專利名稱：使用神經(jīng)網(wǎng)絡評估電池的充電狀態(tài)的設備和方法
技術領域：
本發(fā)明大體涉及一種用于評估電池的充電狀態(tài)(SOC)的設備和方法，更具體地涉及一種通過使用神經(jīng)網(wǎng)絡評估表現(xiàn)出非線性特性的電池的充電狀態(tài)(SOC)的設備和方法。
背景技術：
一般而言，電池的充電狀態(tài)(SOC)表現(xiàn)出非線性的特征，所以難以精確檢測電池的SOC。從而，電池的SOC值不是檢測的而是估計的。特別地，用于具有高C-rates的混合電動車輛(HEVs)或電動車輛(EVs)的電池的SOC可能表現(xiàn)出較強的非線性特征，所以幾乎不可能精確地檢測這些電池的SOC。
傳統(tǒng)地，Ah-計算(安培小時計算)方案，OCV(開路電壓)測量方案，或電池阻抗測量方案，已經(jīng)被用于評估該電池的SOC。
首先，Ah-計算方案通過檢測該電池的實際容量評估電池的SOC。在此情況下，該電池的SOC評估值可能取決于用于檢測電池的實際容量的傳感器的狀態(tài)。因此，電池的SOC的評估值可以依據(jù)傳感器的精確度和誤差度而變化。
OCV測量方案基于電池的開路電壓評估電池的SOC。然而在此情況下，電池的SOC只能在電池的休眠狀態(tài)下進行評估。此外，OCV測量方案受到外部環(huán)境的影響，例如外部溫度。
電池阻抗測量方案基于電池的阻抗值評估電池的SOC。然而，電池阻抗測量方案顯著受到外部溫度的影響，這樣對于電池的SOC的評估值的可靠性可能被降低。
因此，有必要提供一種用于精確評估電池的SOC的方法，同時最小化其評估誤差而與外部溫度無關。

發(fā)明內容
本發(fā)明致力于一種用于評估電池的SOC的設備和方法，其基本消除了由于現(xiàn)有技術的限制和缺點造成的一個或更多問題。本發(fā)明的目的是提供一種使用神經(jīng)網(wǎng)絡精確評估電池的SOC的設備和方法。
本發(fā)明的另一個目的是提供一種通過使用在包括各種溫度和C-rates的各種環(huán)境下的數(shù)據(jù)最小值，能夠動態(tài)評估電池的SOC的設備和方法。
為了實現(xiàn)根據(jù)本發(fā)明的這些目標和其他優(yōu)點，如這里具體地和廣泛地描述，提供一種用于評估電池的充電狀態(tài)(SOC)的設備，該設備包括用于從電池單元檢測電流、電壓和溫度的檢測部分；神經(jīng)網(wǎng)絡，基于從檢測部分發(fā)送到那里的電流、電壓和溫度數(shù)據(jù)以及當前時間數(shù)據(jù)執(zhí)行神經(jīng)網(wǎng)絡算法和學習算法，從而輸出通過最終學習算法評估的電池的SOC；以及比較器，用于將神經(jīng)網(wǎng)絡的輸出值與預定目標值相比較，并且如果神經(jīng)網(wǎng)絡的輸出值和預定目標值之間的差值在預定可允許極限之外，使得神經(jīng)網(wǎng)絡迭代地執(zhí)行該學習方法，并更新學習算法以形成最終的學習算法。
根據(jù)本發(fā)明的優(yōu)選實施例，預定目標值可以為電池的“真實”SOC。然而，難以精確地計算該預定目標值，所以通過在特定條件下進行實驗獲得的參考值被用作目標值。例如，基于分別地或彼此算術補償?shù)貜碾姵氐念~定容量或電池的開路電壓減去充電器/放電器的安培-小時數(shù)據(jù)的值，獲得參考值。
盡管與動態(tài)多維小波神經(jīng)網(wǎng)絡算法形式的神經(jīng)網(wǎng)絡相關地描述了本發(fā)明，本發(fā)明也可以使用動態(tài)小波神經(jīng)網(wǎng)絡算法或靜態(tài)小波神經(jīng)網(wǎng)絡算法。此外，盡管與反向傳播學習算法相關地描述了本發(fā)明，本發(fā)明也可以使用Kalman濾波器方案、GA或模糊學習算法。
