用于测试电池充电状态的装置和方法

摘要

本发明是揭露对于估计电池充电状态(SOC)的装置和方法；其中，对电池充电状态进行估计，是使用融合型软计算算法。因此，精确估计高C速率环境中的电池充电状态。此装置包含检测器单元，其检测电池单元的电流、电压和温度；及软计算单元，其输出使用以神经网络算法为基础的径向函数处理由检测器所测得的电流、电压和温度的电池充电状态估计值。特别是，此软计算单元以神经网络算法与模糊算法、遗传算法(GA)、细胞自动机算法(CA)、免疫系统算法、和粗糙集算法的任一个所结合而成的；结果，神经网络算法会适应性地更新参数值。

说明书

技术领域

本发明是有关于估计电池充电状态(SOC)的装置和方法；且特别涉及使用融合型软计算来估计电池的SOC的装置和方法。

背景技术

一般说来，电池的充电状态(SOC)有着非线性的特性。因此，在实践中要精确地检测电池的充电状态是困难的。结果，电池SOC的检测取决于其估计方法。

传统估计电池SOC的方法的例子包含有安培-小时(Ah)计算法、开路电压(OVC)测量法、电池阻抗测量法，等等。

Ah计算法是通过检测电池的实际容量来检测电池充电状态。然而，检测实际容量传感器的误差或精确度大大影响了安培-小时计算法，从而有较大的误差。

OCV测量法读取空闲状态下的电池的开路电压，并根据开路电压估测SOC。此方法的问题为其仅能被用在空闲状态，且其很大程度上会受到外在因素如温度的影响。

电池阻抗测量法是根据电池的阻抗测量值来估计电池的SOC。此方法的问题是其很大程度地受到了温度的影响，因而降低其估计值的精确度。

使用于低C速率环境中的手机、笔记型计算机等，鉴于其特性，不需对电池SOC作精确检测。对于这些产品，容易以Ah计算法、OVC测量法等来估计电池SOC。在此处，术语C速率是指瞬间输出的尖峰电流的振幅。

然而，对于使用于高C速率环境中的混合动力车(HEV)，电动车(EV)等，在电池SOC非线性的程度被提高时，其需要电池充电状态的精确信息，如同一般车辆需要油料存量的精确信息一样。因此，以传统估计电池充电状态方法来估计这些产品的电池充电状态是有困难的。

发明内容

本发明的一个目的是提供装置和方法以估计电池的充电状态(SOC)，其中电池充电状态的估计是使用融合型软计算算法，由此在高C速率的环境中精确地估计电池充电状态。

根据本发明的一方面，提供装置以估计电池充电状态(SOC)。装置包括检测器单元以检测电池单元的电流、电压及温度；以及软计算单元，用于输出电池充电状态的估计值，其是使用基于神经网络算法的径向函数(radial function)来处理由检测器单元所检测的电流、电压和温度的电池充电状态的估计值。

更进一步，软计算单元可以将神经网络算法和模糊算法、遗传算法(GA)、细胞自动机算法(CA)、免疫系统算法、和粗糙集算法的任意一个相结合，且因此可适当地更新神经网络算法的参数值。

附图说明

图1是本发明较佳实施例的用于估计电池充电状态(SOC)的装置的方块图。

图2是举例说明图1的软计算单元中模糊神经网络的建构。

图3是本发明较佳实施例的估计电池充电状态的方法的流程图。

具体实施方式

此处将详细介绍本发明的实施例。

图1是依照本发明实施例的估计电池充电状态(SOC)的装置的方块图。请参照图1，SOC估计装置包括电池单元10、检测单元11、软计算单元20、充电放电器30、以及比较器40。

检测单元11包括电流检测器12、电压检测器14、及温度检测器16。电流检测器12在时间点k时检测来自电池单元10的电流i。电压检测器14在时间点k时检测来自电池单元10的电压v。温度检测器16在时间点k时检测来自电池单元10的温度T。

