用于确定锂硫电池组的健康状况和充电状态的方法和装置专利检索-健康状态电池与电池专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

用于确定锂硫电池组的健康状况和充电状态的方法和装置

阅读：360发布：2021-02-28

IPRDB可以提供用于确定锂硫电池组的健康状况和充电状态的方法和装置专利检索，专利查询，专利分析的服务。并且用于准确地确定锂硫电池组、模块或电池的健康状况(包括充电状态和相对年龄)的系统和方法。本发明使用锂硫电池或电池组的操作模型来预测在与充电状态和健康状况相关的一系列条件下的模型参数。操作模型包括由于锂硫电池的独特化学性质而引起的记忆效应，其不包括对锂硫电池组的健康状况确定的其它方法的使用。模型参数在真实生活应用中被识别，并且参数被与使用卡尔曼滤波的操作锂硫模型的参数比较。输出包括对健康状况的估计和其他关键性能指标。将关键性能指标与例如电阻的测量值进行比较，以向估计过程提供反馈以便提高准确度。该系统可以在应用中被实现为软件或固件。，下面是用于确定锂硫电池组的健康状况和充电状态的方法和装置专利的具体信息内容。

权利要求

1.一种用于对具有锂硫化学性质的二次电化学电池的充电状态SOC建模的装置，在所述二次电化学电池中，容量能够由于活性反应物质在使用中变得暂时非活性而被失去，所述装置包括：电池模型模块，其可操作来基于表示所述电池的内部状态的模型来预测使用中的所述电池的电气特性，表示所述电池的内部状态的所述模型对于所有充电状态SOC使所述电池的端子电压与所述电池的操作条件相关联，其中，所述电池的操作条件包括下列项中的一个或更多个：所述电池的开路电压；所述电池上的电流；所述电池的温度；所述电池的内电阻；

记忆效应模块，其可操作来基于记忆模型对使用中的所述电池的可用容量建模，所述记忆模型表示由于在使用中变得暂时非活性的所述活性反应物质的数量的变化而引起的所述电池中的活性反应物质的数量的变化，其中，所述记忆模型基于所述电池的操作历史在使用期间预测所述电池的额定容量Qt中的可用容量Qusable的比例，所述记忆效应模块从而考虑到由于活性反应物质在使用中变得暂时非活性而引起的所述电池的可用容量的可逆变化；

其中，所述装置被配置为使得所述电池模型模块和/或记忆效应模块基于所述电池的操作历史来调整使用中的所述电池模型模块，以补偿由所述记忆效应模块对所述电池的可用容量的预测。

2.如权利要求1所述的装置，其中，表示所述电池的内部状态的所述模型是包括多个所建模的电气元件的等效电路网络模型，所述等效电路网络模型由所述等效电路网络模型的组成电气元件的特性进行参数化而得到。

3.如权利要求2所述的装置，其中，所述等效电路网络模型由与欧姆电阻串联的电压源和被表示为由电阻R和电容C并联组成的RC对的一个或更多个扩散电阻组成。

4.如权利要求3所述的装置，其中，所述等效电路网络模型通过被视为所述电压源的所述电池的开路电压来对电池行为建模，并且所述欧姆电阻和所述扩散电阻的参数化特性被选择为在给定电流和温度下在给定充电状态下将所述电路中的电压一直降低到所述电池的所述端子电压。

5.如权利要求1所述的装置，其中，表示所述电池的内部状态的所述模型是参数化的基于物理性质的电池模型。

6.如权利要求2到5中任一项所述的装置，还包括参数值资源，所述参数值资源被配置为可用于向所述电池模型模块提供在给定操作条件下针对所述电池的所建模的行为的所述电池模型的参数的值。

7.一种用于估计在使用中的具有锂硫化学性质的二次电池的充电状态SOC的方法，在所述二次电池中，容量能够由于活性反应物质在使用中变得暂时非活性而被失去，所述方法包括：接收使用中的所述电池的操作条件的测量值；

通过下列操作来估计使用中的所述电池的内部状态：

使用电池模型模块来对所述电池建模，所述电池模型模块基于表示所述电池的内部状态的模型来估计使用中的所述电池的电气特性，表示所述电池的内部状态的所述模型对于所有充电状态SOC使所述电池的端子电压与所述电池的操作条件相关联，其中，所述电池的操作条件包括下列项中的一个或更多个：所述电池的开路电压；所述电池上的电流；所述电池的温度；所述电池的内电阻；

