデル中のモデルパラメータを同定し、最適化されたモデルパラメータを取得する。そのうち、前記モデルパラメータは、測定すべき電池のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を含む。

本発明の実施例に係る電池充電状態予測システムによれば、遺伝的アルゴリズムを用いて、二次RC等価回路モデル中のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を最適化することで、前記システムがさらに科学的になる。

必要に応じて、上記実施例において、前記モデル構築モジュールは取得サブモジュール及び関数フィッティングサブモジュールを備える。
そのうち、取得サブモジュールは前記電池の充放電中の充電状態と開回路電圧を取得するためのものであり、関数フィッティングサブモジュールは前記電池の充放電中の充電状態と開回路電圧に基づき、前記電池の充電状態の3次スプラインフィッティング関数を作成する。

具体的には、上記実施例では、前記モデル構築モジュールは、取得サブモジュール及び関数フィッティングサブモジュールを備える。

そのうち、前記取得サブモジュールは測定すべき電池の充放電中の充電状態と開回路電圧を取得する。そのうち、前記充電状態と前記開回路電圧は、前記電池の静置状態時の充電状態と開回路電圧、前記電池に負荷を印加して充放電する時の充電状態と開回路電圧、及び前記電池が負荷を除去して静置状態に戻る時の充電状態と開回路電圧を含む。

続いて、前記関数フィッティングサブモジュールは取得した前記電池の充電状態と開回路電圧に基づき、前記電池の充電状態の3次スプラインフィッティング関数を作成する。

本発明の実施例に係る電池充電状態予測システムによれば、測定すべき電池の充放電中の充電状態と開回路電圧を取得し、続いて、電池の充放電中の充電状態と開回路電圧に基づき、電池の充電状態の3次スプラインフィッティング関数を作成することで、前記システムがさらに科学的になる。

必要に応じて、上記実施例において、前記モデル構築モジュールは、状態方程式サブモジュール、測定方程式サブモジュール及びモデル構築サブモジュールを備える。
そのうち、状態方程式サブモジュールは、前記最適化されたモデルパラメータに基づき、前記電池の状態方程式を作成するためのものであり、測定方程式サブモジュールは、前記電池の平衡起電力、オーミックドロップ、RC回路電圧に基づき、前記電池の測定方程式を作成するためのものであり、モデル構築サブモジュールは、前記測定方程式、前記状態方程式及び前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するためのものである。

具体的には、上記実施例では、前記モデル構築モジュールは、状態方程式サブモジュール、測定方程式サブモジュール及びモデル構築サブモジュールを備える。

そのうち、前記状態方程式サブモジュールは、パラメータ最適化モジュールにより取得された最適化されたモデルパラメータに基づき、測定すべき電池の状態方程式を作成し、前記状態方程式は、

で示され、

とすると、
前記状態方程式は

と記される。

ここで、前記

である。

ここで、前記

は測定すべき電池の時刻kでの充電状態ベクトル、前記

は測定すべき電池の時刻k-1での充電状態ベクトル、前記

は測定すべき電池の容量、前記

は測定すべき電池の時刻kでのオーミックドロップ、前記

は測定すべき電池の時刻kでの充電状態を示す。

前記測定方程式サブモジュールは、測定すべき電池の平衡起電力、オーミックドロップ、RC回路電圧に基づき、前記電池の測定方程式を作成し、前記測定方程式は、

と記され、
ここで、前記

は測定すべき電池の時刻kでの電圧、前記

は測定すべき電池の時刻kでの測定ノイズを示す。

続いて、前記モデル構築サブモジュールは、測定すべき電池の測定方程式、状態方程式及び充電状態の3次スプラインフィッティング関数に基づき、従来の拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築し、前記予測モデルに基づき測定すべき電池のある時刻での充電状態を予測する。

本発明の実施例に係る電池充電状態予測システムによれば、最適化されたモデルパラメータに基づき、測定すべき電池の状態方程式を作成し、測定すべき電池の平衡起電力、オーミックドロップ、RC回路電圧に基づき、測定すべき電池の測定方程式を作成し、測定方程式、状態方程式及び測定すべき電池の充電状態の3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、測定すべき電池の充電状態予測モデルを構築することで、前記システムがさらに科学的になる。

図3は本発明の実施例に係る電子設備の構成の模式図であり、図3に示すように、前記設備は、プロセッサ（processor）31、メモリ（memory）32及びバス33を備える。
そのうち、前記プロセッサ31と前記メモリ32は、前記バス33により相互に通信を行い、前記プロセッサ31は、前記メモリ32におけるプログラム指令を呼び出して、上記各方法の実施例に係る方法を実行するためのものであり、前記方法は、例えば、電池の充放電中の電圧と電流を取得するステップと、前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するステップと、前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、前記充電状態予測モデルに基づき、前記電池の充電状態を予測するステップと、を含む。

本発明の実施例はコンピュータプログラム製品を開示し、前記コンピュータプログラム製品は、不揮発性のコンピュータ読み取り可能な記憶媒体に記憶されるコンピュータプログラムを含み、前記コンピュータプログラムはプログラム指令を含み、当前記プログラム指令がコンピュータにより実行されると、コンピュータは上記各方法の実施例に係る方法を実行でき、前記方法は、例えば、電池の充放電中の電圧と電流を取得するステップと、前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するステップと、前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、前記充電状態予測モデルに基づき、前記電池の充電状態を予測するステップと、を含む。

本発明の実施例は、コンピュータ指令を記憶する不揮発性のコンピュータ読み取り可能な記憶媒体を提供し、前記コンピュータ指令によって、前記コンピュータが上記各方法の実施例に係る方法を実行し、前記方法は、例えば、電池の充放電中の電圧と電流を取得するステップと、前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するステップと、前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、前記充電状態予測モデルに基づき、前記電池の充電状態を予測するステップと、を含む。

