專利名稱：使用神經(jīng)網(wǎng)絡(luò)評(píng)估電池的充電狀態(tài)的設(shè)備和方法
技術(shù)領(lǐng)域：
本發(fā)明大體涉及一種用于評(píng)估電池的充電狀態(tài)(SOC)的設(shè)備和方法，更具體地涉及一種通過使用神經(jīng)網(wǎng)絡(luò)評(píng)估表現(xiàn)出非線性特性的電池的充電狀態(tài)(SOC)的設(shè)備和方法。
背景技術(shù)：
一般而言，電池的充電狀態(tài)(SOC)表現(xiàn)出非線性的特征，所以難以精確檢測(cè)電池的SOC。從而，電池的SOC值不是檢測(cè)的而是估計(jì)的。特別地，用于具有高C-rates的混合電動(dòng)車輛(HEVs)或電動(dòng)車輛(EVs)的電池的SOC可能表現(xiàn)出較強(qiáng)的非線性特征，所以幾乎不可能精確地檢測(cè)這些電池的SOC。
傳統(tǒng)地，Ah-計(jì)算(安培小時(shí)計(jì)算)方案，OCV(開路電壓)測(cè)量方案，或電池阻抗測(cè)量方案，已經(jīng)被用于評(píng)估該電池的SOC。
首先，Ah-計(jì)算方案通過檢測(cè)該電池的實(shí)際容量評(píng)估電池的SOC。在此情況下，該電池的SOC評(píng)估值可能取決于用于檢測(cè)電池的實(shí)際容量的傳感器的狀態(tài)。因此，電池的SOC的評(píng)估值可以依據(jù)傳感器的精確度和誤差度而變化。
OCV測(cè)量方案基于電池的開路電壓評(píng)估電池的SOC。然而在此情況下，電池的SOC只能在電池的休眠狀態(tài)下進(jìn)行評(píng)估。此外，OCV測(cè)量方案受到外部環(huán)境的影響，例如外部溫度。
電池阻抗測(cè)量方案基于電池的阻抗值評(píng)估電池的SOC。然而，電池阻抗測(cè)量方案顯著受到外部溫度的影響，這樣對(duì)于電池的SOC的評(píng)估值的可靠性可能被降低。
因此，有必要提供一種用于精確評(píng)估電池的SOC的方法，同時(shí)最小化其評(píng)估誤差而與外部溫度無關(guān)。

發(fā)明內(nèi)容
本發(fā)明致力于一種用于評(píng)估電池的SOC的設(shè)備和方法，其基本消除了由于現(xiàn)有技術(shù)的限制和缺點(diǎn)造成的一個(gè)或更多問題。本發(fā)明的目的是提供一種使用神經(jīng)網(wǎng)絡(luò)精確評(píng)估電池的SOC的設(shè)備和方法。
本發(fā)明的另一個(gè)目的是提供一種通過使用在包括各種溫度和C-rates的各種環(huán)境下的數(shù)據(jù)最小值，能夠動(dòng)態(tài)評(píng)估電池的SOC的設(shè)備和方法。
為了實(shí)現(xiàn)根據(jù)本發(fā)明的這些目標(biāo)和其他優(yōu)點(diǎn)，如這里具體地和廣泛地描述，提供一種用于評(píng)估電池的充電狀態(tài)(SOC)的設(shè)備，該設(shè)備包括用于從電池單元檢測(cè)電流、電壓和溫度的檢測(cè)部分；神經(jīng)網(wǎng)絡(luò)，基于從檢測(cè)部分發(fā)送到那里的電流、電壓和溫度數(shù)據(jù)以及當(dāng)前時(shí)間數(shù)據(jù)執(zhí)行神經(jīng)網(wǎng)絡(luò)算法和學(xué)習(xí)算法，從而輸出通過最終學(xué)習(xí)算法評(píng)估的電池的SOC；以及比較器，用于將神經(jīng)網(wǎng)絡(luò)的輸出值與預(yù)定目標(biāo)值相比較，并且如果神經(jīng)網(wǎng)絡(luò)的輸出值和預(yù)定目標(biāo)值之間的差值在預(yù)定可允許極限之外，使得神經(jīng)網(wǎng)絡(luò)迭代地執(zhí)行該學(xué)習(xí)方法，并更新學(xué)習(xí)算法以形成最終的學(xué)習(xí)算法。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，預(yù)定目標(biāo)值可以為電池的“真實(shí)”SOC。然而，難以精確地計(jì)算該預(yù)定目標(biāo)值，所以通過在特定條件下進(jìn)行實(shí)驗(yàn)獲得的參考值被用作目標(biāo)值。例如，基于分別地或彼此算術(shù)補(bǔ)償?shù)貜碾姵氐念~定容量或電池的開路電壓減去充電器/放電器的安培-小時(shí)數(shù)據(jù)的值，獲得參考值。
