CN100570388C - 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
- CN100570388C CN100570388C CNB2004800360213A CN200480036021A CN100570388C CN 100570388 C CN100570388 C CN 100570388C CN B2004800360213 A CNB2004800360213 A CN B2004800360213A CN 200480036021 A CN200480036021 A CN 200480036021A CN 100570388 C CN100570388 C CN 100570388C
- Authority
- CN
- China
- Prior art keywords
- neural network
- battery
- soc
- algorithm
- learning algorithm
- 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.)
- Active
Links
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
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 (12)
1.一种用于评估电池的充电状态SOC的设备,该设备包括:
检测部分,用于从电池单元检测电流、电压和温度;
神经网络,用于执行神经网络算法,基于具有预定权重的函数,通过处理从所述检测部分发送过来的电流、电压和温度的数据以及所述电流、电压和温度被测量时的时间数据来计算所述电池的SOC,所述预定权重由学习算法来更新,该学习算法引导所计算的所述电池的SOC符合预定目标值;和
比较器,与所述神经网络通信,用于在计算电池的SOC期间监视所述神经网络的输出,所述比较器把通过所述神经网络计算的所述电池的SOC与所述预定目标值做比较,并且如果所计算的所述电池的SOC与所述预定目标值之间的差异超过预定界限,则向所述神经网络提供控制信号以执行所述学习算法。
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、遗传算法或模糊学习算法。
7.一种使用神经网络评估电池的充电状态SOC的方法,所述神经网络与比较器通信,该方法包括以下步骤:
(a)从所述电池检测电流、电压和温度;
(b)根据神经网络算法,通过处理所检测的电流、电压和温度的数据以及所述电流、电压和温度被测量时的时间数据来计算所述电池的SOC;
(c)计算所计算的所述电池的SOC与预定目标值之间的差异值,并且在评估所述电池的SOC期间监视所述差异值;以及
(e)执行学习算法,使得如果所述差异值超过预定界限时,则更新所述神经网络的权重,从而使所计算的所述电池的SOC符合所述预定目标值。
8.根据权利要求7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。
9.根据权利要求8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。
10.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。
11.根据权利要求10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。
12.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,遗传算法或者模糊学习算法。
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 CN1890574A (zh) | 2007-01-03 |
CN100570388C true 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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
Families Citing this family (139)
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 |
EP1691209B1 (en) * | 2005-02-14 | 2008-10-01 | 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 |
ATE467134T1 (de) * | 2006-10-30 | 2010-05-15 | Koninkl Philips Electronics Nv | Vorrichtung und verfahren zur bestimmung des ladestatus einer nicht äquilibrierten batterie |
GB2444511B (en) * | 2006-12-06 | 2008-10-22 | Iti Scotland Ltd | Battery Management System |
US8463562B2 (en) * | 2007-02-08 | 2013-06-11 | Panasonic Ev Energy Co., Ltd. | Device and method for detecting abnormality of electric storage device |
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 |
CN101067645B (zh) * | 2007-04-20 | 2010-11-24 | 杭州高特电子设备有限公司 | 一种阀控式铅酸蓄电池性能分析方法 |
CN101067644B (zh) * | 2007-04-20 | 2010-05-26 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
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 |
KR100911316B1 (ko) * | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
KR100936892B1 (ko) * | 2007-09-13 | 2010-01-14 | 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 |
US7883793B2 (en) * | 2008-06-30 | 2011-02-08 | Lg Chem, Ltd. | Battery module having battery cell assemblies with alignment-coupling features |
US9140501B2 (en) * | 2008-06-30 | 2015-09-22 | Lg Chem, Ltd. | Battery module having a rubber cooling manifold |
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 |
US8067111B2 (en) * | 2008-06-30 | 2011-11-29 | Lg Chem, Ltd. | Battery module having battery cell assembly with heat exchanger |
US8426050B2 (en) * | 2008-06-30 | 2013-04-23 | Lg Chem, Ltd. | Battery module having cooling manifold and method for cooling battery module |
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 |
BRPI1013209A2 (pt) * | 2009-05-11 | 2019-02-26 | Mahindra Reva Electric Vehicles Pvt. Ltd | método e sistema para geração de receita usando um sistema de energia |
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 |
WO2011021226A2 (en) * | 2009-08-21 | 2011-02-24 | Reva Electric Car Company (Pvt) Limited | 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 |
RU2491566C1 (ru) * | 2010-02-18 | 2013-08-27 | Ниссан Мотор Ко., Лтд. | Устройство оценки состояния батареи и способ оценки состояния батареи |
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 |
US8319479B2 (en) * | 2010-03-23 | 2012-11-27 | Ememory Technology Inc. | Method of estimating battery recharge time and related device |
EP2551687B1 (en) | 2010-03-23 | 2020-07-15 | Furukawa Electric Co., Ltd. | Device for estimating internal state of battery, and method for estimating internal state of battery |
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 |
US10732224B2 (en) | 2010-04-22 | 2020-08-04 | Enerdel, Inc. | Monitoring battery state of charge |
