CN112698215A - 使用卷积神经网络装置从电阻抗测量结果中估计电池状态 - Google Patents
使用卷积神经网络装置从电阻抗测量结果中估计电池状态 Download PDFInfo
- Publication number
- CN112698215A CN112698215A CN202011140740.7A CN202011140740A CN112698215A CN 112698215 A CN112698215 A CN 112698215A CN 202011140740 A CN202011140740 A CN 202011140740A CN 112698215 A CN112698215 A CN 112698215A
- Authority
- CN
- China
- Prior art keywords
- electrical impedance
- series
- neural network
- battery
- convolutional neural
- 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
- 238000002847 impedance measurement Methods 0.000 title claims abstract description 131
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 3
- 230000036541 health Effects 0.000 claims description 13
- 230000005518 electrochemistry Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012549 training 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]
- 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]
- G01R31/382—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (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)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本申请涉及使用卷积神经网络装置从电阻抗测量结果中估计电池状态。一种用于估计电化学电池的电池状态的计算机实现的方法和电池状态估计系统，包括：提供(S12)电化学电池(14)的电阻抗测量结果的系列，该系列根据相应测量频率(fs)排序；以及使用人工卷积神经网络装置(28)来确定(S20)电化学电池(14)的电池状态，该人工卷积神经网络装置被配置为接收电阻抗值的系列作为输入，其中该电阻抗值的系列被提供给人工卷积神经网络装置(28)，该电阻抗值的系列对应于所提供的电阻抗测量结果的系列，其中该人工卷积神经网络装置(28)接收并处理所提供的电阻抗值系列，以从中生成表示与电化学电池(14)相关的电池状态(38)的至少一个输出信号。
Description
技术领域
本发明涉及一种估计电化学电池的电池状态的计算机实现的方法。此外，本发明涉及用于估计电化学电池的电池状态的电池状态估计系统。
例如，计算机可以是微控制器。例如，计算机或微控制器可以包括处理单元、存储器和输入/输出端口。
背景
WO 2005/059579 A1和EP 1702219 B1描述了一种用于通过使用神经网络来估计电池的充电状态的装置和方法。该装置包括用于检测来自电池单元的电流、电压和温度的感测部以及基于从感测部向其传输的电流、电压和温度的数据和当前时间数据执行神经网络算法和学习算法的神经网络。在一个示例中，动态多维小波神经网络包括输入域、隐藏层和输出层。
US 4678998A描述了一种电池状况监测器和监测方法。
JP 2003-249271 A和JP 4038788 B2描述了实时确定电池的劣化状态和残余容量。在一个示例中，作为操作中的电池的操作参数，测量单元可以周期性地测量和采样电池的电压、电流、内部阻抗和温度。电池的内部阻抗是通过向电池添加1kHz和100mA的AC信号来测量的。第一神经网络可以基于来自测量单元的电池的操作参数将劣化状态判定为“正常”、“提醒(caution)”和“劣化”，以及第二神经网络可以基于电池的操作参数和来自第一神经网络的劣化状态判定残余容量。第一神经网络和第二神经网络中的每一个都是具有输入层、中间层和输出层的三层前馈网络。
US 6307378 B1描述了一种用于测量电化学池(cell)和电池(battery)阻抗的方法和装置。
WO 03/071617 A2描述了一种用于确定电化学池(诸如电池)的状况参数的方法。在一个示例中，诸如终端电压、电池电压、负载电流、充电电流、环境温度、电池表面温度、终端温度、内部电池温度和阻抗信号的测量结果信号被传递到特征提取处理算法，该算法生成特征向量和特征标志。来自特征向量的数据被传递到用于初始电池容量充电状态估计的神经网络ISOC预测器、以及用于在操作期间连续预测SOC的神经网络CSOC预测器。在另一示例中，包含在特征向量中的信息被神经网络SOH分类器、线性/统计SOH分类器和模糊逻辑SOH分类器用于健康状态分类。被设计用于直接SOC估计的神经网络使用一个隐藏层。
WO 2016/208745 A1及其翻译DE 112016002873 T5描述了一种识别电池的充电状态或放电深度的方法。该方法包括针对多个频率确定电池的正极和负极之间的复阻抗。
WO 2017/110437 A1及其翻译DE 11 2016 003 789 T5描述了一种估计锂离子电池的残余容量的估计设备。