基于记忆模型来预测使用中的所述电池的可用容量，所述记忆模型表示由于在使用中变得暂时非活性的所述活性反应物质的数量的变化而引起的所述电池中的活性反应物质的数量的变化，其中，所述记忆模型基于所述电池的操作历史在使用期间关联所述电池的额定容量Qt中的可用容量Qusable的比例，从而考虑到由于活性反应物质在使用中变得暂时非活性而引起的所述电池的可用容量的可逆变化；

基于所述电池的操作历史来调整使用中的所述电池模型模块，以补偿由所述记忆模型对所述电池的可用容量的预测；以及估计适合所述电池的操作条件的所接收的测量值的所述电池模型的内部状态配置；以及

基于所述电池的所建模的内部状态配置来估计所述电池的充电状态SOC。

8.如权利要求7所述的方法，还包括：

将所述电池的健康状况估计为所述电池的所建模的可用容量Qusable与所述电池的额定容量Qt的比。

9.如权利要求7或8所述的方法，还包括：

通过作为迭代反馈回路操作来在每个时间间隔处改善所估计的所述电池的内部状态，在所述迭代反馈回路中，基于所述电池的所测量的操作条件来校正基于将在前一时间间隔处的所述电池的所估计的内部状态向前投射到当前时间间隔处的电池模型对所述电池的内部状态的预测，以更新所述电池的当前内部状态的估计。

说明书全文

用于确定锂硫电池组的健康状况和充电状态的方法和装置

技术领域

[0001] 本发明一般涉及用于确定二次电池的充电状态和健康状况的方法和装置，该二次电池由于在正常使用中的电池的动态循环而容易受到容量的变化的记忆效应。本发明在具有锂硫化学性质的电池中得到特定的应用。本发明还涉及方法和装置在电池组管理系统和能量系统控制器中以及在电动车辆中使用的测距和路线寻找装置和方法中的应用。

[0002] 背景

[0003] 可靠地确定提供例在如便携式电子产品和电动车辆运输中用作电源的可再充电电池的二次电池的剩余电荷的数量的能力由制造商和消费者以同样的方式高度重视，以便计算车辆的剩余使用时间或可用距离。

[0004] 在汽油车辆的情况下，可以简单地测量燃油油位，然而在电动和混合动力车辆中以及在电子设备中，由于使用电池作为它们的电源，所以难以测量电池组中累积的剩余能量。尽管如此，各种技术已被开发。

[0005] 因此，用于确定二次电池的重要度量是充电状态SOC，其指示直到再充电被需要之前存储在可再充电电池中的剩余能量。相反，放电状态表示自从上一次充电以来由可再充电电池提供的能量。

[0006] 特别地，与在该充电周期中的该电池提供的总容量Qt相比，SOC是直到再充电被需要之前在电池中剩余的容量的数量的百分比指标。假设SOC0在时间t0处为初始SOC百分比，则电池在时间t处的SOC百分比被定义为：

[0007]

[0008] 其中I是电流，其被定义为放电时是负的而充电时是正的，且Qt为以Ah为单位的电池的最大容量。

[0009] 因此，为了跟踪和确定SOC，必须设置充电状态的初始值SOC0。在锂离子和其他可再充电电池类型中，这通常在使电池或电池组放电之前参考最大开路电压(OCV)来实现。然而，对于如下所解释的某些电池类型，特别是锂硫电池，OCV由被称为“累积记忆效应”的非常强烈的“记忆效应”(即磁滞)影响，这意味着最大开路电压(OCV)可以在非常不同的SOC上实现，取决于电池的最近历史。

[0010] 在这个方面中，与其他可再充电电池类型相比，锂硫化学性质提供了充电状态估计的独特挑战。例如，如从如图1所示的示例锂硫电池的OCV与充电状态的关系曲线图可以看到的，放电曲线不像在锂离子电池中的那样是线性的。相反，LiS电池OCV曲线从100％SOC展示在相当恒定的OCV处的短容量高平稳段101，随后是到在大约2.15V的恒定OCV的103处的长容量“低”平稳段的快速变化102，这继续，直到在电池接近0％SOC时OCV迅速下降104为止。在103处的长平稳段有效地排除了用于锂硫可再充电电池的可靠SOC确定的OCV的直接使用。

