用於測試電池充電狀態的裝置和方法

2023-08-10 05:25:21

專利名稱：用於測試電池充電狀態的裝置和方法
技術領域：
本發明是有關於估計電池充電狀態(SOC)的裝置和方法；且特
別涉及使用融合型軟計算來估計電池的soc的裝置和方法。
背景技術：
一般說來，電池的充電狀態(soc)有著非線性的特性。因此， 在實踐中要精確地檢測電池的充電狀態是困難的。結果，電池soc的
檢測取決於其估計方法。
傳統估計電池SOC的方法的例子包含有安培-小時(Ah)計算法、 開路電壓(ovc)測量法、電池阻抗測量法，等等。
Ah計算法是通過檢測電池的實際容量來檢測電池充電狀態。然 而，檢測實際容量傳感器的誤差或精確度大大影響了安培-小時計算法， 從而有較大的誤差。
OCV測量法讀取空閒狀態下的電池的開路電壓，並根據開路電壓 估測soc。此方法的問題為其僅能被用在空閒狀態，且其很大程度上
會受到外在因素如溫度的影響。
電池阻抗測量法是根據電池的阻抗測量值來估計電池的soc。此
方法的問題是其很大程度地受到了溫度的影響，因而降低其估計值的 精確度。
使用於低c速率環境中的手機、筆記型計算機等，鑑於其特性， 不需對電池SOC作精確檢測。對於這些產品，容易以Ah計算法、OVC
測量法等來估計電池SOC。在此處，術語C速率是指瞬間輸出的尖峰 電流的振幅。
然而，對於使用於高C速率環境中的混合動力車(HEV)，電動 車(EV)等，在電池SOC非線性的程度被提高時，其需要電池充電狀 態的精確信息，如同一般車輛需要油料存量的精確信息一樣。因此， 以傳統估計電池充電狀態方法來估計這些產品的電池充電狀態是有困 難的。

發明內容
本發明的一個目的是提供裝置和方法以估計電池的充電狀態 (SOC)，其中電池充電狀態的估計是使用融合型軟計算算法，由此在 高C速率的環境中精確地估計電池充電狀態。
根據本發明的一方面，提供裝置以估計電池充電狀態(soc)。
裝置包括檢測器單元以檢測電池單元的電流、電壓及溫度；以及軟計 算單元，用於輸出電池充電狀態的估計值，其是使用基於神經網絡算 法的徑向函數(radial function)來處理由檢測器單元所檢測的電流、電 壓和溫度的電池充電狀態的估計值。
更進一步，軟計算單元可以將神經網絡算法和模糊算法、遺傳算 法(GA)、細胞自動機算法(CA)、免疫系統算法、和粗糙集算法的 任意一個相結合，且因此可適當地更新神經網絡算法的參數值。


圖1是本發明較佳實施例的用於估計電池充電狀態(SOC)的裝 置的方塊圖。
圖2是舉例說明圖1的軟計算單元中模糊神經網絡的建構。
圖3是本發明較佳實施例的估計電池充電狀態的方法的流程圖。
具體實施例方式
此處將詳細介紹本發明的實施例。
圖1是依照本發明實施例的估計電池充電狀態(SOC)的裝置的
方塊圖。請參照圖l， SOC估計裝置包括電池單元10、檢測單元ll、 軟計算單元20、充電放電器30、以及比較器40。
檢測單元11包括電流檢測器12、電壓檢測器14、及溫度檢測器 16。電流檢測器12在時間點k時檢測來自電池單元10的電流i。電壓 檢測器14在時間點k時檢測來自電池單元10的電壓v。溫度檢測器 16在時間點k時檢測來自電池單元10的溫度T。
軟計算一般是被稱作為以工程模型大腦信息傳輸、推理、學習、 遺傳、及生物免疫系統的函數近似器；且在工業上是被廣泛地使用於 控制和辨識領域。在此，辨識是指獲得系統輸入/輸出的特徵。
軟計算算法是為在雖然其精確的信息及方法尚為未知而自我構圖 參數僅有輸出/輸入信息時，亦可辨識及控制特定系統的算法。
然而，問題是各個軟計算技術都涉及到不同的缺點。換言之，使 用任一軟計算技術的電池充電狀態估計僅能在一個環境相對精確，而 另一特定環境則不然。