WO 2016/080111 A1及其翻译DE 11 2015 005 201 T5描述了一种用于估计蓄电池的剩余存储电量的估计设备。
US 2013/0307487 A1和US 8994340 B2描述了一种用于在不使用温度传感器的情况下通过测量池(cells)的阻抗并使用该阻抗确定温度，来确定电池组中池的温度的方法和系统。
WO 00/16083和EP 1129343 B1描述了一种在n个离散频率处测量池(cell)或电池的复导抗的实部和虚部的设备。该设备通过评估等效电路模型的组件来确定池/电池的性质。
发明概述
本发明的一个目的是提供一种基于电阻抗测量结果来估计电化学电池的电池状态的新方法。期望的是，该方法更好地利用包括在针对不同测量频率的电阻抗测量结果的系列中的信息。
本发明在独立权利要求中指定。另外的实施例在从属权利要求中指定。
根据本发明的一个方面，提供了一种估计电化学电池的电池状态的计算机实现的方法，该方法包括：
提供电化学电池的电阻抗测量结果的系列，每个电阻抗测量结果是在相应测量频率处被测量到的，该系列是根据相应测量频率进行排序的，
使用人工卷积神经网络装置确定电化学电池的电池状态，该人工卷积神经网络装置被配置为接收电阻抗值的系列作为输入，
其中，电阻抗值的系列被提供给人工卷积神经网络装置，该电阻抗值的系列对应于提供的电阻抗测量结果的系列，
其中，该人工卷积神经网络装置接收并处理提供的电阻抗测量值的系列，以从中生成表示与电化学电池相关的电池状态的至少一个输出信号。
该电阻抗值的系列对应于提供的电阻抗测量结果的系列。也就是说，两个系列表征了在复平面中电阻抗相对于相应系列的元素的索引的相同曲线进展。在本文中，除非另有说明，否则术语“复平面”应理解为电阻抗的复平面。
特别地，基于提供的电阻抗测量结果的系列来提供电阻抗值的系列。
例如，提供的电阻抗值的系列可以与提供的电阻抗测量结果的系列相同或者可以被包括在提供的电阻抗测量结果的系列中，或者可以从提供的电阻抗测量结果的系列生成。
例如，从提供的电阻抗测量结果的系列生成电阻抗值的系列可以包括以下至少一个：在电阻抗测量结果之间进行插值、从电阻抗测量结果中进行选择以及外推电阻抗测量结果。
人工卷积神经网络装置可以接收和处理电阻抗值的系列，以从中根据人工卷积神经网络装置的预定处理结构来生成输出信号。
例如，人工卷积神经网络装置可以包括卷积神经网络(CNN)。
CNN具有输入层、至少一个卷积层和输出层。CNN可以是深度神经网络。可以训练CNN来识别电阻抗测量结果的变换系列中的模式，并将这些模式与相应的电池状态相关联。
例如，人工卷积神经网络装置可能已经被训练成通过检测电阻抗值的系列的表征特性、使用针对预定温度范围的温度以及针对电池的不同健康状态和/或不同充电状态的训练数据，来估计(可充电)电化学电池的电池状态。
由于在卷积神经网络的卷积层内执行的卷积，卷积神经网络特别适合于识别出现在输入向量或输入阵列中的模式。例如，卷积神经网络已知用于对图像进行分类。
已经发现，卷积神经网络由于其模式识别能力，适合于基于对应于电阻抗测量结果的系列的电阻抗值的系列来估计与电化学电池相关的电池状态，该系列是根据相应的测量频率排序的。
相比之下，在WO 03/071617 A2的现有技术中，针对直接SOC估计设计的神经网络使用一个隐藏层，并且来自几个不同测量信号的数据被包括在特征向量中，或者被传递到生成特征向量的特征提取处理算法；该数据包括电参数，诸如电池电压和电流以及温度。因此，WO 03/071617 A2没有公开对特征向量的这种数据应用卷积。
优选地，电化学电池是可充电电化学电池。
估计充电状态的形式的电池状态例如对于诸如移动工具的移动器具或诸如车辆的电驱动的移动装置是非常有价值的。
类似地，对健康状态的形式的电池状态的估计对于设备的可靠性是非常重要的。
对于许多应用，特别是可充电电化学电池，电化学电池的电池温度的形式的电池状态的知识也具有高度重要性。
通过使用人工卷积神经网络装置来估计电池的电池状态，可以基于提供的电阻抗测量结果的系列(即，基于电阻抗值的对应系列)来估计电池状态。具体而言，可以仅基于对应于直接测量结果(诸如直接电测量结果(诸如，仅关于提供的电阻抗测量结果的系列))的值来估计电池状态。
电阻抗也可以被称为复电阻抗，并且可以是复数，并且可以以电阻的单位(例如欧姆)来被表示。
例如，提供的电阻抗测量结果系列中的每个电阻抗测量结果可以是或包括定义了相应电阻抗的实部和虚部的复数。电阻抗也可以以极性形式表示，定义幅度(或振幅)和角度(或相位)。
例如，提供的电阻抗测量结果系列中的电阻抗测量结果可以是相应复数表示(复数)的形式。或者，例如，电阻抗测量结果均可以是振幅和相位的形式，并且所述提供步骤可以包括将电阻抗测量结果转换成电阻抗测量结果的相应复数表示形式的电阻抗测量结果。电阻抗测量结果的“复数表示”包括复数。例如，电阻抗测量结果的复数表示可以是复数。
本文中，术语“电池”应被理解为包括电池单元。电池可包括一个或更多个电池单元。特别地，术语“电池”包括电池单元以及由多个电池单元组成的电池。
具体而言，电化学电池被理解为限定了由一个或更多个具有外部电连接的电化学池组成的设备。例如，电池可以包括两个外部电连接，用于从一个或更多个电化学池吸取电力，并且在可充电电化学电池的情况下，用于对一个或更多个电化学池进行(再)充电。
例如，相应测量频率可以是输入到电化学电池的信号的频率。例如，信号可以是正弦信号。
优选地，提供的电阻抗值的系列中的每个电阻抗值包括复数，该复数定义了相应电阻抗的实部和虚部。
电阻抗值的系列中的元素被馈送到人工卷积神经网络装置的相对应的输入端。因此，基于提供的电阻抗值的系列的自动电池状态估计是可以进行的。
优选地，电阻抗测量结果的系列以数字信号的形式被提供。
优选地，电化学电池的电阻抗测量结果的系列以数字表示的形式被提供。
例如，电阻抗测量结果的系列可以从电阻抗测量单元或电阻抗测量装置接收。