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 |
US8920956B2 (en) | 2010-08-23 | 2014-12-30 | Lg Chem, Ltd. | Battery system and manifold assembly having a manifold member and a connecting fitting |
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 |
US8469404B2 (en) | 2010-08-23 | 2013-06-25 | Lg Chem, Ltd. | Connecting assembly |
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 |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | 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 |
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 |
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 |
US9496544B2 (en) | 2011-07-28 | 2016-11-15 | Lg Chem. Ltd. | Battery modules having interconnect members with vibration dampening portions |
CN103635822B (zh) * | 2011-08-30 | 2016-02-10 | 三洋电机株式会社 | 电池系统、电动车辆、移动体、电力储存装置以及电源装置 |
CN102364353B (zh) * | 2011-11-14 | 2013-10-16 | 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 |
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 |
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 |
AT512003A3 (de) * | 2013-01-23 | 2014-05-15 | Avl List Gmbh | Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC |
KR20140099372A (ko) * | 2013-02-01 | 2014-08-12 | 삼성에스디아이 주식회사 | 배터리의 soc 추정 방법 및 이를 이용하는 배터리 관리 시스템 |
US20140244193A1 (en) * | 2013-02-24 | 2014-08-28 | Fairchild Semiconductor Corporation | Battery state of charge tracking, equivalent circuit selection and benchmarking |
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系统 |
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 |
KR20150121920A (ko) * | 2014-04-22 | 2015-10-30 | 현대모비스 주식회사 | 차량용 배터리 센서 및 상기 센서를 이용한 계절 판단 방법 |
KR102241683B1 (ko) * | 2014-07-30 | 2021-04-19 | 삼성전자주식회사 | 배터리의 상태를 추정하는 방법 및 장치 |
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 |
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 |
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系统 |
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 |
CN105911476B (zh) * | 2016-04-13 | 2018-08-28 | 华北电力大学 | 一种基于数据挖掘的电池储能系统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 |
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 |
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 |
US10997490B2 (en) * | 2017-02-24 | 2021-05-04 | International Business Machines Corporation | Battery-based neural network weights |
US11594770B2 (en) | 2017-05-03 | 2023-02-28 | Semiconductor Energy Laboratory Co., Ltd. | Neural network, power storage system, vehicle, and electronic device |
US11691518B2 (en) | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
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 |
WO2019048985A1 (ja) * | 2017-09-06 | 2019-03-14 | 株式会社半導体エネルギー研究所 | 蓄電システム、車両、電子機器及び半導体装置 |
KR101965832B1 (ko) * | 2017-11-27 | 2019-04-05 | (주) 페스코 | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 |
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 |
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系统 |
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系统 |
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 |
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 |
CN109633450B (zh) * | 2018-11-23 | 2021-05-14 | 成都大超科技有限公司 | 一种基于神经网络的锂电池充电检测系统 |
US11119494B2 (en) | 2019-01-07 | 2021-09-14 | Wing Aviation Llc | Using machine learning techniques to estimate available energy for vehicles |
JP7404276B2 (ja) * | 2019-01-24 | 2023-12-25 | ソニーセミコンダクタソリューションズ株式会社 | 電圧制御装置 |
KR20200097170A (ko) * | 2019-02-07 | 2020-08-18 | 주식회사 엘지화학 | 배터리 관리 장치, 배터리 관리 방법 및 배터리팩 |
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 |
DE102019107935A1 (de) * | 2019-03-27 | 2020-10-01 | Volkswagen Aktiengesellschaft | Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterie eines Fahrzeuges |
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 |
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 |
EP3812780B1 (en) | 2019-10-23 | 2022-09-28 | Novum engineerING GmbH | Estimating a battery state from gradients of electrical impedance measurements |
EP3812781B1 (en) | 2019-10-23 | 2022-11-30 | Novum engineerING GmbH | Estimating a battery state 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 |
EP3812779B1 (en) | 2019-10-23 | 2022-09-28 | Novum engineerING GmbH | Analyzing electrical impedance measurements of an electrochemical battery |
EP3812782B1 (en) | 2019-10-23 | 2022-09-14 | Novum engineerING GmbH | Estimating a temperature of an electrochemical battery |
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 |