為了解決上述問題並使函數的近似更為精確，軟計算單元20採用 融合型軟計算來估計電池充電狀態。
軟計算單元20使用的融合型軟計算算法是這樣一種算法，所述算 法是相互以融合類型而結合而成的且服從生物動機(bio-motive)，其 中所述多個算是可以通過進行適應性的更新參數而自我組織。此處， 生物動機是指模仿生物信息文字(literacy)的應用。 更具體地，軟計算單元20採用的軟計算算法是將神經網絡算法與
模糊算法、遺傳算法(GA)、細胞自動機算法(CA)、免疫系統算法、
及粗糙集算法之中任一個結合而成的算法。免疫系統算法是一種模型 方法，其分別將辮識或控制點、以及擾動設定為抗體及抗原，因此， 即使當加入任何擾動時，也可以估計任何期望的點。細胞自動機算法
(CA)是以二進位類型串對複雜算法進行建模的方法。粗糙集算法是 以數字公式對參數相關性進行建模與應用的方法。
將神經網絡算法與模糊算法所結合的模糊神經算法是一種通過應 用神經網絡實行模糊推理系統從而自動調節參數的類型。
模糊神經算法可自動地通過執行學習算法而創建模糊理論的專家 規則基礎。
通常，熟知某種系統的人是使用模糊信息執行工作，而非使用精 確信息。譬如，熟知焊接系統的熟練焊接工使用模糊信息來很好地執 行焊接工作，例如所述模糊信息是，熔接溫度何時應在某位置附近應 略微增加。
創建模糊理論的專家規則基礎是指，根據某系統的專家以此方式 獲得由IF-THEN聲明組成的規則的過程。
一般說來，在模糊算法中取得規則基礎是最困難的工作。同時， 模糊神經算法具有如下有點，即，通過使用神經網絡的學習能力而自 動地創建規則基礎。
更進一步，對於神經網絡，神經網絡的尺寸(即神經元數目)、 活化函數的選擇等，對於整體性能有重大的影響。當在領域使用模糊 理論時，神經網絡的性能可被最優化。更具體地，通過將神經網絡的
尺寸設置為規則基礎的數目，以及使用任一模糊函數做為活化函數， 神經網絡的性能可被最優化。
在模糊神經算法中，大腦的硬體實施例被模型化為神經網絡，而 人類思維被模型化為模糊概念。
由神經網絡算法與遺傳算法(GA)結合而成的神經-遺傳算法(GA) 是用於通過利用GA實現神經網絡的學習算法，從而執行為了學習所需 的各種參數的識別。
除了這些算法，軟計算單元20可運用由神經網絡算法與CA算法 結合而成的神經-CA算法，以及由神經網絡算法與粗糙集算法結合而 成的神經-粗糙集算法，等等。
在本實施例中，軟計算單元20使用模糊神經算法來估計電池充電 狀態，其中模糊神經算法僅僅是融合型軟計算算法的說明。除了模糊 神經算法之外，軟計算單元20也可使用融合型軟計算算法來估計電池 充電狀態。
軟計算單元20是以檢測單元11所檢測的電流i，電壓v，及溫度 T以及檢測時間k為基礎以執行模糊神經算法，並且輸出電池充電狀態 的估計值F。
當從比較器40接收算法更新信號時，軟計算單元20在模糊神經 算法上執行學習算法，因而更新軟計算算法。
當軟計算算法被更新時，軟計算單元20執行已被更新的軟計算算 法，並且輸出電池充電狀態的更新的估計值F。
充電放電器30向電池單元10供給充電/放電電流。
比較器40將軟計算單元20輸出的估計值F與預定目標值FT比較。 當輸出的估計值F與目標值FT間的差異超出臨界範圍時，比較器40 輸出算法更新信號至軟計算單元20。
理想中，目標值FT是真正"名副其實的"電池充電狀態值。然而， 因為找出此數值是很困難的，因此，在具體條件下通過適當的試驗來 獲得參考值，並使用參考值。
譬如，目標值FT可以是這樣的值，即，將從充電/放電器輸入的 安培-小時(Ah)計算值及開路電壓(OVC)值補足至電池額定容量的 數值。
圖2說明了在圖1的軟計算單元20中的模糊神經網絡的結構。請 參照圖2，模糊祌經網絡一般是由輸入層、隱藏層、以及輸出層所組成 的。