[0011] 已经做出其它尝试来提高初始SOC确定的准确性，包括使用电阻和温度测量来提高在现实生活应用中的准确性，但即使这也不起作用，因为锂硫电池的内电阻被上述“记忆效应”强烈地影响，并且在下一次放电之前并不总是可能将电池返回到已知状态。

[0012] 不需要知道起始容量的另一种已知方法涉及库仑计数，以确定在放电期间使用的或在充电期间存储的能量的数量。然而，锂硫电池在充电期间具有寄生反应，这意味着法拉第效率明显小于100％。在充电期间溶解在电解质中的聚硫化物的这个穿梭移动避免了过度充电，但排除了在SOC确定中库仑计数的使用，因此库仑计数对于LiS电池不起作用。

[0013] US 7,688,075B2公开了使用经校准的锂硫电池和与SOC相对于电阻的嵌入式查找表的线性相关性，该查找表从关于在变化的温度和年龄的标准电池的广泛的实验室研究中填充。这种方法利用锂硫电池化学性质的独特特征，因为它导致放电期间电阻的可预测和逐渐的变化，这与锂离子电池不同。该方法依赖于通过锥形充电来确定在100％SOC处的电池的电阻，充电到最大电压，且然后减小电流以维持该电压，直到电流等于预定的恒定最小电流为止。这提供了在定义明确的条件下的SOC的精确测量。

[0014] 发明简述

[0015] 本发明人已经认识到，上述方法没有考虑到锂硫化学性质的另一个独特特征，其为在动态使用条件下参数Qt由于活性物质使用中变得暂时非活性而在较宽范围内变化。

[0016] 对此的机制是，与锂离子电池不同，活性阴极材料(硫)溶解在电解质中。任何充电周期的100％SOC或放电状态(SOD)的最大容量(Qt)由阴极中的活性硫到锂硫的转换加上从以前的周期在电解质中剩余的中间物的转换来确定。从以前的周期在电解质中的中间物的浓度由温度、以前的周期的充电/放电速率和充电或放电的深度(即操作条件)来确定。

[0017] 因此，为了在动态或现实生活系统中获得精确和准确的健康状况，本发明人已经认识到，必须在健康状况计算中考虑电池的历史。

[0018] 在这里，健康状况SoH是品质因数，其组合存储在可再充电电池中的剩余能量和与可再充电电池的在日历寿命和/或循环寿命方面的剩余寿命相关的可再充电电池的使用的老化效应。

[0019] 具体地，SoH是在任何给定的充电周期中的最大可用容量Qusable(即该周期的Qt，补偿暂时非活性和可选地也是永久地非活性的物质)(以安培小时Ah为单位来测量)与电池的总额定容量QT比较的百分比指标。

[0020] 因为对锂硫电池组的兴趣由于它的有利的能量密度和低成本材料而增加，以减轻便携式设备的负载并扩大电动车辆的可行驶的路程。锂硫电池组通常以可变袋装电池形式被制造有轻质部件，其为移动电气设备和电动车辆提供优于当前技术水平的理论能量密度。因此，提供用于可靠地确定诸如锂硫电池的二次电池的充电状态和健康状况的方法和装置是合乎需要的，二次电池由于在正常使用中的电池的动态循环而容易受到容量的变化的记忆效应。

[0021] 正是在上述上下文中设计出了本发明。

[0022] 因此，从第一方面来看，本发明提供了一种用于对二次电化学电池的充电状态SOC建模的装置，其中容量可能由于活性反应物质使用中变得非活性而被失去，包括：电池模型模块，其可操作来基于表示对于所有充电状态SOC使电池的端子电压与电池的操作条件相关联的电池的内部状态的模型来预测电池的电气特性；记忆效应模块，其可操作来基于表示电池中的活性反应物质的数量的变化的记忆模型来对使用中的电池的可用容量建模，记忆模型基于电池的操作历史在使用期间关联电池的额定容量Qt中的可用容量Qusable的比例；其中，装置被配置为使得电池模型模块和/或记忆效应模块基于电池的操作历史来调整使用中的电池模型模块，以补偿由记忆效应模块对电池的可用容量的预测。

[0023] 根据本发明的这个方面，提供一种记忆效应模块，其基于它的最近的操作历史来对该电池的可用有效容量建模，并且可以用于相应地调整电池模型模块，导致用于对可以补偿由于活动物质由于动态循环而变得使用中暂时和/或永久非活性而导致的电池的容量变化的电池的充电状态建模。因此，可以产生电池的内部状态的可靠模型，其可以在真实世界使用情况下考虑到电池在广泛的操作范围内的操作行为。