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系统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 |
JP2024501977A (ja) * | 2020-12-30 | 2024-01-17 | バクスター・インターナショナル・インコーポレイテッド | 輸液装置におけるバッテリ警報を生成するためのシステムおよび方法 |
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 |
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 |
CN113258154B (zh) * | 2021-07-16 | 2021-10-15 | 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 |
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系统 |
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系统 |
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 |
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 |
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 |
US6285163B1 (en) * | 1998-05-28 | 2001-09-04 | Toyota Jidosha Kabushiki Kaisha | Means for estimating charged state of battery and method for estimating degraded state of battery |
JP2002543754A (ja) | 1999-05-05 | 2002-12-17 | ミッドトロニクス インコーポレイテッド | 自動車用車両のためのエネルギ管理システム |
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 KR KR1020040107700A patent/KR100651573B1/ko active IP Right Grant
- 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 TW TW093139338A patent/TWI260808B/zh active
- 2004-12-17 BR BRPI0416424A patent/BRPI0416424B8/pt active IP Right Grant
- 2004-12-17 RU RU2006119641/28A patent/RU2328753C2/ru active
- 2004-12-17 CN CNB2004800360213A patent/CN100570388C/zh active Active
- 2004-12-17 US US11/016,028 patent/US7583059B2/en active Active
- 2004-12-17 WO PCT/KR2004/003332 patent/WO2005059579A1/en active Application Filing
- 2004-12-17 AT AT04808463T patent/ATE556327T1/de active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037373A (zh) * | 2017-05-03 | 2017-08-11 | 广西大学 | 基于神经网络的蓄电池剩余电量预测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
RU2328753C2 (ru) | 2008-07-10 |
KR20050061386A (ko) | 2005-06-22 |
JP2007518973A (ja) | 2007-07-12 |
EP1702219B1 (en) | 2012-05-02 |
KR100651573B1 (ko) | 2006-11-29 |
JP4331210B2 (ja) | 2009-09-16 |
TWI260808B (en) | 2006-08-21 |
CA2550072A1 (en) | 2005-06-30 |
US7583059B2 (en) | 2009-09-01 |
EP1702219A1 (en) | 2006-09-20 |
US20050194936A1 (en) | 2005-09-08 |
WO2005059579A1 (en) | 2005-06-30 |
BRPI0416424B1 (pt) | 2017-06-20 |
BRPI0416424A (pt) | 2007-01-16 |
RU2006119641A (ru) | 2007-12-27 |
TW200531326A (en) | 2005-09-16 |
CA2550072C (en) | 2011-04-19 |
EP1702219A4 (en) | 2010-06-09 |
CN1890574A (zh) | 2007-01-03 |
BRPI0416424B8 (pt) | 2023-01-17 |
ATE556327T1 (de) | 2012-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100570388C (zh) | 使用神经网络评估电池的充电状态的设备和方法 | |
Li et al. | Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares | |
RU2361333C2 (ru) | Оценка состояния и параметров гальванического элемента | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
US7197487B2 (en) | Apparatus and method for estimating battery state of charge | |
US10295607B2 (en) | Device for estimating parameters of battery, and estimation method | |
CN107037366B (zh) | 一种电力动车锂离子电池控制系统 | |
EP3745151B1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
Dong et al. | Remaining dischargeable time prediction for lithium-ion batteries using unscented Kalman filter | |
US8849598B2 (en) | In-situ battery diagnosis method using electrochemical impedance spectroscopy | |
US7764049B2 (en) | Method and device for determining battery discharge capability, and power supply system | |
EP3264562B1 (en) | Method for determining an estimated combined battery state-parameter vector | |
Wang et al. | Open circuit voltage and state of charge relationship functional optimization for the working state monitoring of the aerial lithium-ion battery pack | |
Zhang et al. | Joint estimation method for maximum available energy and state-of-energy of lithium-ion battery under various temperatures | |
US7710119B2 (en) | Battery tester that calculates its own reference values | |
CN105607009A (zh) | 一种基于动态参数模型的动力电池soc估计方法和系统 | |
US20040207367A1 (en) | Internal condition detection system for a charge accumulating device | |
Fleischer et al. | On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system | |
CN102859378A (zh) | 藉由电化学阻抗频谱的电池原位诊断方法 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN104833921A (zh) | 电池包荷电状态的计算方法和计算装置 | |
US20230003805A1 (en) | Method for estimating the state of an energy store | |
CN105929340A (zh) | 一种基于arima估算电池soc的方法 | |
KR100878123B1 (ko) | 배터리 상태 및 파라미터 추정 시스템 및 방법 | |
CN105738828A (zh) | 一种电池容量精准测量方法 |
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,Ltd. Address before: Seoul, South Kerean Patentee before: LG CHEM, Ltd. |
|
TR01 | Transfer of patent right |