提供电阻抗测量结果的系列可以包括一个接一个地接收该系列中的电阻抗测量结果。
电阻抗测量结果的系列可以被传送到电池状态估计系统，该系统包括用于执行该方法步骤的装置。该系统可以被配置用于提供(包括接收)所传送的电阻抗测量结果。
在一个或更多个实施例中，假设测量频率是对数等距间隔的。优选地，测量频率在测量频率范围(测量频率的频率范围)的至少四个十进位(decade)、且更优选地在测量频率范围的至少五个十进位内以对数等距间隔。
优选地，测量频率包括0.1至1.0Hz的范围内的测量频率。
优选地，测量频率包括1kHz至10kHz的范围内的测量频率。
优选地，测量频率包括测量频率范围的每十进位至少4(四)个测量频率，更优选地测量频率范围的每十进位至少五个测量频率。
提供电阻抗测量结果系列的步骤可以包括接收多个电阻抗测量结果，每个电阻抗测量结果在相应测量频率处被测量，并且：
-根据相关联的测量频率排列多个电阻抗测量结果，以提供电阻抗测量结果系列，或者
-提供多个电阻抗测量结果作为电阻抗测量结果系列。
例如，可选地包括相应测量频率的所排列的多个电阻抗测量结果可以被提供作为电阻抗测量结果系列。
多个电阻抗测量结果或电阻抗测量结果系列可以以电阻抗谱的形式被接收。
例如，在电阻抗测量结果系列中，电阻抗测量结果可以包括相应测量频率。例如，每个电阻抗测量结果可以包括电阻抗的测量值和测量频率。然而，电阻抗测量结果也可以是相应电阻抗的形式，表示为相应复数，或者均被表示为振幅和相位。
生成表示电化学电池的电池状态的输出信号。例如，至少一个输出信号可以表示电池状态的分类和/或估计。
电池状态可以包括以下中的至少一个：电化学电池的充电状态(SoC)、电化学电池的健康状态(SoH)、电化学电池的功能状态(SoF)、电化学电池的容量和电化学电池的温度。
例如，输出信号可以被传输或传送或输出到输出单元，用于输出信号，和/或用于基于输出信号输出可视信号。可视信号可以被显示。
优选地，所提供的电阻抗值的系列具有预定数量的元素。例如，元素的数量可以对应于用于接收电阻抗值的系列的人工卷积神经网络装置的输入端的数量。
例如，从提供的电阻抗测量结果的系列生成电阻抗值的系列可以包括将电阻抗测量结果的系列的元素数量调整到预定的元素数量。
例如，通过将电阻抗测量结果的系列的元素数量调整到预定的元素数量，可以从提供的电阻抗测量结果的系列生成电阻抗值的系列。
例如，该方法可以包括：如果提供的电阻抗测量结果的系列的元素数量不同于预定的元素数量，则将电阻抗测量结果的系列的元素数量调整到预定元素数量。
在一个或更多个实施例中，该方法可以包括调整电阻抗测量结果的系列的元素数量或者调整电阻抗值的系列的元素数量为预定的元素数量。
因此，可以将元素数量调整到人工卷积神经网络装置的相对应的输入端的数量，以用于接收电阻抗值的系列。
例如，预定的元素数量可以是电阻抗值的系列的预定元素数量。
例如，通过将电阻抗测量结果的系列的元素数量调整到预定元素数量，可以将电阻抗值的系列的元素数量调整到预定元素数量。
例如，调整电阻抗测量结果系列的元素数量或电阻抗值的系列的元素数量可以包括以下至少一个：在电阻抗测量结果之间进行插值、从电阻抗测量结果中进行选择、以及外推电阻抗测量结果。在调整步骤中，可以增加、保持、或减少元素的数量。
在一个或更多个实施例中，人工卷积神经网络装置接收并处理电阻抗值的系列，以从中生成表示电化学电池的充电状态的至少一个输出信号。
在一个或更多个实施例中，人工卷积神经网络装置接收并处理电阻抗值的系列，以从中生成表示电化学电池的健康状态的至少一个输出信号。
在一个或更多个实施例中，人工卷积神经网络装置接收并处理电阻抗值的系列，以从中生成表示电化学电池的功能状态的至少一个输出信号。
在一个或更多个实施例中，人工卷积神经网络装置接收并处理电阻抗值的系列，以从中生成表示电化学电池的温度的至少一个输出信号。
在一个或更多个实施例中，该方法还包括：
根据电阻抗测量结果的系列计算电阻抗梯度以生成电阻抗梯度的系列，
其中，人工卷积神经网络装置被配置成接收电阻抗梯度的系列作为进一步的输入，
其中，人工卷积神经网络装置接收并处理至少提供的电阻抗测量值的系列和电阻抗梯度的系列，以从中生成表示与电化学电池相关的电池状态的至少一个输出信号。
因此，可以通过人工卷积神经网络装置提供电阻抗梯度的系列以用于评估，该梯度强调关于电阻抗根据测量频率的变化的信息。
例如，电阻抗测量结果的系列的电阻抗梯度可以相对于测量频率、相对于测量频率的对数或者相对于测量结果的系列的元素的索引来计算。也就是说，在测量结果的系列的元素的相应索引处的相应梯度可以被计算为根据测量频率的变化、根据测量频率的对数的变化或根据测量结果系列的元素的索引的变化的电阻抗的变化。
例如，对于电阻抗测量结果的系列的相应元素，可以计算相对应的梯度，以表达在相应的测量频率、其对数或相应的元素索引处，根据测量频率的变化、根据测量频率的对数的变化或根据元素索引的变化的电阻抗测量结果的值的变化。因此，可以针对离散电阻抗测量结果的系列计算梯度。计算梯度可以对应于相对于测量频率或者相对于测量频率的对数或者测量结果的系列的元素索引将连续的电阻抗曲线进行微分。例如，对于电阻抗测量结果的系列的相应元素，可以基于电阻抗测量结果的系列中的该元素和相邻元素之间的差除以元素的相应索引或相应测量频率的差来计算相对应的梯度。
例如，计算电阻抗测量结果的系列的梯度可以包括计算电阻抗测量结果的系列的实部的梯度和虚部的梯度。
在一个或更多个实施例中，该方法包括：
使用电阻抗测量装置，在不同的测量频率下测量电化学电池的电阻抗，以提供电阻抗测量结果的系列。
例如，可以基于在不同测量频率处测量的电阻抗来提供电阻抗测量结果系列。
对于相应测量频率，可以以任何顺序和/或同时测量电阻抗测量结果。
例如，电阻抗测量装置可以被配置为向电化学电池输入包括相应频率的信号，并确定相同频率的响应信号的振幅和相位与输入信号的振幅和相位的比率，信号的频率和响应信号的频率对应于测量频率。