[0024] 电化学电池可以具有锂硫化学性质。可选地，所建模的电池可具有遭受所谓的记忆效应的另一化学性质，容量可能由于活性反应物质变得使用中非活性而通过该记忆效应被失去。

[0025] 可选地，电池的操作条件包括下列项中的一个或更多个：电池的端子电压；电池的名义开路电压(deemed open circuit voltage)；电池上的电流负载；电池的温度；电池的内电阻。

[0026] 可选地，表示电池的内部状态的模型是包括多于一个所建模的电气元件的等效电路网络模型，等效电路网络模型由等效电路网络模型的组成电气元件的特性参数化。等效电路网络模型可以由与欧姆电阻串联的电压源和被表示为RC对的一个或更多个扩散电阻组成。可选地，等效电路网络通过被视为电压源的电池的名义开路电压来对电池行为建模，并且欧姆和扩散电阻的参数化特性被选择以在给定的电流负载和温度下在给定的充电状态下将电路中的电压一直降低到电池的端子电压。等效电路网络(ECN)是能够被参数化以对使用中的电池的行为建模的特别有效的模型。

[0027] 其他模型可以代替ECN来使用。可选地，表示电池的内部状态的模型是参数化的基于物理性质的电池模型。

[0028] 可选地，装置还包括被配置为可用于向电池模型模块提供在给定操作条件下针对电池的所建模的行为的电池模型的参数的值的参数值资源。可选地，电池模型的参数值取决于电池的所建模的充电状态。可选地，基于标准电池的测试来凭经验或半凭经验地得到电池模型的参数值。可选地，电池模型的参数值存储在参数值资源、可选地查找表中。

[0029] 可选地，表示电池中的活性反应物质的数量的变化的记忆模型跟踪电池中的活性反应物的数量和/或电池中的暂时非活性的反应物的数量和可选地电池中的永久非活性的反应物的数量。可选地，表示电池中的活性反应物质的数量的变化的记忆模型包括使电池的反应物质的不同表现、这些不同表现中的反应物质的数量、反应物质的这些不同表现在充电和放电期间所参与的反应及其反应速率相关的一组规则。

[0030] 可选地，所建模的反应速率由下列项中的一个或更多个参数化：电池的操作条件；反应物质的不同表现的所建模的数量；电池的内部状态；使用中的电池的电气特性。可选地，所建模的反应速率的参数化的值通过对电池的理论预测而得到，或者基于标准电池的测试而凭经验或半凭经验地被拟合或得到。

[0031] 可选地，表示电池中的活性反应物质的数量的变化的记忆模型是简化的物理模型，其将电池的反应物质分组成表示高级表现、中级表现和低级表现的三组，并且其中该模型将电池的充电和放电曲线划分为高平稳段和低平稳段，并假定在高到中级表现之间的反应在高平稳段中占优势，在中到低级表现之间的反应在低平稳段中占优势。可选地，记忆模型假设当电池端子电压低于在高和低平稳段之间的边界电平时，在高到中级表现之间的反应不发生，导致反应物的高级表现的剩余量被认为是暂时非活性的并且不能够有助于电池的剩余容量。在某些情况下，这种简化的物理模型可足够考虑到在动态使用期间电池的容量的变化。

[0032] 可选地，记忆效应模块被配置为针对给定的一组操作条件基于在给定由记忆模型建模的电池的历史的电池中的活性反应物质的数量来对电池的可用容量Qusable建模。

[0033] 可选地，该装置被配置为基于由记忆效应模块对电池的可用容量的预测通过调整参数值资源以提供参数值来调整使用中的电池模型模块，来补偿电池的可用容量中的损失。可选地，参数值资源被配置为使用对应于给定的低电流充电或放电速率的电池模型的参数值作为基线参数集合，并且其中装置被配置为调整参数值资源，使得当端子电压降低到边界电压之下时，参数值资源跳过基线参数值以从相应于在低平稳段处的相同端子电压的相同欧姆电阻值继续，其中跳过的容量表示由于暂时非活性的物质导致的容量损失。