盡管與動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)算法形式的神經(jīng)網(wǎng)絡(luò)相關(guān)地描述了本發(fā)明，本發(fā)明也可以使用動(dòng)態(tài)小波神經(jīng)網(wǎng)絡(luò)算法或靜態(tài)小波神經(jīng)網(wǎng)絡(luò)算法。此外，盡管與反向傳播學(xué)習(xí)算法相關(guān)地描述了本發(fā)明，本發(fā)明也可以使用Kalman濾波器方案、GA或模糊學(xué)習(xí)算法。
為了實(shí)現(xiàn)本發(fā)明的以上目標(biāo)，根據(jù)本發(fā)明的另一個(gè)方面，提供一種通過使用神經(jīng)網(wǎng)絡(luò)評(píng)估電池的充電狀態(tài)(SOC)的方法，該方法包括以下步驟(a)基于從電池檢測(cè)的電流、電壓和溫度數(shù)據(jù)和當(dāng)前時(shí)間數(shù)據(jù)執(zhí)行學(xué)習(xí)算法；以及(b)輸出通過通過執(zhí)行學(xué)習(xí)方法產(chǎn)生的最終學(xué)習(xí)算法評(píng)估的電池的SOC。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，步驟(a)包括這些子步檢測(cè)電池的電流、電壓和溫度；通過使用作為學(xué)習(xí)數(shù)據(jù)的從電池檢測(cè)的電流值、電壓和溫度的數(shù)據(jù)以及當(dāng)前時(shí)間數(shù)據(jù)，執(zhí)行神經(jīng)網(wǎng)絡(luò)算法；檢查在通過神經(jīng)網(wǎng)絡(luò)算法輸出的輸出值和預(yù)定目標(biāo)值之間的差值是否在預(yù)定可允許極限內(nèi)；以及如果該差值在預(yù)定可允許的極限之外，迭代地執(zhí)行學(xué)習(xí)算法，從而更新該學(xué)習(xí)算法以產(chǎn)生最終學(xué)習(xí)算法。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，步驟(b)包括以下子步檢測(cè)從電池的電流、電壓和溫度；以及，基于從電池檢測(cè)的電流、電壓和溫度的數(shù)據(jù)以及當(dāng)前時(shí)間數(shù)據(jù)通過步驟(a)獲得的最終學(xué)習(xí)算法，通過由該最終學(xué)習(xí)算法評(píng)估該電池的SOC，輸出電池的SOC。
本發(fā)明的另外的優(yōu)點(diǎn)、目標(biāo)和特征將在之后的描述的部分中闡明，并且部分對(duì)于那些本領(lǐng)域普通技術(shù)人員，基于后面的審查將會(huì)變得明顯，或可通過實(shí)踐本發(fā)明學(xué)會(huì)?？梢酝ㄟ^其說明書和權(quán)利要求書以及附圖中具體指出的結(jié)構(gòu)實(shí)現(xiàn)和獲得得本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)。


圖1是示意性地說明根據(jù)本發(fā)明的優(yōu)選實(shí)施例用于評(píng)估電池的SOC的設(shè)備的框圖；圖2是顯示用于本發(fā)明的動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的視圖；圖3是順序描述根據(jù)本發(fā)明的優(yōu)選實(shí)施例使用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步驟的流程圖；圖4是順序描述使用通過從圖3所示學(xué)習(xí)步驟獲得的最終評(píng)估算法輸出電池的SOC的步驟的流程圖。
具體實(shí)施例方式
現(xiàn)在將詳細(xì)參考本發(fā)明的優(yōu)選實(shí)施例，其例子在附圖中進(jìn)行描述?？赡艿娜魏蔚胤?，在所有附圖中使用相同的參考標(biāo)號(hào)表示相同或類似的部件。
以下，將參考附圖詳細(xì)地解釋本發(fā)明的優(yōu)選實(shí)施例。
圖1為示意性地描述根據(jù)本發(fā)明的優(yōu)選實(shí)施例用于評(píng)估電池的SOC的設(shè)備100的框圖。