為了實現(xiàn)本發(fā)明的以上目標，根據(jù)本發(fā)明的另一個方面，提供一種通過使用神經(jīng)網(wǎng)絡評估電池的充電狀態(tài)(SOC)的方法，該方法包括以下步驟(a)基于從電池檢測的電流、電壓和溫度數(shù)據(jù)和當前時間數(shù)據(jù)執(zhí)行學習算法；以及(b)輸出通過通過執(zhí)行學習方法產(chǎn)生的最終學習算法評估的電池的SOC。
根據(jù)本發(fā)明的優(yōu)選實施例，步驟(a)包括這些子步檢測電池的電流、電壓和溫度；通過使用作為學習數(shù)據(jù)的從電池檢測的電流值、電壓和溫度的數(shù)據(jù)以及當前時間數(shù)據(jù)，執(zhí)行神經(jīng)網(wǎng)絡算法；檢查在通過神經(jīng)網(wǎng)絡算法輸出的輸出值和預定目標值之間的差值是否在預定可允許極限內；以及如果該差值在預定可允許的極限之外，迭代地執(zhí)行學習算法，從而更新該學習算法以產(chǎn)生最終學習算法。
根據(jù)本發(fā)明的優(yōu)選實施例，步驟(b)包括以下子步檢測從電池的電流、電壓和溫度；以及，基于從電池檢測的電流、電壓和溫度的數(shù)據(jù)以及當前時間數(shù)據(jù)通過步驟(a)獲得的最終學習算法，通過由該最終學習算法評估該電池的SOC，輸出電池的SOC。
本發(fā)明的另外的優(yōu)點、目標和特征將在之后的描述的部分中闡明，并且部分對于那些本領域普通技術人員，基于后面的審查將會變得明顯，或可通過實踐本發(fā)明學會?？梢酝ㄟ^其說明書和權利要求書以及附圖中具體指出的結構實現(xiàn)和獲得得本發(fā)明的目標和其他優(yōu)點。


圖1是示意性地說明根據(jù)本發(fā)明的優(yōu)選實施例用于評估電池的SOC的設備的框圖；圖2是顯示用于本發(fā)明的動態(tài)多維小波神經(jīng)網(wǎng)絡的結構的視圖；圖3是順序描述根據(jù)本發(fā)明的優(yōu)選實施例使用神經(jīng)網(wǎng)絡的學習步驟的流程圖；圖4是順序描述使用通過從圖3所示學習步驟獲得的最終評估算法輸出電池的SOC的步驟的流程圖。
具體實施例方式
現(xiàn)在將詳細參考本發(fā)明的優(yōu)選實施例，其例子在附圖中進行描述。可能的任何地方，在所有附圖中使用相同的參考標號表示相同或類似的部件。
以下，將參考附圖詳細地解釋本發(fā)明的優(yōu)選實施例。
圖1為示意性地描述根據(jù)本發(fā)明的優(yōu)選實施例用于評估電池的SOC的設備100的框圖。
參考圖1，用于使用神經(jīng)網(wǎng)絡評估電池的SOC的設備100包括用于檢測電池單元10的電流(i)的電流檢測單元12；用于檢測電池單元10的電壓(V)的電壓檢測單元14；用于檢測電池單元10的溫度(T)的溫度檢測單元16；神經(jīng)網(wǎng)絡20，其用于通過使用學習數(shù)據(jù)執(zhí)行神經(jīng)網(wǎng)絡算法和學習算法，所述學習數(shù)據(jù)包括由上述檢測單元12、14、16檢測的電流(i)、電壓(V)、溫度(T)以及時間(K)，并用于基于由完成神經(jīng)網(wǎng)絡算法和學習算法產(chǎn)生的最終學習算法公式，輸出評估的SOC；用于將充電/放電電流提供給電池單元10的充電器/放電器30；以及比較器40，其將從神經(jīng)網(wǎng)絡20輸出的電池的輸出SOC(go)與目標SOC(gT)比較，檢查在輸出SOC(go)和目標SOC(gT)之間的差值是否在預定可允許的極限內，以及如果該差值在預定可允許的極限之外，使得神經(jīng)網(wǎng)絡20迭代地執(zhí)行學習算法，從而更新該學習算法來產(chǎn)生最終學習算法。
優(yōu)選地，通過在特殊條件下進行實驗獲得目標SOC(gT)。例如，通過從電池的額定容量(gN)減去充電器/放電器30的Ah(安培-小時)數(shù)據(jù)(gr)得到該目標SOC(gT)，也就是，(gT)＝(gN)-(gr)。這是因為，如果誤差在可接受的極限內，可以通過從電池的額定容量中減去對應于在電池中已經(jīng)使用的容量的Ah數(shù)據(jù)可以獲得理想目標SOC。可選擇地，基于電池的開路電壓值獲得目標SOC(gT)。優(yōu)選地，彼此算術地補償Ah-計算方案的值和OCV測量方案的值。