[0034] 从第二方面来看，本发明提供了一种用于估计使用中的二次电化学电池的充电状态SOC的装置，其中容量可能由于活性反应物质使用中变得非活性而被失去，包括：电池操作条件监控模块，其被配置为接收使用中的电池的操作条件的测量值；电池模型模块，其可操作来对于所有充电状态SOC基于表示使电池的端子电压与电池的操作条件相关联的电池的内部状态的模型来预测使用中的电池的电气特性；记忆效应模块，其可操作来基于表示电池中的活性反应物质的数量的变化的记忆模型来对使用中的电池的可用容量建模，记忆模型基于电池的操作历史在使用期间关联电池的额定容量Qt中的可用容量Qusable的比例；其中，装置被配置为使得电池模型模块和/或记忆效应模块基于电池的操作历史来调整使用中的电池模型模块，以补偿由记忆效应模块对电池的可用容量的预测；状态估计器模块，其被配置为基于由电池操作条件监控模块在使用期间接收到的电池的操作条件的测量值来操作电池模型模块和记忆效应模块，以估计使用中的电池的内部状态；以及充电状态估计器模块，其被配置为基于电池的所估计的内部状态来操作电池模型模块，以估计电池的充电状态。

[0035] 根据本发明的这个方面，用于对电池的充电状态建模的装置可以应用于可靠地估计使用中的电池的充电状态，其中由电池模型模块对电池的内部状态的估计被调整以补偿由于电池的动态循环而导致的容量变化的记忆效应，作为记忆效应模块基于它的最近的操作历史来跟踪电池的可用容量的结果。

[0036] 电化学电池可以具有锂硫化学性质。可选地，所建模的电池可具有遭受所谓的记忆效应的另一化学性质，容量可能由于活性反应物质变得使用中非活性而通过该记忆效应被失去。

[0037] 可选地，充电状态估计器模块还被配置为提供电池的健康状况的估计，作为电池的所建模的可用容量Qusable与电池的额定容量Qt的比。

[0038] 可选地，状态估计器模块被配置为通过作为迭代反馈回路操作来在每个时间间隔改善所估计的内部状态，其中基于电池的所测量的操作条件来校正基于将在前一时间间隔的电池的所估计的内部状态向前投射到当前时间间隔的电池模型对电池的内部状态的预测，以更新电池的当前内部状态的估计。可选地，状态估计器模块被配置为卡尔曼型滤波器，可选地作为卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器、粒子滤波器或者连伯格状态估计器。可选地，状态估计器模块被配置为操作预测误差最小化技术以识别表示使用中的电池的内部状态的电池模型的参数的估计。可选地，状态估计器模块被配置为求解(solve)一组模糊逻辑规则以识别表示使用中的电池的内部状态的电池模型的参数的估计。卡尔曼型滤波器的使用在给出对电池的充电状态的平滑准确的估计时可以是特别有效的，该估计由提供反馈的校正估计环路来改进，并且可以避免对存储凭经验得到或在理论上得到的参数值的查找表的需要。

[0039] 可选地，由使用中的电池操作条件监控模块接收的电池的操作条件的测量值包括：电池的端子电压；电池上的电流负载；和可选地电池的温度；以及可选地电池的内电阻。

[0040] 可选地，由根据本发明的第一方面的根据任一上述陈述的装置提供电池模型模块和记忆效应模块。

[0041] 可选地，该装置还包括电池操作条件测量工具，其包括：端子电压感测电路；和电流负载感测电路；以及可选地：包括开关电路的电池内电阻感测电路，开关电路包括平衡电阻器；以及温度传感器。

[0042] 可选地，该装置还包括一个或更多个处理器和存储指令的计算机可读介质，当指令被一个或更多个处理器执行时使一个或一个以上处理器实现根据本发明的任何上述陈述的装置。

[0043] 可选地，通过预测误差最小化技术在模型的使用中或在从测试电池数据凭经验得到参数值中识别表示电池的内部状态的电池模型的参数值。可选地，预测误差最小化技术定义标量拟合度函数。

[0044] 从第三方面看，本发明提供了一种电池组管理系统，其包括多于一个电池或用于耦合到多于一个电池的能量系统控制器，包括：根据本发明的任何上述陈述的装置，其布置成估计使用中的所述多于一个电池的充电状态SOC和可选地健康状况SoH。用于对电池的充电状态建模或估计的装置的使用在电池组管理系统和能量系统控制器中得到特定的应用，用于提供在提供电池组的多于一个电池中的剩余电荷或容量的输出指示。