參考圖1，用于使用神經(jīng)網(wǎng)絡(luò)評(píng)估電池的SOC的設(shè)備100包括用于檢測(cè)電池單元10的電流(i)的電流檢測(cè)單元12；用于檢測(cè)電池單元10的電壓(V)的電壓檢測(cè)單元14；用于檢測(cè)電池單元10的溫度(T)的溫度檢測(cè)單元16；神經(jīng)網(wǎng)絡(luò)20，其用于通過使用學(xué)習(xí)數(shù)據(jù)執(zhí)行神經(jīng)網(wǎng)絡(luò)算法和學(xué)習(xí)算法，所述學(xué)習(xí)數(shù)據(jù)包括由上述檢測(cè)單元12、14、16檢測(cè)的電流(i)、電壓(V)、溫度(T)以及時(shí)間(K)，并用于基于由完成神經(jīng)網(wǎng)絡(luò)算法和學(xué)習(xí)算法產(chǎn)生的最終學(xué)習(xí)算法公式，輸出評(píng)估的SOC；用于將充電/放電電流提供給電池單元10的充電器/放電器30；以及比較器40，其將從神經(jīng)網(wǎng)絡(luò)20輸出的電池的輸出SOC(go)與目標(biāo)SOC(gT)比較，檢查在輸出SOC(go)和目標(biāo)SOC(gT)之間的差值是否在預(yù)定可允許的極限內(nèi)，以及如果該差值在預(yù)定可允許的極限之外，使得神經(jīng)網(wǎng)絡(luò)20迭代地執(zhí)行學(xué)習(xí)算法，從而更新該學(xué)習(xí)算法來產(chǎn)生最終學(xué)習(xí)算法。
優(yōu)選地，通過在特殊條件下進(jìn)行實(shí)驗(yàn)獲得目標(biāo)SOC(gT)。例如，通過從電池的額定容量(gN)減去充電器/放電器30的Ah(安培-小時(shí))數(shù)據(jù)(gr)得到該目標(biāo)SOC(gT)，也就是，(gT)＝(gN)-(gr)。這是因?yàn)?，如果誤差在可接受的極限內(nèi)，可以通過從電池的額定容量中減去對(duì)應(yīng)于在電池中已經(jīng)使用的容量的Ah數(shù)據(jù)可以獲得理想目標(biāo)SOC?？蛇x擇地，基于電池的開路電壓值獲得目標(biāo)SOC(gT)。優(yōu)選地，彼此算術(shù)地補(bǔ)償Ah-計(jì)算方案的值和OCV測(cè)量方案的值。
圖2為顯示用于本發(fā)明的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的視圖。
根據(jù)本發(fā)明的優(yōu)選實(shí)施例，該神經(jīng)網(wǎng)絡(luò)包括動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)。
參考圖2，動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)包括輸入?yún)^(qū)域、隱蔽層和輸出層。
為了將電池SOC評(píng)估算法應(yīng)用于該動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)，可以基于小波理論分析任意函數(shù)f(x)∈L2(R)如下。
等式1 這里，an為基礎(chǔ)函數(shù)(·)的系數(shù)，用于分析任意函數(shù)f(x)。此外，2m和n分別為基礎(chǔ)函數(shù)(·)的擴(kuò)張和平移參數(shù)。
此外，任意函數(shù)f(x)的接近函數(shù)g(x)由等式2表示。
等式2
等式2可以被如下應(yīng)用于圖2中顯示的動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)在圖2中，xd(k)為輸入到動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)向量。根據(jù)本實(shí)施例，xd(k)為包括在時(shí)間(k)的預(yù)定周期期間輸入到動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)中的電流、電壓和溫度組成的輸入數(shù)據(jù)的向量。也就是說，xd(k)＝(i，v，T，k)。此外，go(xd(k))是基于輸入數(shù)據(jù)通過動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)估計(jì)的輸出值。該go(xd(k))如等式3表示。