圖2為顯示用于本發(fā)明的神經(jīng)網(wǎng)絡的結構的視圖。
根據(jù)本發(fā)明的優(yōu)選實施例，該神經(jīng)網(wǎng)絡包括動態(tài)多維小波神經(jīng)網(wǎng)絡。
參考圖2，動態(tài)多維小波神經(jīng)網(wǎng)絡包括輸入?yún)^(qū)域、隱蔽層和輸出層。
為了將電池SOC評估算法應用于該動態(tài)多維小波神經(jīng)網(wǎng)絡，可以基于小波理論分析任意函數(shù)f(x)∈L2(R)如下。
等式1 這里，an為基礎函數(shù)(·)的系數(shù)，用于分析任意函數(shù)f(x)。此外，2m和n分別為基礎函數(shù)(·)的擴張和平移參數(shù)。
此外，任意函數(shù)f(x)的接近函數(shù)g(x)由等式2表示。
等式2
等式2可以被如下應用于圖2中顯示的動態(tài)多維小波神經(jīng)網(wǎng)絡在圖2中，xd(k)為輸入到動態(tài)多維小波神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)向量。根據(jù)本實施例，xd(k)為包括在時間(k)的預定周期期間輸入到動態(tài)多維小波神經(jīng)網(wǎng)絡中的電流、電壓和溫度組成的輸入數(shù)據(jù)的向量。也就是說，xd(k)＝(i，v，T，k)。此外，go(xd(k))是基于輸入數(shù)據(jù)通過動態(tài)多維小波神經(jīng)網(wǎng)絡估計的輸出值。該go(xd(k))如等式3表示。
等式3 這里，WnD和Wnoo為代表聯(lián)結權重的系數(shù)，其在每個時間(k)基于反向傳播(BP)學習算法更新，這樣任意函數(shù)可以用非線性函數(shù)來近似地識別。
如果在由動態(tài)多維小波神經(jīng)網(wǎng)絡的比較器40檢測到的輸出值go和目標值gT之間差值不在預定可允許的極限(例如3％)內，則通過神經(jīng)網(wǎng)絡20迭代地進行后面的反向傳播學習算法。
在解釋反向傳播(BP)學習算法之前，注意誤差函數(shù)如等式4定義。
等式4E=12(gT(k)-go(k))2]]>這里，gT(k)為理想輸出值，也就是目標值，和go(k)為神經(jīng)網(wǎng)絡20的實際輸出值。當以gT(k)-go(k)＝e(k)代入等式4，獲得如等式5中表示的誤差梯度。
等式5∂E∂W=e(k)∂g(k)∂W]]>同樣，獲得如等式6所示的誤差梯度WnD和Wnoo。
等式6∂go(k)∂Wnoo=Xn(k)...(1)]]>∂go(k)∂WnD=ΣoWnooPn(k)...(2)]]> 因此，對于聯(lián)結權重的最終更新如下實現(xiàn)等式7W(t+1)=W(t)+η(-∂E∂W),]]>這里，η為學習速度。
這樣，該神經(jīng)網(wǎng)絡20將基于WnD、Wnoo和Xn(k)的更新值重新產(chǎn)生的新輸出值go迭代地發(fā)送到比較器40，同時迭代地執(zhí)行反向傳播學習算法。此外，迭代地執(zhí)行這樣的過程直到確定該輸出值go和該目標值gT之間的差預定可允許的極限內。
當確定輸出值go和目標值gT之間的差限制在預定可允許極限內時，通過使用神經(jīng)網(wǎng)絡完成學習算法，以及通過使用通過該學習算法獲得的最終評估算法公式(即等式3)，輸出評估的SOC。
在下文中，將參考圖3和圖4描述用于評估電池的SOC的方法。
根據(jù)本發(fā)明的用于評估電池的SOC的方法包括使用神經(jīng)網(wǎng)絡的學習步驟，也就是，通過執(zhí)行神經(jīng)網(wǎng)絡算法和學習算法獲得最終評估算法的步驟；和用于通過使用最終評估算法輸出電池的SOC的SOC輸出步驟。