例如，电阻抗测量装置可以是电阻抗谱测量装置，其被配置用于在一系列测量频率下测量电化学电池的电阻抗。也就是说，根据电化学阻抗谱的过程测量电化学电池的电阻抗。
使用电化学阻抗谱，电化学电池中的电化学过程通过电测量结果来表征，该电测量结果表征电化学电池对施加的AC信号的AC响应。除了结构配置和连接器配置之外，电池中的化学过程还会导致测量阻抗的特征频率相关性。
在特定测量频率下的电阻抗测量期间，DC偏移信号(偏移电压或偏移电流)或DC偏置信号可被施加到电池，其通过测量频率的AC信号调制。
例如，电阻抗测量结果系列可以从独立的测量电路或电阻抗测量装置进行提供。然而，电池状态估计系统也可以包括电阻抗测量装置，其用于测量和提供来自电化学电池的电阻抗测量结果系列。
例如，电化学电池可以是锂离子电池或铅酸电池。
根据本发明的一个方面，可以提供一种监测电化学电池的电池状态的计算机实现的方法。该监测方法可以包括估计电池状态的方法的步骤。
例如，该方法可以在用于监测电化学电池的电池状态的电池监测系统中被实现。
例如，该方法可以在用于对可充电电化学电池进行再充电的电池充电系统中被实现。
根据本发明的一个方面，提供了一种用于估计电化学电池的电池状态的电池状态估计系统，该系统包括用于执行所述方法的步骤的装置。
例如，该系统可以是或可以被包括在用于监测电化学电池的电池状态的系统中。
例如，该系统可以是或可以被包括在用于对可充电电化学电池进行再充电的电池充电系统中。
在一个或更多个实施例中，电池状态估计系统还包括：电阻抗测量装置，其被配置用于在不同的测量频率处测量电化学电池的电阻抗，以提供电阻抗测量结果系列。
附图说明
现在将结合附图来描述本发明的优选实施例，其中：
图1是估计可充电电化学电池的电池状态的方法的示意图；
图2是示出在相应测量频率下和在相应电池温度下测量的可充电电化学电池的电阻抗测量结果的系列的示意图表；
图3是示出在相应测量频率下和在电池的相应健康状态下测量的可充电电化学电池的电阻抗测量结果的系列的示意图表；
图4是确定电阻抗的梯度的示意图；以及
图5是用于估计可充电电化学电池的电池状态的系统的示意图。
具体实施方式
图1示意性地示出了估计可充电电化学电池(例如，锂离子电池)的电池状态的计算机实现的方法。例如，该方法可以由如下文参考图5进一步描述的电池状态估计系统执行。
步骤S10是使用电阻抗测量装置在不同的测量频率下测量电化学电池的电阻抗的步骤。
在步骤S12中，通过测量电阻抗，电化学电池的电阻抗测量结果系列以数字信号的形式被提供例如作为数据集。该系列根据相应测量频率排序，优选地根据增加的测量频率的顺序来排序。
然而，该方法也可以从提供测量结果的步骤S12开始，该测量结果可以独立于该方法进行测量，并且可以被传送到执行该方法的计算机。
在所提供的电阻抗测量结果还不是复数的形式(表示复阻抗)的情况下，该方法可以包括将所提供的电阻抗测量结果转换成复数的可选步骤S14。
在可选步骤S16中，电阻抗测量结果系列的元素数量被调整到预定的元素数量，例如，调整到21个元素的数量。
在步骤S18中，将电阻抗测量结果的系列作为电阻抗值的系列提供给人工卷积神经网络装置，该人工卷积神经网络装置被配置为接收电阻抗值的系列作为输入。
在步骤S20中，人工卷积神经网络装置处理该电阻抗值的系列，以从中生成表示电池状态的输出信号。因此，基于电阻抗值的系列，确定电化学电池的电池状态。在步骤S22中，输出电池状态。例如，电池状态可以是电池的健康状态。
图2示例性地示出了在电池的相应温度T下测量的电阻抗测量结果的四个系列。每个系列包括在相应测量频率fs处测量的电阻抗测量结果。每个系列的测量结果由具有相应图案的圆圈表示。
图2是电阻抗Z的虚部Im(Z)和实部Re(Z)的二维图形形式的奈奎斯特图。为了说明的目的，系列的元素由一条线连接。根据惯例，虚部以相反的方向显示，其中虚部朝向图2的底部增加。在图2中，箭头fs示例性地示出了测量结果25随着增加的测量频率fs的顺序。
优选地，测量结果是在对数进展的测量频率下取得的。优选地，测量结果系列包括测量频率范围的每十进位至少4(四)个测量结果。在图2中，电阻抗测量结果系列的电阻抗测量结果仅出于说明的目的被示意性地示出。图2中示出的测量结果的数量可能偏离实际使用的测量结果的数量，并且仅仅是为了说明的目的。
如图2所示，对于不同的温度T，复平面中电阻抗测量结果的系列的曲线显示出很大的变化。通常，该变化相对于温度T是高度非线性的。
图2中所示的测量结果的多个系列对应于不同的温度，但是对应于电池的相同或相似的健康状态和相同或相似的充电状态。然而，如图3所示，在相同或相似的温度和相同或相似的充电状态下，针对不同的健康状态(SoH)提供了电阻抗测量结果的不同系列A到G。图3示意性示出了在电池的不同健康状态下测量的电阻抗测量结果的系列。这些系列由接续线示意性示出。
因此，电阻抗测量结果的曲线进展根据温度以及电池的健康状态而变化。
除了电阻抗值的系列之外，电阻抗梯度的系列可以被提供作为人工卷积神经网络装置的进一步输入。
图4示意性地示出了由一条线连接的电阻抗测量结果的系列的一部分。该系列包括在测量频率fs下取得的第一测量结果，以及在测量频率fs+1下取得的第二测量结果，其中s和s+1表示该测量结果系列中的相应索引。测量结果之间的差的实部和虚部表示为△Rs、△Is。
对于相应测量频率fs，电阻抗梯度相对于测量频率被计算如下：电阻抗梯度的实部计算如下：△Rs/(fs+1-fs)；电阻抗梯度的虚部计算如下：△Is/(fs+1-fs)。
因此，计算电阻抗测量结果的系列相对于测量频率的梯度。
在另一个实施例中，梯度可以相对于测量结果的系列中的元素指数s计算如下：电阻抗梯度的实部可以计算为：△Rs/((s+1)-s)＝△Rs；电阻抗梯度的虚部可以计算为：△Is/((s+1)-s)＝△Is。
在又一个实施例中，梯度可以相对于测量频率的对数计算如下：电阻抗梯度的实部计算如下：△Rs/(logB(fs+1)-logB(fs))；电阻抗梯度的虚部计算如下：△Is/(logB(fs+1)-logB(fs))；其中logB是以B为底的对数；例如，B＝10。