等式3 這里，WnD和Wnoo為代表聯(lián)結(jié)權(quán)重的系數(shù)，其在每個(gè)時(shí)間(k)基于反向傳播(BP)學(xué)習(xí)算法更新，這樣任意函數(shù)可以用非線性函數(shù)來近似地識(shí)別。
如果在由動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)的比較器40檢測(cè)到的輸出值go和目標(biāo)值gT之間差值不在預(yù)定可允許的極限(例如3％)內(nèi)，則通過神經(jīng)網(wǎng)絡(luò)20迭代地進(jìn)行后面的反向傳播學(xué)習(xí)算法。
在解釋反向傳播(BP)學(xué)習(xí)算法之前，注意誤差函數(shù)如等式4定義。
等式4E=12(gT(k)-go(k))2]]>這里，gT(k)為理想輸出值，也就是目標(biāo)值，和go(k)為神經(jīng)網(wǎng)絡(luò)20的實(shí)際輸出值。當(dāng)以gT(k)-go(k)＝e(k)代入等式4，獲得如等式5中表示的誤差梯度。
等式5∂E∂W=e(k)∂g(k)∂W]]>同樣，獲得如等式6所示的誤差梯度WnD和Wnoo。
等式6∂go(k)∂Wnoo=Xn(k)...(1)]]>∂go(k)∂WnD=ΣoWnooPn(k)...(2)]]> 因此，對(duì)于聯(lián)結(jié)權(quán)重的最終更新如下實(shí)現(xiàn)等式7W(t+1)=W(t)+η(-∂E∂W),]]>這里，η為學(xué)習(xí)速度。
這樣，該神經(jīng)網(wǎng)絡(luò)20將基于WnD、Wnoo和Xn(k)的更新值重新產(chǎn)生的新輸出值go迭代地發(fā)送到比較器40，同時(shí)迭代地執(zhí)行反向傳播學(xué)習(xí)算法。此外，迭代地執(zhí)行這樣的過程直到確定該輸出值go和該目標(biāo)值gT之間的差預(yù)定可允許的極限內(nèi)。
當(dāng)確定輸出值go和目標(biāo)值gT之間的差限制在預(yù)定可允許極限內(nèi)時(shí)，通過使用神經(jīng)網(wǎng)絡(luò)完成學(xué)習(xí)算法，以及通過使用通過該學(xué)習(xí)算法獲得的最終評(píng)估算法公式(即等式3)，輸出評(píng)估的SOC。
在下文中，將參考圖3和圖4描述用于評(píng)估電池的SOC的方法。
根據(jù)本發(fā)明的用于評(píng)估電池的SOC的方法包括使用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步驟，也就是，通過執(zhí)行神經(jīng)網(wǎng)絡(luò)算法和學(xué)習(xí)算法獲得最終評(píng)估算法的步驟；和用于通過使用最終評(píng)估算法輸出電池的SOC的SOC輸出步驟。
圖3為順序地描述根據(jù)本發(fā)明的優(yōu)選實(shí)施例的使用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步驟的流程圖。
參考圖3，從電池單元10檢測(cè)該電流(i)、電壓(V)和溫度(T)(步驟10)。然后，通過使用檢測(cè)到的電流(i)、電壓(V)、溫度(T)和其時(shí)間數(shù)據(jù)(k)作為輸入數(shù)據(jù)向量，即，xd(k)＝(i，v，T，k)，進(jìn)行動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)算法。結(jié)果，可以獲得輸出值go(步驟12)。
在這之后，將該輸出值go與目標(biāo)值gT進(jìn)行比較，并檢查輸出值go與目標(biāo)值gT之間的差值是否在3％的預(yù)定誤差極限內(nèi)(步驟14)。雖然在本實(shí)施例中預(yù)定的可允許誤差極限設(shè)為3％，如果需要，可以改變預(yù)定的可允許誤差極限。隨著可允許誤差極限減小，該電池的SOC可以被精確地評(píng)估。相反的，隨著可允許誤差極限增大，該電池的SOC可以被不準(zhǔn)確地評(píng)估。
如果在步驟14中確定該差值超出預(yù)定可允許誤差極限，可執(zhí)行反向傳播學(xué)習(xí)算法，從而獲得更新的輸出值go(步驟16)。然后，程序回到步驟14。
同時(shí)，如果在步驟14中確定該差值等于或小于預(yù)定可允許誤差極限，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法完成(步驟18)。結(jié)果，通過學(xué)習(xí)算法獲得最終評(píng)估算法公式(即等式3)。