假設基礎函數的數量等於模糊控制規則的數量、假設模糊規則的 結論是不變的、假設網絡的運算子等於輸出層的函數、以及假設模糊 規則中的成員函數是等寬度(散布程度)的基礎函數，則模糊系統等 同於圖2的徑向基礎函數網絡。在此，徑向基礎函數網絡是神經網絡 的具體名字，且是一種神經網絡。
軟計算單元20根據模糊神經網絡的結構執行模糊神經算法D模糊 神經算法正是所述電池充電狀態的估計算法。根據軟計算單元20中的 模糊神經網絡來應用電池充電狀態的估計算法的最後輸出具有如等式 1所表示的形式。
等式1 F-①(P，X)W
formula see original document page 10
其中，(D是神經網絡中的活化函數、或徑向基礎函數、或模糊徑 向函數，P是參數，X是輸入，W是在學習期間待更新的權重。
現在，以下為將等式1用於圖2的模糊神經網絡結構。
在圖2中，X^d(k)是輸入至模糊神經網絡結構中的輸入數據向量。 在本實施例中，xd(k)=(i,v,T,k)。此處，i、 v、禾P T是電流、電壓、和 溫度數據，這些數據是在時間點k處由圖1的檢測單元11從電池單元 IO所檢測到的。
在等式1中，F，即最後輸出，是徑向函數O^0d(k)和W-wd(k)
的乘積。
此處，W是表徵連接強度(權重)的係數。通過於下面將敘述的 反向傳播(BP)學習算法，在每個時間點k處都會更新W。如此，函 數趨近執行非線性函數的辨識。
作為圖1的比較器40比較模糊神經網絡的輸出值F以及目標值 FT的結果，當輸出值go和目標值gT間的誤差超過臨界範圍(例如3%) 時，圖1的比較器40輸出更新信號到圖1的軟計算單元20。
當圖1的軟計算單元20收到算法更新信號時，在圖2的模糊神經 網絡中執行學習算法。在本實施例中，學習算法將著重於BP學習算法 來加以說明，但是其僅是說明性的。譬如，學習算法可包括卡曼濾波 器，遺傳算法，模糊學習算法，等等。
至於BP學習算法，首先，下式定義了誤差函數。
等式2
E=l/2x(FT(k)-F(k))
其中，FT(k)是期望輸出值，即目標值，而F(k)是模糊神經網絡的 實際輸出值。因此，以下等式3表示了最後的權重更新值。
等式3
formula see original document page 12
其中，Tl為學習速率。
以此種方式，通過反覆執行BP學習算法而更新模糊神經算法。更 明確地，通過反覆執行BP學習算法而更新模糊神經算法的W值。
模糊神經網絡將利用更新的W值所確定的新的輸出值F再次輸出 至比較器40。過程被重複，直到模糊神經網絡的輸出值F和目標值FT 之間的誤差落在預定範圍中。
當模糊神經網絡的輸出值F與目標值FT之間的誤差沒有偏離預定 範圍時，圖1的比較器40並不傳送算法更新信號。因此，在模糊神經 網絡上的學習算法的執行是終止。使用執行學習算法而得到的最終的 模糊神經算法公式(如，等式l)而輸出電池充電狀態的估計值。
圖3是本發明實施例的估算電池充電狀態方法的流程圖。請參照 圖3，檢測單元11在時間點k從電池單元10檢測電流i、電壓v、和 溫度T (步驟S30)。
通過使用檢測單元11檢測到的電流i，電壓v，和溫度T的數據 以及時間k的數據作為輸入數據向量，軟計算單元20執行模糊神經算 法，因而，輸出臨時估計值go (步驟S32)。換言之，軟計算單元20 使用formula see original document page 12以執行模糊神經算法，因而，輸出臨時估計值F。
比較器40將臨時估計值F與目標值FT比較，並且檢查比較的誤 差是否落在3%以內(步驟S34)。在本實施例中，誤差的臨界範圍被設在3%之內，但其僅是說明性的。相應地，誤差的臨界範圍可由設計 者充分變化。當誤差的臨界範圍變窄時，電池充電狀態的最後估計值 會變得較高，而當誤差的臨界範圍變寬時，電池充電狀態的最後估計 值會變得較低。