图5示意性地示出了被配置用于执行图1的方法的电池状态估计系统10的示例，该系统可选地包括电阻抗测量装置12。例如，电池状态估计系统10可以在计算机(诸如微控制器)中实现。例如，包括系统10和可选的电阻抗测量装置12的微控制器可以是用于监测电化学电池14的电池状态的电池监测系统的一部分。
电阻抗测量装置12包括电阻抗测量单元16。电池状态估计系统10还包括预处理单元20和计算装置22。
对于一系列测量频率fs，电阻抗测量单元12向待测量的电化学电池14施加激励信号，例如相应测量频率fs的正弦信号。该信号是以小振幅交流(AC)信号形式的输入，并且测量来自电池14的交流响应。例如，电流信号被输入，并且电压响应信号被测量。可选的，电压信号被输入，并且电流响应信号被测量。在测量期间，可以根据电化学电池14的类型施加直流(DC)偏置电压或DC偏置电流。如大家所知道的，测量设置对应于电化学阻抗谱(EIS)测量设置。根据针对电化学电池14预先确定的测量设置，对于相应测量结果，将测量频率在对数标度上以等距步长排列或增加。
在特定测量频率处测量的电阻抗是AC响应信号的振幅和相位与输入信号的振幅和相位的比率，并且表示为复数(复阻抗)。例如，测量频率的每十进位可以使用四个不同的测量频率。
预处理单元20包括标准化装置24，用于提供来自电阻抗测量装置12的电阻抗测量结果的系列，并用于将电阻抗测量结果的系列的元素数量调整到预定元素数量，例如21个元素。例如，可以通过插值该系列的元素来调整元素的数量。在由标准化装置24提供的电阻抗测量结果的系列已经具有预定数量的元素的目标值的情况下，标准化装置24保持元素数量。
预处理单元20还包括梯度计算装置26，其从标准化装置24接收电阻抗测量结果的标准化系列。梯度计算装置26计算电阻抗测量结果的系列相对于测量频率的梯度，以类似于上面参照图4所解释地生成电阻抗梯度的系列。因此，梯度计算装置26根据电阻抗测量结果的标准化系列生成电阻抗梯度的系列。
计算装置22包括人工卷积神经网络装置28，其具有第一输入装置30，用于从预处理单元20接收电阻抗测量结果的标准化系列作为电阻抗值的系列。
此外，人工卷积神经网络装置28具有第二输入装置32，用于从梯度计算装置26接收电阻抗梯度的系列。
例如，电阻抗值的系列和电阻抗梯度的系列一起可以形成人工神经网络装置28的输入(诸如输入向量或输入阵列)。
此外，人工卷积神经网络装置28包括输出装置36，其用于输出表示与电化学电池14相关的电池状态(例如健康状态)的输出信号38。人工卷积神经网络装置28接收并处理电阻抗值的系列和电阻抗梯度的系列，并从中生成输出信号。
人工卷积神经网络装置28已经被训练成通过检测电阻抗值的系列和电阻抗梯度的系列的表征特性来估计电化学电池14的电池状态38。确定的电池状态38由输出装置36输出。
该系统还可以用仅具有用于接收电阻抗测量结果的标准化系列的第一输入装置30的人工卷积神经网络装置28来实现。在这种情况下，优选地，预处理单元20不包括梯度计算装置26。
Claims (10)
1.一种估计电化学电池的电池状态的计算机实现的方法，所述方法包括：
提供(S12)电化学电池(14)的电阻抗测量结果的系列，每个电阻抗测量结果是在相应的测量频率(fs)处被测量的，所述系列根据所述相应的测量频率(fs)排序，
使用人工卷积神经网络装置(28)来确定(S20)所述电化学电池(14)的电池状态，所述人工卷积神经网络装置被配置为接收电阻抗值的系列作为输入，
其中，所述电阻抗值的系列被提供给所述人工卷积神经网络装置(28)，所述电阻抗值的系列对应于所提供的电阻抗测量结果的系列，
其中，所述人工卷积神经网络装置(28)接收并处理所提供的电阻抗值的系列，以从中生成表示与所述电化学电池(14)相关的电池状态(38)的至少一个输出信号。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述电阻抗测量结果的系列的元素数量调整(S16)到预定的元素数量。
3.根据权利要求1或2所述的方法，其中，所述人工卷积神经网络装置(28)接收并处理所述电阻抗值的系列，以从中生成表示所述电化学电池(14)的充电状态的至少一个输出信号。
4.根据前述权利要求中任一项所述的方法，其中，所述人工卷积神经网络装置(28)接收并处理所述电阻抗值的系列，以从中生成表示所述电化学电池(14)的健康状态的至少一个输出信号。
5.根据前述权利要求中任一项所述的方法，其中，所述人工卷积神经网络装置(28)接收并处理所述电阻抗值的系列，以从中生成表示所述电化学电池(14)的功能状态的至少一个输出信号。
6.根据前述权利要求中任一项所述的方法，其中，所述人工卷积神经网络装置(28)接收并处理所述电阻抗值的系列，以从中生成表示与所述电化学电池(14)相关的温度的至少一个输出信号。
7.根据前述权利要求中任一项所述的方法，其中，所述方法还包括：
根据所述电阻抗测量结果的系列计算电阻抗梯度以生成电阻抗梯度的系列，
其中，所述人工卷积神经网络装置(28)被配置成接收所述电阻抗梯度的系列作为进一步的输入，
其中，所述人工卷积神经网络装置(28)接收并处理至少所提供的电阻抗测量值的系列和所述电阻抗梯度的系列，以从中生成表示与所述电化学电池(14)相关的电池状态(38)的至少一个输出信号。
8.根据前述权利要求中任一项所述的方法，其中，所述方法还包括：
在不同的测量频率(fs)处测量(S10)所述电化学电池(14)的电阻抗，以提供所述电阻抗测量结果的系列。
9.一种用于估计电化学电池(14)的电池状态的电池状态估计系统，所述系统包括用于执行根据权利要求1至8中任一项所述的方法的步骤的装置。
10.根据权利要求8所述的电池状态估计系统，所述电池状态估计系统还包括：