圖3為順序地描述根據(jù)本發(fā)明的優(yōu)選實施例的使用神經(jīng)網(wǎng)絡的學習步驟的流程圖。
參考圖3，從電池單元10檢測該電流(i)、電壓(V)和溫度(T)(步驟10)。然后，通過使用檢測到的電流(i)、電壓(V)、溫度(T)和其時間數(shù)據(jù)(k)作為輸入數(shù)據(jù)向量，即，xd(k)＝(i，v，T，k)，進行動態(tài)多維小波神經(jīng)網(wǎng)絡算法。結果，可以獲得輸出值go(步驟12)。
在這之后，將該輸出值go與目標值gT進行比較，并檢查輸出值go與目標值gT之間的差值是否在3％的預定誤差極限內(步驟14)。雖然在本實施例中預定的可允許誤差極限設為3％，如果需要，可以改變預定的可允許誤差極限。隨著可允許誤差極限減小，該電池的SOC可以被精確地評估。相反的，隨著可允許誤差極限增大，該電池的SOC可以被不準確地評估。
如果在步驟14中確定該差值超出預定可允許誤差極限，可執(zhí)行反向傳播學習算法，從而獲得更新的輸出值go(步驟16)。然后，程序回到步驟14。
同時，如果在步驟14中確定該差值等于或小于預定可允許誤差極限，神經(jīng)網(wǎng)絡學習算法完成(步驟18)。結果，通過學習算法獲得最終評估算法公式(即等式3)。
圖4為描述使用通過圖3所示的該學習算法獲得的最終評估算法輸出電池的SOC的過程。
參考圖4，從電池單元10檢測電流(i)、電壓(V)和溫度(T)(步驟20)。然后，通過使用通過圖3所示的學習算法獲得的最終評估算法輸出該電池的SOC，同時使用檢測的電流(i)、電壓(V)和溫度(T)以及其時間數(shù)據(jù)(k)作為輸入數(shù)據(jù)向量，即，xd(k)＝(i，v，T，k)(步驟22)。
雖然已經(jīng)與動態(tài)多維小波神經(jīng)網(wǎng)絡的形式的神經(jīng)網(wǎng)絡有關地描述了本發(fā)明，但本發(fā)明并不排他性地局限于此。也就是，本發(fā)明可應用前饋神經(jīng)網(wǎng)絡，循環(huán)神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡等。
此外，雖然本發(fā)明采用了反向傳播學習算法作為學習算法，本發(fā)明不是排他性地局限于此。例如，本發(fā)明可以采用傳統(tǒng)Kalman濾波器方案、GA(遺傳算法)以及模糊學習算法。
如上所述，本發(fā)明可以通過神經(jīng)網(wǎng)絡算法和學習算法動態(tài)評估電池的SOC。特別地，電池的SOC甚至可以在多種外部環(huán)境下精確地評估，包括多種溫度和C-rates。本發(fā)明可有效用于必須精確評估電池的SOC的混合電氣車輛領域。
前述的實施例只是示例性的而不解釋為限制本發(fā)明?，F(xiàn)有的技術教導可以被容易地應用到其他類型的設備。本發(fā)明的描述意圖為描述性的，而不是限制權利要求書的范圍。很多替換、改變和變化對于本領域技術人員是明顯的。
權利要求
1.一種用于評估電池的充電狀態(tài)(SOC)的設備，該設備包括用于從電池單元檢測電流、電壓和溫度的檢測部分；神經(jīng)網(wǎng)絡，其基于從檢測部分發(fā)送過來的電流、電壓和溫度的數(shù)據(jù)以及當前時間數(shù)據(jù)，執(zhí)行神經(jīng)網(wǎng)絡算法和學習算法，從而輸出通過最終學習算法評估的電池的SOC；和比較器，用于將神經(jīng)網(wǎng)絡的輸出值與預定目標值相比，并且如果該神經(jīng)網(wǎng)絡的輸出值和預定目標值之間的差值在預定極限之外，使神經(jīng)網(wǎng)絡迭代地執(zhí)行學習算法，并更新該學習算法以產(chǎn)生最終學習算法。
2.根據(jù)權利要求1所述的設備，其中預定目標值為通過在特殊條件下進行實驗獲得的參考值。