以上説明した電子設備等の実施例は例示的なものであり、前記の、分離部材として説明されたユニットは物理的に分離してもよく物理的に分離しなくてもよく、表示ユニットとしての部材は物理ユニットであってもよく物理ユニットでなくてもよく、すなわち一か所に位置してもよく、複数のネットワークユニットに分布してもよい。実際の必要に応じてそのうちの一部又はすべてのモジュールを選択して本実施例の技術案の目的を実現できる。当業者は創造的な努力をせずに理解し実施することができる。

以上の実施形態の説明から、当業者は、各実施形態がソフトウェアと必要な汎用ハードウェアプラットフォームとの組合せによって実現でき、勿論、ハードウェアによっても実現できることが分かる。このような理解を踏まえ、上記技術案は本質的には、又は従来技術に貢献する部分はソフトウェア製品の形態で表現でき、該コンピュータソフトウェア製品はコンピュータ読み取り可能な記憶媒体、例えばROM/RAM、磁気ディスク、光ディスク等に記憶でき、複数の指令を含み、コンピュータ設備（パーソナルコンピュータ、サーバ、又はネットワーク設備等が挙げられる）に各実施例又は実施例のある部分に記載の方法を実行させる。

なお、以上の各実施例は、本発明の実施例の技術案を説明するためのものに過ぎず、限定するものではない。上記各実施例を参照して本発明の実施例を詳細に説明したが、当業者は、上記各実施例に記載の技術案を変更したり、一部又はすべての技術的特徴を同等置換したりすることができ、これらの変更又は置換により、対応する技術案の本質は本発明の各実施例の技術案の範囲から逸脱させないことが理解できるはずである。

２０取得モジュール
２１パラメータ最適化モジュール
２２モデル構築モジュール
２３予測モジュール
３１プロセッサ
３２メモリ
３３バス
４１マイクロプロセッサ
４２給電電源モジュール
４３電池情報処理モジュール
４４通信モジュール
４５データ記憶モジュール
４６電池情報センサ

Claims

電池の充放電中の電圧と電流を取得するステップと、
前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するステップと、
前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、
前記充電状態予測モデルに基づき、前記電池の充電状態を予測するステップと、を含むことを特徴とする電池充電状態予測方法。
前記モデルパラメータは、前記電池のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を含むことを特徴とする請求項1に記載の方法。
前記した前記電池の充電状態の3次スプラインフィッティング関数を取得することは、
前記電池の充放電中の充電状態と開回路電圧を取得するステップと、
前記電池の充放電中の充電状態と開回路電圧に基づき、前記電池の充電状態の3次スプラインフィッティング関数を作成するステップと、を含むことを特徴とする請求項1に記載の方法。
前記した前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築することは、
前記最適化されたモデルパラメータに基づき、前記電池の状態方程式を作成するステップと、
前記電池の平衡起電力、オーミックドロップ、RC回路電圧に基づき、前記電池の測定方程式を作成するステップと、
前記測定方程式、前記状態方程式及び前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するステップと、を含むことを特徴とする請求項1に記載の方法。
電池の充放電中の電圧と電流を取得する取得モジュールと、
前記電池の充放電中の電圧と電流に基づき、遺伝的アルゴリズムを用いて、前記電池の二次RC等価回路モデル中のモデルパラメータを最適化し、最適化されたモデルパラメータを取得するパラメータ最適化モジュールと、
前記電池の充電状態の3次スプラインフィッティング関数を取得し、前記最適化されたモデルパラメータと前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するモデル構築モジュールと、
前記充電状態予測モデルに基づき、前記電池の充電状態を予測する予測モジュールと、を備えることを特徴とする電池充電状態予測システム。
前記パラメータ最適化モジュールは、具体的には、
遺伝的アルゴリズムを用いて、前記電池のオーム内部抵抗、電気化学的分極内部抵抗、電気化学的分極容量、濃度差分極内部抵抗及び濃度差分極容量を最適化することを特徴とする請求項5に記載のシステム。
前記モデル構築モジュールは、
前記電池の充放電中の充電状態と開回路電圧を取得する取得サブモジュールと、
前記電池の充放電中の充電状態と開回路電圧に基づき、前記電池の充電状態の3次スプラインフィッティング関数を作成する関数フィッティングサブモジュールと、を備えることを特徴とする請求項5に記載のシステム。
前記モデル構築モジュールは、
前記最適化されたモデルパラメータに基づき、前記電池の状態方程式を作成する状態方程式サブモジュールと、
前記電池の平衡起電力、オーミックドロップ、RC回路電圧に基づき、前記電池の測定方程式を作成する測定方程式サブモジュールと、
前記測定方程式、前記状態方程式及び前記3次スプラインフィッティング関数に基づき、拡張カルマンフィルタアルゴリズムを用いて、前記電池の充電状態予測モデルを構築するモデル構築サブモジュールと、を備えることを特徴とする請求項5に記載のシステム。
メモリ及びプロセッサを備え、前記プロセッサと前記メモリはバスにより相互に通信を行い、前記メモリには前記プロセッサに実行可能なプログラム指令が記憶され、前記プロセッサは前記プログラム指令を呼び出して、請求項1〜4のいずれか一項に記載の方法を実行することを特徴とする電子設備。
コンピュータプログラムが記憶されるコンピュータ読み取り可能な記憶媒体であって、該コンピュータプログラムがプロセッサにより実行されると、請求項1〜4のいずれか一項に記載の方法を実現することを特徴とするコンピュータ読み取り可能な記憶媒体。