电阻抗测量装置(12)，所述电阻抗测量装置被配置用于在不同的测量频率(fs)处测量电化学电池(14)的电阻抗，以提供所述电阻抗测量结果的系列。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19204756.1 | 2019-10-23 | ||
| EP19204756.1A EP3812783A1 (en) | 2019-10-23 | 2019-10-23 | Estimating a battery state from electrical impedance measurements using convolutional neural network means |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112698215A true CN112698215A (zh) | 2021-04-23 |
| CN112698215B CN112698215B (zh) | 2024-05-17 |
Family
ID=68342592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011140740.7A Active CN112698215B (zh) | 2019-10-23 | 2020-10-22 | 使用卷积神经网络装置从电阻抗测量结果中估计电池状态 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210123979A1 (zh) |
| EP (1) | EP3812783A1 (zh) |
| CN (1) | CN112698215B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180210A (zh) * | 2020-09-24 | 2021-01-05 | 华中科技大学 | 一种配电网单相接地故障选线方法及系统 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3992643B1 (en) * | 2020-11-02 | 2024-09-25 | Aptiv Technologies AG | Methods and systems for determining a state of an arrangement of electric and/or electronic components |
| CN114636933B (zh) * | 2022-05-23 | 2022-09-13 | 长沙矿冶研究院有限责任公司 | 基于复合神经网络的退役动力电池容量的检测方法及系统 |
| EP4296701A1 (en) | 2022-06-24 | 2023-12-27 | Novum engineerING GmbH | Battery test system, battery test bench and server and method for assessing a battery state |
| CN118336738A (zh) * | 2024-02-19 | 2024-07-12 | 湖南大学 | 一种基于阻抗信息学习的电网暂态电压稳定评估方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101131417A (zh) * | 2006-08-22 | 2008-02-27 | 德尔菲技术公司 | 电池监测系统 |
| JP2013519893A (ja) * | 2010-02-17 | 2013-05-30 | イエフペ エネルジ ヌヴェル | 電気化学インピーダンス分光法によるその場での電池の診断方法 |
| CN106289566A (zh) * | 2016-07-19 | 2017-01-04 | 清华大学 | 一种基于电化学阻抗对二次电池内部温度估算的方法 |
| US20180067169A1 (en) * | 2016-09-06 | 2018-03-08 | Primearth Ev Energy Co., Ltd. | Battery capacity measuring device and battery capacity measuring method |
| US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| CN109143108A (zh) * | 2018-07-25 | 2019-01-04 | 合肥工业大学 | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61170678A (ja) | 1985-01-25 | 1986-08-01 | Nissan Motor Co Ltd | バツテリ状態検知装置 |
| US6037777A (en) | 1998-09-11 | 2000-03-14 | Champlin; Keith S. | Method and apparatus for determining battery properties from complex impedance/admittance |
| US6307378B1 (en) | 2000-01-03 | 2001-10-23 | The Penn State Research Foundation | Method and apparatus for measurement of electrochemical cell and battery impedances |
| 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 |