圖4為描述使用通過圖3所示的該學(xué)習(xí)算法獲得的最終評(píng)估算法輸出電池的SOC的過程。
參考圖4，從電池單元10檢測(cè)電流(i)、電壓(V)和溫度(T)(步驟20)。然后，通過使用通過圖3所示的學(xué)習(xí)算法獲得的最終評(píng)估算法輸出該電池的SOC，同時(shí)使用檢測(cè)的電流(i)、電壓(V)和溫度(T)以及其時(shí)間數(shù)據(jù)(k)作為輸入數(shù)據(jù)向量，即，xd(k)＝(i，v，T，k)(步驟22)。
雖然已經(jīng)與動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)的形式的神經(jīng)網(wǎng)絡(luò)有關(guān)地描述了本發(fā)明，但本發(fā)明并不排他性地局限于此。也就是，本發(fā)明可應(yīng)用前饋神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)等。
此外，雖然本發(fā)明采用了反向傳播學(xué)習(xí)算法作為學(xué)習(xí)算法，本發(fā)明不是排他性地局限于此。例如，本發(fā)明可以采用傳統(tǒng)Kalman濾波器方案、GA(遺傳算法)以及模糊學(xué)習(xí)算法。
如上所述，本發(fā)明可以通過神經(jīng)網(wǎng)絡(luò)算法和學(xué)習(xí)算法動(dòng)態(tài)評(píng)估電池的SOC。特別地，電池的SOC甚至可以在多種外部環(huán)境下精確地評(píng)估，包括多種溫度和C-rates。本發(fā)明可有效用于必須精確評(píng)估電池的SOC的混合電氣車輛領(lǐng)域。
前述的實(shí)施例只是示例性的而不解釋為限制本發(fā)明。現(xiàn)有的技術(shù)教導(dǎo)可以被容易地應(yīng)用到其他類型的設(shè)備。本發(fā)明的描述意圖為描述性的，而不是限制權(quán)利要求書的范圍。很多替換、改變和變化對(duì)于本領(lǐng)域技術(shù)人員是明顯的。
權(quán)利要求
1.一種用于評(píng)估電池的充電狀態(tài)(SOC)的設(shè)備，該設(shè)備包括用于從電池單元檢測(cè)電流、電壓和溫度的檢測(cè)部分；神經(jīng)網(wǎng)絡(luò)，其基于從檢測(cè)部分發(fā)送過來的電流、電壓和溫度的數(shù)據(jù)以及當(dāng)前時(shí)間數(shù)據(jù)，執(zhí)行神經(jīng)網(wǎng)絡(luò)算法和學(xué)習(xí)算法，從而輸出通過最終學(xué)習(xí)算法評(píng)估的電池的SOC；和比較器，用于將神經(jīng)網(wǎng)絡(luò)的輸出值與預(yù)定目標(biāo)值相比，并且如果該神經(jīng)網(wǎng)絡(luò)的輸出值和預(yù)定目標(biāo)值之間的差值在預(yù)定極限之外，使神經(jīng)網(wǎng)絡(luò)迭代地執(zhí)行學(xué)習(xí)算法，并更新該學(xué)習(xí)算法以產(chǎn)生最終學(xué)習(xí)算法。
2.根據(jù)權(quán)利要求1所述的設(shè)備，其中預(yù)定目標(biāo)值為通過在特殊條件下進(jìn)行實(shí)驗(yàn)獲得的參考值。
3.根據(jù)權(quán)利要求2所述的設(shè)備，其中，基于從該電池的額定容量中減去充電器/放電器的安培-小時(shí)數(shù)據(jù)所得的值，或者基于該電池的開路電壓值，彼此分別地或者算術(shù)地補(bǔ)償，獲得參考值。
4.根據(jù)權(quán)利要求1所述的設(shè)備，其中神經(jīng)網(wǎng)絡(luò)包括動(dòng)態(tài)小波神經(jīng)網(wǎng)絡(luò)算法或靜態(tài)小波神經(jīng)網(wǎng)絡(luò)算法。
5.根據(jù)權(quán)利要求4所述的設(shè)備，其中該神經(jīng)網(wǎng)絡(luò)包括動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)算法。
6.根據(jù)權(quán)利要求1所述的設(shè)備，其中該學(xué)習(xí)算法包括反向傳播學(xué)習(xí)算法、Kalman濾波器方案、GA或模糊學(xué)習(xí)算法。