當臨時估計值F與目標值FT之間的誤差位於3%之外時，軟計算 單元20在模糊神經算法上執行上述的學習算法，因此更新了模糊神經 算法(步驟S36)。然後，軟計算單元20執行更新的軟計算算法，以 計算電池充電狀態的更新後的臨時估計值F (步驟S32)。
比較器40將更新的臨時估計值F與目標值FT比較，並檢查比較 的誤差是否落在3%之內(步驟S34)。當臨時估計值F與目標值FT 之間的誤差在3%之外時，軟計算單元20在模糊神經算法上再次執行 學習算法，並且執行更新後的模糊神經算法(步驟S32)。
換言之，軟計算單元20重複地執行學習算法以及更新後的模糊祌 經算法，直到臨時估計值F與目標值FT之間的誤差落在3%之內。
當臨時估計值F與目標值FT之間的誤差落入3%內時，軟計算單 元20不執行學習算法。結果，得到最終的模糊神經算法公式(例如等 式3)。
由最終的模糊神經算法公式計算所得的臨時估計值F被確定為電 池SOC的固定估計值F (步驟S38)。
本發明可以計算機可作為計算機可讀代碼實現於計算機可讀記錄 介質。計算機可讀記錄介質包括所有類型的其中儲存計算機可讀數據 的記錄介質。計算機可讀記錄介質的範例包括只讀存儲器(ROM)、 隨機存取存儲器(RAM)、光碟(CD) -ROM、磁帶、軟盤、光數據 存儲設備，等等，且還可以以載波(例如通過網際網路傳輸)實現。更
進一步地，計算機可讀記錄介質可以分布在通過網絡連接的計算機系 統上，並且允許計算機可讀取的代碼以分布的方式被儲存和執行。
工業實用性
從前述中可以得知，根據本發明，通過融合型軟計算算法和學習 算法，可以動態地估計電池的充電狀態。更進一步，根據不同的環境， 如溫度，C-速率等等，可使用最少的數據來更精確地估計電池充電狀 態。
因此，根據本發明，可在高C-速率的環境中精確地估計電池充電 狀態。因為使用融合型軟計算算法用於估計電池充電狀態，因此可克 服各個單一的軟計算算法僅在特定環境中相對精確，而在其他環境中 精確度降低的缺點。
特別地，當使用模糊神經算法來當作融合型軟計算算法時，模糊 邏輯被實施為神經網絡。因此，可以通過學習而自動地創建模糊規則。 由於此種可能性，相較於已存在的單一的模糊神經算法，在初始權重 設定穩定性及系統收斂方面有著出色的性能。
本發明可以廣泛地用於對電池充電狀態的估計需要較高精確度的 領域，如混合動力車領域。因此，本發明可應用於混合動力車的鋰離 子聚合物電池(LiPB)，及其他電池。
上述實施例僅是為了方便說明而舉例而已，本發明所主張的權利 範圍自應以權利要求範圍所述為準，而非僅限於上述實施例。
權利要求
1.一種用於估計電池中的充電狀態(SOC)的裝置，包括檢測器單元，其用於檢測電池單元的電流，電壓及溫度；以及軟計算單元，其用於輸出電池SOC估計值，所述估計值是基於神經網絡算法利用徑向函數對檢測器單元所檢測的電流、電壓和溫度進行處理的電池SOC估計值。
2. 根據權利要求1所述的裝置，其中軟計算單元將神經網絡算法與模糊算法、遺傳算法(GA)、細胞自動機算法 (CA)、免疫系統算法、及粗糙集算法中的任一種相結合，所有的這 些算法適應性地對參數進行更新；以及 適應性地更新神經網絡算法的參數。
3. 根據權利要求1所述的裝置，其中基於學習算法來更新神經網 絡算法，其中，當軟計算單元輸出的估計值與預定目標值之間的差是 在臨界範圍之外時，進行學習以跟隨預定目標值。
4. 根據權利要求3所述的裝置，其中目標值是在特定條件下通過 對應的觀B式而獲得的參考值。
5. 根據權利要求3所述的裝置，其中參考值是將從充電放電器輸 入的安培-小時(Ah)計算值和開路電壓(OVC)值補足到電池的額定 容量的值。