软计算一般是被称作为以工程模型大脑信息传输、推理、学习、遗传、及生物免疫系统的函数近似器；且在工业上是被广泛地使用于控制和辨识领域。在此，辨识是指获得系统输入/输出的特征。

软计算算法是为在虽然其精确的信息及方法尚为未知而自我构图参数仅有输出/输入信息时，亦可辨识及控制特定系统的算法。

然而，问题是各个软计算技术都涉及到不同的缺点。换言之，使用任一软计算技术的电池充电状态估计仅能在一个环境相对精确，而另一特定环境则不然。

为了解决上述问题并使函数的近似更为精确，软计算单元20采用融合型软计算来估计电池充电状态。

软计算单元20使用的融合型软计算算法是这样一种算法，所述算法是相互以融合类型而结合而成的且服从生物动机(bio-motive)，其中所述多个算是可以通过进行适应性的更新参数而自我组织。此处，生物动机是指模仿生物信息文字(literacy)的应用。

更具体地，软计算单元20采用的软计算算法是将神经网络算法与模糊算法、遗传算法(GA)、细胞自动机算法(CA)、免疫系统算法、及粗糙集算法之中任一个结合而成的算法。免疫系统算法是一种模型方法，其分别将辫识或控制点、以及扰动设定为抗体及抗原，因此，即使当加入任何扰动时，也可以估计任何期望的点。细胞自动机算法(CA)是以二进制类型串对复杂算法进行建模的方法。粗糙集算法是以数字公式对参数相关性进行建模与应用的方法。

将神经网络算法与模糊算法所结合的模糊神经算法是一种通过应用神经网络实行模糊推理系统从而自动调节参数的类型。

模糊神经算法可自动地通过执行学习算法而创建模糊理论的专家规则基础。

通常，熟知某种系统的人是使用模糊信息执行工作，而非使用精确信息。譬如，熟知焊接系统的熟练焊接工使用模糊信息来很好地执行焊接工作，例如所述模糊信息是，熔接温度何时应在某位置附近应略微增加。

创建模糊理论的专家规则基础是指，根据某系统的专家以此方式获得由IF-THEN声明组成的规则的过程。

一般说来，在模糊算法中取得规则基础是最困难的工作。同时，模糊神经算法具有如下有点，即，通过使用神经网络的学习能力而自动地创建规则基础。

更进一步，对于神经网络，神经网络的尺寸(即神经元数目)、活化函数的选择等，对于整体性能有重大的影响。当在领域使用模糊理论时，神经网络的性能可被最优化。更具体地，通过将神经网络的尺寸设置为规则基础的数目，以及使用任一模糊函数做为活化函数，神经网络的性能可被最优化。

在模糊神经算法中，大脑的硬件实施例被模型化为神经网络，而人类思维被模型化为模糊概念。

由神经网络算法与遗传算法(GA)结合而成的神经-遗传算法(GA)是用于通过利用GA实现神经网络的学习算法，从而执行为了学习所需的各种参数的识别。

除了这些算法，软计算单元20可运用由神经网络算法与CA算法结合而成的神经-CA算法，以及由神经网络算法与粗糙集算法结合而成的神经-粗糙集算法，等等。

在本实施例中，软计算单元20使用模糊神经算法来估计电池充电状态，其中模糊神经算法仅仅是融合型软计算算法的说明。除了模糊神经算法之外，软计算单元20也可使用融合型软计算算法来估计电池充电状态。