7.一種使用神經(jīng)網(wǎng)絡(luò)評(píng)估電池的充電狀態(tài)(SOC)的方法，該方法包括以下步驟(a)基于從電池檢測(cè)的電流、電壓、溫度數(shù)據(jù)以及當(dāng)前時(shí)間數(shù)據(jù)，執(zhí)行學(xué)習(xí)算法；以及(b)輸出通過執(zhí)行學(xué)習(xí)算法產(chǎn)生的最終學(xué)習(xí)算法評(píng)估的電池的SOC。
8.根據(jù)權(quán)利要求7所述的方法，其中步驟(a)包括子步如下從電池檢測(cè)電流、電壓和溫度，通過使用從電池檢測(cè)到的電流、電壓、溫度的數(shù)據(jù)以及當(dāng)前時(shí)間數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，執(zhí)行神經(jīng)網(wǎng)絡(luò)算法，檢查通過神經(jīng)網(wǎng)絡(luò)算法輸出的輸出值和預(yù)定目標(biāo)值之間的差值是否在預(yù)定極限內(nèi)，并且如果該差值在預(yù)定極限之外，迭代地執(zhí)行學(xué)習(xí)算法，從而更新該學(xué)習(xí)算法以產(chǎn)生最終學(xué)習(xí)算法。
9.根據(jù)權(quán)利要求8所述的方法，其中該預(yù)定目標(biāo)值是通過在特殊條件下執(zhí)行實(shí)驗(yàn)獲得的參考值。
10.根據(jù)權(quán)利要求9所述的方法，其中基于從該電池的額定容量中減去充電器/放電器的安培-小時(shí)數(shù)據(jù)所得的值，或者基于該電池的開路電壓值，彼此分別地或算術(shù)地補(bǔ)償，獲得參考值。
11.根據(jù)權(quán)利要求7所述的方法，其中步驟(b)包括如下子步驟從電池檢測(cè)電流、電壓和溫度，并通過用最終學(xué)習(xí)算法評(píng)估電池的SOC，輸出電池的SOC，其中所述最終學(xué)習(xí)算法是基于從電池檢測(cè)到的電流、電壓和溫度的數(shù)據(jù)以及當(dāng)前時(shí)間數(shù)據(jù)通過步驟(a)獲得的。
12.根據(jù)權(quán)利要求7所述的方法，其中神經(jīng)網(wǎng)絡(luò)包括動(dòng)態(tài)小波神經(jīng)網(wǎng)絡(luò)算法或靜態(tài)小波神經(jīng)網(wǎng)絡(luò)算法。
13.根據(jù)權(quán)利要求12所述的方法，其中該小波神經(jīng)網(wǎng)絡(luò)包括動(dòng)態(tài)多維小波神經(jīng)網(wǎng)絡(luò)算法。
14.根據(jù)權(quán)利要求7所述的方法，其中該學(xué)習(xí)算法包括反向傳播學(xué)習(xí)算法，Kalman濾波器方案，GA或者模糊學(xué)習(xí)算法。
全文摘要
公開了一種使用神經(jīng)網(wǎng)絡(luò)評(píng)估表現(xiàn)出非線性特征的電池的充電狀態(tài)的設(shè)備和方法。該設(shè)備包括用于從電池單元檢測(cè)電流、電壓和溫度的檢測(cè)部分；神經(jīng)網(wǎng)絡(luò)，基于從該檢測(cè)部分發(fā)送的電流、電壓和溫度以及當(dāng)前時(shí)間數(shù)據(jù)執(zhí)行神經(jīng)網(wǎng)絡(luò)算法和學(xué)習(xí)算法，從而輸出通過最終學(xué)習(xí)算法評(píng)估的該電池的SOC；比較器，其用于將該神經(jīng)網(wǎng)絡(luò)的輸出值與預(yù)定目標(biāo)值對(duì)比，并且如果該神經(jīng)網(wǎng)絡(luò)的輸出值和預(yù)定目標(biāo)值之間的差值在預(yù)定極限之外，使得該神經(jīng)網(wǎng)絡(luò)迭代地執(zhí)行該學(xué)習(xí)算法，從而更新該學(xué)習(xí)算法以產(chǎn)生最終學(xué)習(xí)算法。該電池的充電狀態(tài)可通過該神經(jīng)網(wǎng)絡(luò)算法進(jìn)行精確地評(píng)估。
文檔編號(hào)H01M10/48GK1890574SQ200480036021
公開日2007年1月3日 申請(qǐng)日期2004年12月17日 優(yōu)先權(quán)日2003年12月18日
發(fā)明者趙一 申請(qǐng)人:株式會(huì)社Lg化學(xué)