[0045] 从第四方面看，本发明提供一种用于估计电动车辆的可行驶的路程的装置，其包括布置成为车辆提供动力的多个二次电化学电池，其中容量可能由于活性反应物质使用中变得非活性而被失去，该装置包括：根据本发明的第二或第三方面的根据任何上述陈述的装置，其被配置为操作来估计使用中的电池的充电状态和剩余容量；以及可行驶的路程估计模块，其被配置为基于使用中的电池的充电状态和剩余容量的估计以及在车辆中的使用中的电池的预测操作条件来估计电动车辆的可行驶的路程。根据该方面，用于估计电池的充电状态的装置的使用允许电动车辆的可行驶的路程的可靠估计。

[0046] 从第五方面来看，本发明提供一种用于计划电动车辆的路线的装置，其包括布置成为车辆提供动力的多个二次电化学电池，其中容量可能由于活性反应物质使用中变得非活性而被失去，该装置包括根据本发明的第四方面的上述陈述的用于估计电动车辆的可行驶的路程的装置；以及路线计划模块，其被配置为至少部分地基于由可行驶的路程估计模块基于遵循朝着期望目的地的路线的电池的所预测的操作条件产生的电动车辆的所估计的可行驶的路程，来计划朝着期望目的地的路线。根据这个方面，电动车辆可靠可行驶的路程估计的使用可以便于路线计划。

[0047] 可选地，该装置还包括用于从由路线计划模块计划的多于一个路线中选择朝着目的地的最佳路线的路线优化模块。

[0048] 从第六方面看，本发明提供了一种包括指令的计算机可读介质，当指令被一个或更多个处理器执行时使一个或更多个处理器实现根据本发明的任何上述陈述的装置。

[0049] 从第七方面看，本发明提供了一种用于生成二次电化学电池的模型的方法，其中容量可能由于活性反应物质使用中变得非活性而被失去，该模型可操作来基于表示对于所有充电状态SOC使电池的端子电压与电池的操作条件相关联的电池的内部状态的模型来预测电池的电气特性，其中表示该电池的内部状态的模型是包括多个所建模的电气元件的等效电路网络模型，等效电路网络模型由等效电路网络模型的组成电气元件的特性参数化，该方法包括：生成表示对于所有充电状态SOC在电池的操作条件的整个范围内的使用中的电池的行为的数据；基于表示使用中的电池的行为的所生成的数据来识别使等效电路具有产生等效电路模型的行为的电气特性的作为充电状态的函数的等效电路模型的参数，电气特性对应于表示使用中的电池的行为的所生成的数据。

[0050] 虽然本发明的上述方面阐述了关于电池的ECN模型的使用的方法，但是应当理解，这不是限制性的，并且不是本发明的本质特征。可以使用可选的电池模型，包括可以如同ECN模型一样被参数化和用于对使用中的电池的行为建模的基于物理性质的电池模型和高保真模型。

[0051] 电化学电池可以具有锂硫化学性质。可选地，所建模的电池可具有遭受所谓的记忆效应的另一化学性质，容量可能由于活性反应物质变得使用中非活性而通过该记忆效应被失去。

[0052] 可选地，等效电路网络模型由与欧姆电阻串联的电压源和被表示为RC对的一个或更多个扩散电阻组成，其中电压源的电压以及欧姆电阻和RC对的电阻和电容参数化等效电路模型。

[0053] 可选地，电池的操作条件包括下列项中的一个或更多个：电池的端子电压；电池的名义开路电压；电池上的电流负载；电池的温度；电池的内电阻。

[0054] 可选地，生成表示对于所有充电状态SOC在电池的操作条件的整个范围内的、使用中的电池的行为的数据包括使用电池的高保真物理模型来预测对于不同的操作条件在电池的不同充电状态下的电池的端子电压行为。