软计算单元20是以检测单元11所检测的电流i，电压v，及温度T以及检测时间k为基础以执行模糊神经算法，并且输出电池充电状态的估计值F。

当从比较器40接收算法更新信号时，软计算单元20在模糊神经算法上执行学习算法，因而更新软计算算法。

当软计算算法被更新时，软计算单元20执行已被更新的软计算算法，并且输出电池充电状态的更新的估计值F。

充电放电器30向电池单元10供给充电/放电电流。

比较器40将软计算单元20输出的估计值F与预定目标值FT比较。当输出的估计值F与目标值FT间的差异超出临界范围时，比较器40输出算法更新信号至软计算单元20。

理想中，目标值FT是真正“名副其实的”电池充电状态值。然而，因为找出此数值是很困难的，因此，在具体条件下通过适当的试验来获得参考值，并使用参考值。

譬如，目标值FT可以是这样的值，即，将从充电/放电器输入的安培-小时(Ah)计算值及开路电压(OVC)值补足至电池额定容量的数值。

图2说明了在图1的软计算单元20中的模糊神经网络的结构。请参照图2，模糊神经网络一般是由输入层、隐藏层、以及输出层所组成的。

假设基础函数的数量等于模糊控制规则的数量、假设模糊规则的结论是不变的、假设网络的运算子等于输出层的函数、以及假设模糊规则中的成员函数是等宽度(散布程度)的基础函数，则模糊系统等同于图2的径向基础函数网络。在此，径向基础函数网络是神经网络的具体名字，且是一种神经网络。

软计算单元20根据模糊神经网络的结构执行模糊神经算法。模糊神经算法正是所述电池充电状态的估计算法。根据软计算单元20中的模糊神经网络来应用电池充电状态的估计算法的最后输出具有如等式1所表示的形式。

等式1

F＝Φ(P，X)W

其中，Φ是神经网络中的活化函数、或径向基础函数、或模糊径向函数，P是参数，X是输入，W是在学习期间待更新的权重。

现在，以下为将等式1用于图2的模糊神经网络结构。

在图2中，X＝xd(k)是输入至模糊神经网络结构中的输入数据向量。在本实施例中，xd(k)＝(i，v，T，k)。此处，i、v、和T是电流、电压、和温度数据，这些数据是在时间点k处由图1的检测单元11从电池单元10所检测到的。

在等式1中，F，即最后输出，是径向函数和W＝wd(k)的乘积。

此处，W是表征连接强度(权重)的系数。通过于下面将叙述的反向传播(BP)学习算法，在每个时间点k处都会更新W。如此，函数趋近执行非线性函数的辨识。

作为图1的比较器40比较模糊神经网络的输出值F以及目标值FT的结果，当输出值go和目标值gT间的误差超过临界范围(例如3％)时，图1的比较器40输出更新信号到图1的软计算单元20。

当图1的软计算单元20收到算法更新信号时，在图2的模糊神经网络中执行学习算法。在本实施例中，学习算法将着重于BP学习算法来加以说明，但是其仅是说明性的。譬如，学习算法可包括卡曼滤波器，遗传算法，模糊学习算法，等等。

至于BP学习算法，首先，下式定义了误差函数。

等式2

E＝1/2×(F_T(k)-F(k))

其中，FT(k)是期望输出值，即目标值，而F(k)是模糊神经网络的实际输出值。因此，以下等式3表示了最后的权重更新值。

等式3

$W(t+1)=W\left(t\right)+\eta (-\frac{\partial E}{\partial W})$

其中，η为学习速率。

以此种方式，通过反复执行BP学习算法而更新模糊神经算法。更明确地，通过反复执行BP学习算法而更新模糊神经算法的W值。

模糊神经网络将利用更新的W值所确定的新的输出值F再次输出至比较器40。过程被重复，直到模糊神经网络的输出值F和目标值FT之间的误差落在预定范围中。

当模糊神经网络的输出值F与目标值FT之间的误差没有偏离预定范围时，图1的比较器40并不传送算法更新信号。因此，在模糊神经网络上的学习算法的执行是终止。使用执行学习算法而得到的最终的模糊神经算法公式(如，等式1)而输出电池充电状态的估计值。

图3是本发明实施例的估算电池充电状态方法的流程图。请参照图3，检测单元11在时间点k从电池单元10检测电流i、电压v、和温度T(步骤S30)。

通过使用检测单元11检测到的电流i，电压v，和温度T的数据以及时间k的数据作为输入数据向量，软计算单元20执行模糊神经算法，因而，输出临时估计值go(步骤S32)。换言之，软计算单元20使用xd(k)＝(i，v，T，k)以执行模糊神经算法，因而，输出临时估计值F。

比较器40将临时估计值F与目标值FT比较，并且检查比较的误差是否落在3％以内(步骤S34)。在本实施例中，误差的临界范围被设在3％之内，但其仅是说明性的。相应地，误差的临界范围可由设计者充分变化。当误差的临界范围变窄时，电池充电状态的最后估计值会变得较高，而当误差的临界范围变宽时，电池充电状态的最后估计值会变得较低。

当临时估计值F与目标值FT之间的误差位于3％之外时，软计算单元20在模糊神经算法上执行上述的学习算法，因此更新了模糊神经算法(步骤S36)。然后，软计算单元20执行更新的软计算算法，以计算电池充电状态的更新后的临时估计值F(步骤S32)。

比较器40将更新的临时估计值F与目标值FT比较，并检查比较的误差是否落在3％之内(步骤S34)。当临时估计值F与目标值FT之间的误差在3％之外时，软计算单元20在模糊神经算法上再次执行学习算法，并且执行更新后的模糊神经算法(步骤S32)。

换言之，软计算单元20重复地执行学习算法以及更新后的模糊神经算法，直到临时估计值F与目标值FT之间的误差落在3％之内。

当临时估计值F与目标值FT之间的误差落入3％内时，软计算单元20不执行学习算法。结果，得到最终的模糊神经算法公式(例如等式3)。

由最终的模糊神经算法公式计算所得的临时估计值F被确定为电池SOC的固定估计值F(步骤S38)。

本发明可以计算机可作为计算机可读代码实现于计算机可读记录介质。计算机可读记录介质包括所有类型的其中储存计算机可读数据的记录介质。计算机可读记录介质的范例包括只读存储器(ROM)、随机存取存储器(RAM)、光碟(CD)-ROM、磁带、软盘、光数据存储设备，等等，且还可以以载波(例如通过因特网传输)实现。更进一步地，计算机可读记录介质可以分布在通过网络连接的计算机系统上，并且允许计算机可读取的代码以分布的方式被储存和执行。

工业实用性

从前述中可以得知，根据本发明，通过融合型软计算算法和学习算法，可以动态地估计电池的充电状态。更进一步，根据不同的环境，如温度，C-速率等等，可使用最少的数据来更精确地估计电池充电状态。

因此，根据本发明，可在高C-速率的环境中精确地估计电池充电状态。因为使用融合型软计算算法用于估计电池充电状态，因此可克服各个单一的软计算算法仅在特定环境中相对精确，而在其他环境中精确度降低的缺点。

特别地，当使用模糊神经算法来当作融合型软计算算法时，模糊逻辑被实施为神经网络。因此，可以通过学习而自动地创建模糊规则。由于此种可能性，相较于已存在的单一的模糊神经算法，在初始权重设定稳定性及系统收敛方面有着出色的性能。

本发明可以广泛地用于对电池充电状态的估计需要较高精确度的领域，如混合动力车领域。因此，本发明可应用于混合动力车的锂离子聚合物电池(LiPB)，及其他电池。

上述实施例仅是为了方便说明而举例而已，本发明所主张的权利范围自应以权利要求范围所述为准，而非仅限于上述实施例。

权利要求书(按照条约第19条的修改)