6. 根據權利要求3所述的裝置，其中學習算法是反向傳播學習算 法、卡曼濾波器、遺傳算法、及模糊學習算法中的任一種。
7. 根據權利要求2所述的裝置，其中神經網絡算法是以學習算法 為基礎而更新的，其中所述神經網絡算法與模糊算法、遺傳算法(GA)、 細胞自動機算法(CA)、免疫系統算法、及粗糙集算法中的任一種相 結合，其中，當軟計算單元輸出的估計值與預定目標值之間的差是在 臨界範圍之外時，進行學習以跟隨預定目標值。
8. 根據權利要求7所述的裝置，其中，目標值是在特定條件下通過對應的測試所獲得的參考值。
9. 根據權利要求8所述的裝置，利用融合型軟計算，其中參考值 是將從充電放電器輸入的安培-小時(Ah)計算值和開路電壓(OVC) 值補足到電池的額定容量的值。
10. 根據權利要求7所述的裝置，利用融合型軟計算，其中，學 習算法是反向傳播學習算法、卡曼濾波器、遺傳算法、及模糊學習算 法中的任一種。
11. 一種用於估計電池的充電狀態(SOC)的方法，該方法包括如下步驟檢測電池單元的電流、電壓及溫度；以及輸出電池SOC估計值，所述估計值是基於神經網絡算法利用徑向 函數對檢測器單元所檢測的電流、電壓和溫度進行處理的電池SOC估 計值。
12. 根據權利要求11所述的方法，其中神經網絡算法 與模糊算法、遺傳算法(GA)、細胞自動機算法(CA)、免疫系統算法、及粗糙集算法中的任一種結合，所有這些算法適應性地更 新參數；以及適應性地更新神經網絡算法的參數。
13. 根據權利要求11所述的方法，其中神經網絡算法是以學習算 法為基礎更新的，其中，當估計值與預定目標值之間的差是在臨界範 圍之外時，進行學習以跟隨預定目標值。
14. 根據權利要求13所述的方法，其中目標值是在特定條件下通 過對應的測試所獲得的參考值。
15. 根據權利要求13所述的方法，其中參考值是將從充電放電器 輸入的安培-小時(Ah)計算值和開路電壓(OVC)值補足到電池的額 定容量的值。
16. 根據權利要求13所述的方法，其中學習算法是反向傳播學習 算法、卡曼濾波器、遺傳算法、模糊學習算法中的任一種。
17. 根據權利要求12所述的方法，其中神經網絡算法是以學習算 法為基礎而更新的，其中所述神經網絡算法與模糊算法、遺傳算法(GA)、細胞自動機(CA)算法、免疫系統算法、及粗糙集算法中的 任一種相結合，其中，當軟計算單元輸出的估計值與預定目標值之間 的差是在臨界範圍之外時，進行學習以跟隨預定目標值。
18.根據權利要求17所述的方法，其中目標值是在特定條件下通 過對應的觀'j試所獲得的參考值。
19. 根據權利要求18所述的方法，其中參考值是將從充電放電器 輸入的安培-小時(Ah)計算值和開路電壓(OVC)值補足到電池的額 定容量的值。
20. 根據權利要求17所述的方法，其中學習算法是反向傳播學習 算法、卡曼濾波器、遺傳算法、及模糊學習算法中的任一種。
全文摘要
本發明是揭露對於估計電池充電狀態(SOC)的裝置和方法；其中，對電池充電狀態進行估計，是使用融合型軟計算算法。因此，精確估計高C速率環境中的電池充電狀態。此裝置包含檢測器單元，其檢測電池單元的電流、電壓和溫度；及軟計算單元，其輸出使用以神經網絡算法為基礎的徑向函數處理由檢測器所測得的電流、電壓和溫度的電池充電狀態估計值。特別是，此軟計算單元以神經網絡算法與模糊算法、遺傳算法(GA)、細胞自動機算法(CA)、免疫系統算法、和粗糙集算法的任一個所結合而成的；結果，神經網絡算法會適應性地更新參數值。
文檔編號G06F1/28GK101198922SQ200680021228
公開日2008年6月11日 申請日期2006年6月13日 優先權日2005年6月13日
發明者一 趙, 鄭道陽, 金鍍淵 申請人:Lg化學株式會社