| KR100651573B1 (ko) | 2003-12-18 | 2006-11-29 | 주식회사 엘지화학 | 신경망을 이용한 배터리 잔존량 추정 장치 및 방법 |
| US8994340B2 (en) | 2012-05-15 | 2015-03-31 | GM Global Technology Operations LLC | Cell temperature and degradation measurement in lithium ion battery systems using cell voltage and pack current measurement and the relation of cell impedance to temperature based on signal given by the power inverter |
| US9536293B2 (en) * | 2014-07-30 | 2017-01-03 | Adobe Systems Incorporated | Image assessment using deep convolutional neural networks |
| JP6555773B2 (ja) | 2014-11-18 | 2019-08-07 | 学校法人立命館 | 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム |
| US10534038B2 (en) | 2015-06-26 | 2020-01-14 | Japan Aerospace Exploration Agency | Method and system for estimating state of charge or depth of discharge of battery, and method and system for evaluating health of battery |
| JP6323441B2 (ja) | 2015-12-25 | 2018-05-16 | マツダ株式会社 | リチウムイオン電池残容量推定装置 |
| CN111164822A (zh) * | 2017-07-25 | 2020-05-15 | 株式会社半导体能源研究所 | 蓄电系统、电子设备及车辆以及推测方法 |
| WO2019021095A1 (ja) * | 2017-07-26 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 二次電池の充電制御システム及び二次電池の異常検出方法 |
| US20210033675A1 (en) * | 2018-03-20 | 2021-02-04 | Gs Yuasa International Ltd. | Degradation estimation apparatus, computer program, and degradation estimation method |
| JP7157908B2 (ja) * | 2018-12-20 | 2022-10-21 | トヨタ自動車株式会社 | 電池容量の推定方法および電池容量の推定装置 |
| US11574223B2 (en) * | 2019-10-07 | 2023-02-07 | Intelligent Fusion Technology, Inc. | Method and apparatus for rapid discovery of satellite behavior |
| EP4046061A1 (en) * | 2019-10-14 | 2022-08-24 | Ventana Medical Systems, Inc. | Weakly supervised multi-task learning for cell detection and segmentation |
-
2019
- 2019-10-23 EP EP19204756.1A patent/EP3812783A1/en active Pending
-
2020
- 2020-10-22 CN CN202011140740.7A patent/CN112698215B/zh active Active
- 2020-10-22 US US17/077,919 patent/US20210123979A1/en not_active Abandoned
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101131417A (zh) * | 2006-08-22 | 2008-02-27 | 德尔菲技术公司 | 电池监测系统 |
| JP2013519893A (ja) * | 2010-02-17 | 2013-05-30 | イエフペ エネルジ ヌヴェル | 電気化学インピーダンス分光法によるその場での電池の診断方法 |
| CN106289566A (zh) * | 2016-07-19 | 2017-01-04 | 清华大学 | 一种基于电化学阻抗对二次电池内部温度估算的方法 |
| US20180067169A1 (en) * | 2016-09-06 | 2018-03-08 | Primearth Ev Energy Co., Ltd. | Battery capacity measuring device and battery capacity measuring method |
| US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
