使用神经网络评估电池的充电状态的设备和方法

摘要

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。

说明书

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(g_o)与目标SOC(g_T)比较，检查在输出SOC(g_o)和目标SOC(g_T)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

这里，a_n为基础函数(·)的系数，用于分析任意函数f(x)。此外，2^m和n分别为基础函数(·)的扩张和平移参数。

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，x_d(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，x_d(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，x_d(k)＝(i，v，T，k)。此外，g_o(x_d(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g_o(x_d(k))如等式3表示。

等式3

这里，W_n^D和W_no^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

$>>E>=>>1>2>{}^{}$

这里，g_T(k)为理想输出值，也就是目标值，和g_o(k)为神经网络20的实际输出值。当以g_T(k)-g_o(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

$>>>>\partial >E>>>\partial >W>>>=>e>>(>k>)>>>>\partial >g>>(>k>)>>>>\partial >W>>>>s>$

同样，获得如等式6所示的误差梯度W_n^D和W_no^o。

等式6

$>>>>>>\partial >g>>o>>>(>k>)>>sup>>>\partial >W>>no>osup>>>=>>X>n>>>(>k>)>>.>.>.>>(>1>)>>>s>$

$>>>>>>\partial >g>>o>>>(>k>)>>sup>>>\partial >W>>n>Dsup>>>=>>\Sigma >o>sup>>W>no>osup>>>P>n>>>(>k>)>>.>.>.>>(>2>)>>>s>$

因此，对于联结权重的最终更新如下实现：

等式7

$>>W>>(>t>+>1>)>>=>W>>(>t>)>>+>\eta >>(>->>>\partial >E>>>\partial >W>>>)>>,>>s>$

这里，η为学习速度。

这样，该神经网络20将基于W_n^D、W_no^o和X_n(k)的更新值重新产生的新输出值g_o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g_o和该目标值g_T之间的差预定可允许的极限内。

当确定输出值g_o和目标值g_T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g_o与目标值g_T进行比较，并检查输出值g_o与目标值g_T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g_o(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。