3.根據(jù)權利要求2所述的設備，其中，基于從該電池的額定容量中減去充電器/放電器的安培-小時數(shù)據(jù)所得的值，或者基于該電池的開路電壓值，彼此分別地或者算術地補償，獲得參考值。
4.根據(jù)權利要求1所述的設備，其中神經(jīng)網(wǎng)絡包括動態(tài)小波神經(jīng)網(wǎng)絡算法或靜態(tài)小波神經(jīng)網(wǎng)絡算法。
5.根據(jù)權利要求4所述的設備，其中該神經(jīng)網(wǎng)絡包括動態(tài)多維小波神經(jīng)網(wǎng)絡算法。
6.根據(jù)權利要求1所述的設備，其中該學習算法包括反向傳播學習算法、Kalman濾波器方案、GA或模糊學習算法。
7.一種使用神經(jīng)網(wǎng)絡評估電池的充電狀態(tài)(SOC)的方法，該方法包括以下步驟(a)基于從電池檢測的電流、電壓、溫度數(shù)據(jù)以及當前時間數(shù)據(jù)，執(zhí)行學習算法；以及(b)輸出通過執(zhí)行學習算法產(chǎn)生的最終學習算法評估的電池的SOC。
8.根據(jù)權利要求7所述的方法，其中步驟(a)包括子步如下從電池檢測電流、電壓和溫度，通過使用從電池檢測到的電流、電壓、溫度的數(shù)據(jù)以及當前時間數(shù)據(jù)作為學習數(shù)據(jù)，執(zhí)行神經(jīng)網(wǎng)絡算法，檢查通過神經(jīng)網(wǎng)絡算法輸出的輸出值和預定目標值之間的差值是否在預定極限內，并且如果該差值在預定極限之外，迭代地執(zhí)行學習算法，從而更新該學習算法以產(chǎn)生最終學習算法。
9.根據(jù)權利要求8所述的方法，其中該預定目標值是通過在特殊條件下執(zhí)行實驗獲得的參考值。
10.根據(jù)權利要求9所述的方法，其中基于從該電池的額定容量中減去充電器/放電器的安培-小時數(shù)據(jù)所得的值，或者基于該電池的開路電壓值，彼此分別地或算術地補償，獲得參考值。
11.根據(jù)權利要求7所述的方法，其中步驟(b)包括如下子步驟從電池檢測電流、電壓和溫度，并通過用最終學習算法評估電池的SOC，輸出電池的SOC，其中所述最終學習算法是基于從電池檢測到的電流、電壓和溫度的數(shù)據(jù)以及當前時間數(shù)據(jù)通過步驟(a)獲得的。
12.根據(jù)權利要求7所述的方法，其中神經(jīng)網(wǎng)絡包括動態(tài)小波神經(jīng)網(wǎng)絡算法或靜態(tài)小波神經(jīng)網(wǎng)絡算法。
13.根據(jù)權利要求12所述的方法，其中該小波神經(jīng)網(wǎng)絡包括動態(tài)多維小波神經(jīng)網(wǎng)絡算法。
14.根據(jù)權利要求7所述的方法，其中該學習算法包括反向傳播學習算法，Kalman濾波器方案，GA或者模糊學習算法。
全文摘要
公開了一種使用神經(jīng)網(wǎng)絡評估表現(xiàn)出非線性特征的電池的充電狀態(tài)的設備和方法。該設備包括用于從電池單元檢測電流、電壓和溫度的檢測部分；神經(jīng)網(wǎng)絡，基于從該檢測部分發(fā)送的電流、電壓和溫度以及當前時間數(shù)據(jù)執(zhí)行神經(jīng)網(wǎng)絡算法和學習算法，從而輸出通過最終學習算法評估的該電池的SOC；比較器，其用于將該神經(jīng)網(wǎng)絡的輸出值與預定目標值對比，并且如果該神經(jīng)網(wǎng)絡的輸出值和預定目標值之間的差值在預定極限之外，使得該神經(jīng)網(wǎng)絡迭代地執(zhí)行該學習算法，從而更新該學習算法以產(chǎn)生最終學習算法。該電池的充電狀態(tài)可通過該神經(jīng)網(wǎng)絡算法進行精確地評估。
文檔編號H01M10/48GK1890574SQ200480036021
公開日2007年1月3日 申請日期2004年12月17日 優(yōu)先權日2003年12月18日
發(fā)明者趙一 申請人:株式會社Lg化學