| CN109143108A (zh) * | 2018-07-25 | 2019-01-04 | 合肥工业大学 | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180210A (zh) * | 2020-09-24 | 2021-01-05 | 华中科技大学 | 一种配电网单相接地故障选线方法及系统 |
| CN112180210B (zh) * | 2020-09-24 | 2021-08-10 | 华中科技大学 | 一种配电网单相接地故障选线方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210123979A1 (en) | 2021-04-29 |
| CN112698215B (zh) | 2024-05-17 |
| EP3812783A1 (en) | 2021-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112698215B (zh) | 使用卷积神经网络装置从电阻抗测量结果中估计电池状态 | |
| US11598816B2 (en) | Method and system for online assessing state of health of a battery | |
| US20200081070A1 (en) | Neural-network state-of-charge and state of health estimation | |
| Gasper et al. | Predicting battery capacity from impedance at varying temperature and state of charge using machine learning | |
| JP7157909B2 (ja) | 電池容量の推定方法、および電池容量の推定装置 | |
| JP7157908B2 (ja) | 電池容量の推定方法および電池容量の推定装置 | |
| KR20200023672A (ko) | 딥러닝을 이용한 전지 진단 방법 | |
| US20230003805A1 (en) | Method for estimating the state of an energy store | |
| CN112698216B (zh) | 估计电化学电池的温度 | |
| US11385296B2 (en) | Estimating a battery state of an electrochemical battery | |
| Park et al. | Capacity estimation of Li-ion batteries using constant current charging voltage with multilayer perceptron | |
| Kim et al. | State of health estimation of li-ion batteries using multi-input lstm with optimal sequence length | |
| Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
| Vaidya et al. | State of temperature detection of Li-ion batteries by intelligent gray box model | |
| Huang et al. | An approach to measurements of electrical characteristics of lithium-ion battery with open-circuit voltage function | |
| Nenadic et al. | Estimation of state-of-charge and capacity of used lithium-ion cells | |
| CN112698213B (zh) | 分析电化学电池的电阻抗测量结果 | |
| CN112698212B (zh) | 根据电阻抗测量结果的梯度估计电池状态 | |
| CN117949827A (zh) | 基于电化学阻抗检测的异常识别方法、系统及计算机设备 | |
| CN114740389A (zh) | 电池健康评估方法、装置、电子设备和可读存储介质 | |
| Shete et al. | Fault Diagnosis and State of Charge Estimation of Battery for Electric Vehicle Applications | |
| Ghosh et al. | A White Box Equivalent Neural Network Ensemble for Health Estimation of Lithium-Ion Batteries | |
| Lotano et al. | Prediction of Li-Ion Battery State-of-Health Based on Data-Driven Approach | |
| Paul et al. | Comparative Study of Different Regression Models for Estimating Lithium Ion Battery Pack Capacity | |
| Kumar et al. | Vital health indicator based state of health estimation of lithium-ion battery by adaptive neuro-fuzzy inference system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |