使用卷积神经网络装置从电阻抗测量结果中估计电池状态制造方法及图纸

本申请涉及使用卷积神经网络装置从电阻抗测量结果中估计电池状态。一种用于估计电化学电池的电池状态的计算机实现的方法和电池状态估计系统，包括：提供(S12)电化学电池(14)的电阻抗测量结果的系列，该系列根据相应测量频率(f

【技术实现步骤摘要】
使用卷积神经网络装置从电阻抗测量结果中估计电池状态


[0001]本专利技术涉及一种估计电化学电池的电池状态的计算机实现的方法。此外，本专利技术涉及用于估计电化学电池的电池状态的电池状态估计系统。
[0002]例如，计算机可以是微控制器。例如，计算机或微控制器可以包括处理单元、存储器和输入/输出端口。
[0003]背景
[0004]WO 2005/059579 A1和EP 1702219 B1描述了一种用于通过使用神经网络来估计电池的充电状态的装置和方法。该装置包括用于检测来自电池单元的电流、电压和温度的感测部以及基于从感测部向其传输的电流、电压和温度的数据和当前时间数据执行神经网络算法和学习算法的神经网络。在一个示例中，动态多维小波神经网络包括输入域、隐藏层和输出层。
[0005]US 4678998A描述了一种电池状况监测器和监测方法。
[0006]JP 2003-249271 A和JP 4038788 B2描述了实时确定电池的劣化状态和残余容量。在一个示例中，作为操作中的电池的操作参数，测量单元可以周期性地测量和采样电池的电压、电流、内部阻抗和温度。电池的内部阻抗是通过向电池添加1kHz和100mA的AC信号来测量的。第一神经网络可以基于来自测量单元的电池的操作参数将劣化状态判定为“正常”、“提醒(caution)”和“劣化”，以及第二神经网络可以基于电池的操作参数和来自第一神经网络的劣化状态判定残余容量。第一神经网络和第二神经网络中的每一个都是具有输入层、中间层和输出层的三层前馈网络。<br/>[0007]US 6307378 B1描述了一种用于测量电化学池(cell)和电池(battery)阻抗的方法和装置。
[0008]WO 03/071617 A2描述了一种用于确定电化学池(诸如电池)的状况参数的方法。在一个示例中，诸如终端电压、电池电压、负载电流、充电电流、环境温度、电池表面温度、终端温度、内部电池温度和阻抗信号的测量结果信号被传递到特征提取处理算法，该算法生成特征向量和特征标志。来自特征向量的数据被传递到用于初始电池容量充电状态估计的神经网络ISOC预测器、以及用于在操作期间连续预测SOC的神经网络CSOC预测器。在另一示例中，包含在特征向量中的信息被神经网络SOH分类器、线性/统计SOH分类器和模糊逻辑SOH分类器用于健康状态分类。被设计用于直接SOC估计的神经网络使用一个隐藏层。
[0009]WO 2016/208745 A1及其翻译DE 112016002873 T5描述了一种识别电池的充电状态或放电深度的方法。该方法包括针对多个频率确定电池的正极和负极之间的复阻抗。
[0010]WO 2017/110437 A1及其翻译DE 11 2016 003 789 T5描述了一种估计锂离子电池的残余容量的估计设备。
[0011]WO 2016/080111 A1及其翻译DE 11 2015 005 201 T5描述了一种用于估计蓄电池的剩余存储电量的估计设备。
[0012]US 2013/0307487 A1和US 8994340 B2描述了一种用于在不使用温度传感器的情况下通过测量池(cells)的阻抗并使用该阻抗确定温度，来确定电池组中池的温度的方法
和系统。
[0013]WO 00/16083和EP 1129343 B1描述了一种在n个离散频率处测量池(cell)或电池的复导抗的实部和虚部的设备。该设备通过评估等效电路模型的组件来确定池/电池的性质。
[0014]专利技术概述
[0015]本专利技术的一个目的是提供一种基于电阻抗测量结果来估计电化学电池的电池状态的新方法。期望的是，该方法更好地利用包括在针对不同测量频率的电阻抗测量结果的系列中的信息。
[0016]本专利技术在独立权利要求中指定。另外的实施例在从属权利要求中指定。
[0017]根据本专利技术的一个方面，提供了一种估计电化学电池的电池状态的计算机实现的方法，该方法包括：
[0018]提供电化学电池的电阻抗测量结果的系列，每个电阻抗测量结果是在相应测量频率处被测量到的，该系列是根据相应测量频率进行排序的，
[0019]使用人工卷积神经网络装置确定电化学电池的电池状态，该人工卷积神经网络装置被配置为接收电阻抗值的系列作为输入，
[0020]其中，电阻抗值的系列被提供给人工卷积神经网络装置，该电阻抗值的系列对应于提供的电阻抗测量结果的系列，
[0021]其中，该人工卷积神经网络装置接收并处理提供的电阻抗测量值的系列，以从中生成表示与电化学电池相关的电池状态的至少一个输出信号。
[0022]该电阻抗值的系列对应于提供的电阻抗测量结果的系列。也就是说，两个系列表征了在复平面中电阻抗相对于相应系列的元素的索引的相同曲线进展。在本文中，除非另有说明，否则术语“复平面”应理解为电阻抗的复平面。
[0023]特别地，基于提供的电阻抗测量结果的系列来提供电阻抗值的系列。
[0024]例如，提供的电阻抗值的系列可以与提供的电阻抗测量结果的系列相同或者可以被包括在提供的电阻抗测量结果的系列中，或者可以从提供的电阻抗测量结果的系列生成。
[0025]例如，从提供的电阻抗测量结果的系列生成电阻抗值的系列可以包括以下至少一个：在电阻抗测量结果之间进行插值、从电阻抗测量结果中进行选择以及外推电阻抗测量结果。
[0026]人工卷积神经网络装置可以接收和处理电阻抗值的系列，以从中根据人工卷积神经网络装置的预定处理结构来生成输出信号。
[0027]例如，人工卷积神经网络装置可以包括卷积神经网络(CNN)。
[0028]CNN具有输入层、至少一个卷积层和输出层。CNN可以是深度神经网络。可以训练CNN来识别电阻抗测量结果的变换系列中的模式，并将这些模式与相应的电池状态相关联。
[0029]例如，人工卷积神经网络装置可能已经被训练成通过检测电阻抗值的系列的表征特性、使用针对预定温度范围的温度以及针对电池的不同健康状态和/或不同充电状态的训练数据，来估计(可充电)电化学电池的电池状态。
[0030]由于在卷积神经网络的卷积层内执行的卷积，卷积神经网络特别适合于识别出现在输入向量或输入阵列中的模式。例如，卷积神经网络已知用于对图像进行分类。
[0031]已经发现，卷积神经网络由于其模式识别能力，适合于基于对应于电阻抗测量结果的系列的电阻抗值的系列来估计与电化学电池相关的电池状态，该系列是根据相应的测量频率排序的。
[0032]相比之下，在WO 03/071617 A2的现有技术中，针对直接SOC估计设计的神经网络使用一个隐藏层，并且来自几个不同测量信号的数据被包括在特征向量中，或者被传递到生成特征向量的特征提取处理算法；该数据包括电参数，诸如电池电压和电流以及温度。因此，WO 03/071617 A2没有公开对特征向量的这种数据应用卷积。
[0033]优选地，电化学电池是可充电电化学电池。...