1. 一种用于估计电池中的充电状态(SOC)的装置，所述装置包括：

检测器单元，其用于检测电池单元的电流，电压及温度；以及

软计算单元，其用于输出电池SOC估计值，所述估计值是基于神经网络算法利用径向函数对检测器单元所检测的电流、电压和温度进行处理的电池SOC估计值，

其中基于学习算法来更新神经网络算法，其中，当软计算单元输出的估计值与预定目标值之间的差是在临界范围之外时，进行学习以跟随预定目标值。

2. 根据权利要求1所述的装置，其中软计算单元：

将神经网络算法与模糊算法、遗传算法(GA)、细胞自动机(CA)算法、免疫系统算法、及粗糙集算法中的任一种相结合，所有的这些算法适应性地对参数进行更新；以及

适应性地更新神经网络算法的参数。

3. (删除)

4. 根据权利要求1所述的装置，其中目标值是在特定条件下通过对应的测试而获得的参考值。

5. 根据权利要求1所述的装置，其中参考值是将从充电放电器输入的安培-小时(Ah)计算值和开路电压(OVC)值补足到电池的额定容量的值。

6. 根据权利要求1所述的装置，其中学习算法是反向传播学习算法、卡曼滤波器、遗传算法、及模糊学习算法中的任一种。

7. 根据权利要求2所述的装置，其中神经网络算法是以学习算法为基础而更新的，其中所述神经网络算法与模糊算法、遗传算法(GA)、细胞自动机(CA)算法、免疫系统算法、及粗糙集算法中的任一种相结合，其中，当软计算单元输出的估计值与预定目标值之间的差是在临界范围之外时，进行学习以跟随预定目标值。

8. 根据权利要求7所述的装置，其中，目标值是在特定条件下通过对应的测试所获得的参考值。

9. 根据权利要求8所述的装置，利用融合型软计算，其中参考值是将从充电放电器输入的安培-小时(Ah)计算值和开路电压(OVC)值补足到电池的额定容量的值。

10. 根据权利要求7所述的装置，利用融合型软计算，其中，学习算法是反向传播学习算法、卡曼滤波器、遗传算法、及模糊学习算法中的任一种。

11. 一种用于估计电池的充电状态(SOC)的方法，该方法包括如下步骤：

检测电池单元的电流、电压及温度；以及

输出电池SOC估计值，所述估计值是基于神经网络算法利用径向函数对检测器单元所检测的电流、电压和温度进行处理的电池SOC估计值，

其中神经网络算法是以学习算法为基础更新的，其中，当估计值与预定目标值之间的差是在临界范围之外时，进行学习以跟随预定目标值。

12. 根据权利要求11所述的方法，其中神经网络算法：

与模糊算法、遗传算法(GA)、细胞自动机(CA)算法、免疫系统算法、及粗糙集算法中的任一种结合，所有这些算法适应性地更新参数；以及

适应性地更新神经网络算法的参数。

13. (删除)

14. 根据权利要求11所述的方法，其中目标值是在特定条件下通过对应的测试所获得的参考值。

15. 根据权利要求11所述的方法，其中参考值是将从充电放电器输入的安培-小时(Ah)计算值和开路电压(OVC)值补足到电池的额定容量的值。

16. 根据权利要求11所述的方法，其中学习算法是反向传播学习算法、卡曼滤波器、遗传算法、模糊学习算法中的任一种。

17. 根据权利要求12所述的方法，其中神经网络算法是以学习算法为基础而更新的，其中所述神经网络算法与模糊算法、遗传算法(GA)、细胞自动机(CA)算法、免疫系统算法、及粗糙集算法中的任一种相结合，其中，当软计算单元输出的估计值与预定目标值之间的差是在临界范围之外时，进行学习以跟随预定目标值。

18. 根据权利要求17所述的方法，其中目标值是在特定条件下通过对应的测试所获得的参考值。

19. 根据权利要求18所述的方法，其中参考值是将从充电放电器输入的安培-小时(Ah)计算值和开路电压(OVC)值补足到电池的额定容量的值。

20. 根据权利要求17所述的方法，其中学习算法是反向传播学习算法、卡曼滤波器、遗传算法、及模糊学习算法中的任一种。