【技术保护点】

【技术特征摘要】
1.一种估计电化学电池的电池状态的计算机实现的方法，所述方法包括：提供(S12)电化学电池(14)的电阻抗测量结果的系列，每个电阻抗测量结果是在相应的测量频率(f
s
)处被测量的，所述系列根据所述相应的测量频率(f
s
)排序，使用人工卷积神经网络装置(28)来确定(S20)所述电化学电池(14)的电池状态，所述人工卷积神经网络装置被配置为接收电阻抗值的系列作为输入，其中，所述电阻抗值的系列被提供给所述人工卷积神经网络装置(28)，所述电阻抗值的系列对应于所提供的电阻抗测量结果的系列，其中，所述人工卷积神经网络装置(28)接收并处理所提供的电阻抗值的系列，以从中生成表示与所述电化学电池(14)相关的电池状态(38)的至少一个输出信号。2.根据权利要求1所述的方法，其中，所述方法还包括：将所述电阻抗测量结果的系列的元素数量调整(S16)到预定的元素数量。3.根据权利要求1或2所述的方法，其中，所述人工卷积神经网络装置(28)接收并处理所述电阻抗值的系列，以从中生成表示所述电化学电池(14)的充电状态的至少一个输出信号。4.根据前述权利要求中任一项所述的方法，其中，所述人工卷积神经网络装置(28)接收并处理所述电阻抗值的系列，以从中生成表示所述电化学电池(14)的健康状态的至少一个输出信号。5.根据前述权利要求中任一项所述的方法，其中，所述人工卷积神经网络装置(28)接收并处理...

【专利技术属性】
技术研发人员：瓦伦汀，
申请(专利权)人：诺乌姆工程有限公司，
类型：发明
国别省市：