[0055] 可选地，生成表示对于所有充电状态SOC在电池的操作条件的整个范围内的、使用中的电池的行为的数据包括：在一定范围的不同的工作条件下受控地测试所建模的电池的设计的标准电池的行为，包括：在不同的充电/放电速率、温度和充电状态下接收电池的端子电压的测量值；以及可选地在不同的充电/放电速率和温度以及充电状态下接收电池的内电阻的测量值。可选地，在一定范围的不同的工作条件下受控地测试所建模的电池的设计的标准电池的行为包括：以设定的放电速率将电流脉冲施加到电池，并且在所述脉冲之间留下足以允许电池的端子电压恢复到开路电压的松弛时间。可选地，受控地测试所建模的电池的设计的标准电池的行为还包括：从测试电池的名义完全充电状态开始，并且继续施加电流放电脉冲，直到电池的端子电压下降到用于校准测试电池的完全放电状态的预定电平之下为止。可选地，生成表示使用中的电池的行为的数据还包括：在该充电状态下采用在每个脉冲之间的松弛阶段结束时的电池的端子电压作为电池的开路电压。可选地，识别作为充电状态的函数的等效电路模型的参数包括：在该充电状态下使用电池的开路电压来识别在该充电状态下等效电路网络模型的电压源的参数值。可选地，识别作为充电状态的函数的等效电路模型的参数包括：使用在电流脉冲开始时的电池端子电压的瞬时下降来识别在该充电状态下等效电路网络模型的欧姆电阻分量的参数值。可选地，识别作为充电状态的函数的等效电路模型的参数包括：使用从瞬时电压降继续的电池端子电压的逐渐下降来识别有助于等效电路网络模型的扩散电阻分量的该充电状态的RC对的电阻和电容的参数值。

[0056] 可选地，该方法还包括使用预测误差最小化技术来改进表示基于表示使用中的电池的行为的所生成的数据而识别的使用中的电池的内部状态的电池模型的参数值。

[0057] 可选地，该方法还包括在参数值资源中存储用于对在电池的操作条件的整个范围内电池在所有充电状态下的行为建模的等效电路网络模型的所识别的参数值，其中参数值资源可选地是查找表。

[0058] 可选地，该方法还包括将电池模型的所识别的参数值拟合到依赖于充电状态的函数。可选地，参数值作为充电状态的函数存储在参数值资源中。

[0059] 从第八方面看，本发明提供了一种生成二次电化学电池的记忆模型的方法，其中容量可能由于活性反应物质使用中变得非活性而被失去，模型可操作来在使用中预测、记忆模型可操作来在使用中跟踪电池中的活性反应物的数量和/或电池中的暂时非活性的反应物的数量和可选地在电池中的永久非活性的反应物的数量，该方法包括：建立使电池的反应物质的不同表现、这些不同表现中的反应物质的数量、反应物质的这些不同表现在充电和放电期间所参与的反应及其反应速率相关的一组规则；由下列项中的一个或更多个来参数化所建模的反应速率：电池的操作条件；反应物质的不同表现的所建模的数量；电池的内部状态；使用中的电池的电气特性；以及通过以下方式识别所建模的反应速率的参数化值：基于高保真物理模型的电池的理论预测；或者基于标准电池的测试来凭经验或半凭经验地拟合或得到参数值。

[0060] 可选地，表示电池中的活性反应物质的数量的变化的记忆模型是简化的物理模型，其将电池的反应物质分组成表示高级表现、中级表现和低级表现的三组，并且其中该模型将电池的充电和放电曲线分为高平稳段和低平稳段，并假定在高到中级表现之间的反应在高平稳段中占优势，而在中到低级表现之间的反应在低平稳段中占优势。可选地，记忆模型假设当电池端子电压低于在高和低平稳段之间的边界电平时，在高到中级表现之间的反应不发生，导致反应物的高级表现的剩余量被认为是暂时非活性的并且不能够有助于电池的剩余容量。

[0061] 从第九方面看，本发明提供了一种用于估计使用中的二次电池的充电状态SOC的方法，其中容量可能由于活性反应物质在使用中变得非活性而被失去，包括：接收使用中的电池的操作条件的测量值；通过下列操作来估计使用中的电池的内部状态：使用电池模型模块来对电池建模，电池模型模块基于表示对于所有充电状态SOC使电池的端子电压与电池的操作条件相关联的电池的内部状态的模型来估计使用中的电池的电气特性；基于表示电池中的活性反应物质的数量的变化的记忆模型来对使用中的电池的可用容量进行预测，记忆模型基于电池的操作历史在使用期间关联电池的额定容量Qt中的可用容量Qusable的比例；基于电池的操作历史来调整使用中的电池模型模块以补偿由记忆效应模块对电池的可用容量的预测；以及估计适合电池的操作条件的所接收的测量值的电池模型的内部状态配置；以及基于该电池的所建模的内部状态配置来估计该电池的充电状态SOC。

[0062] 可选地，该方法还包括：将电池的健康状况估计为电池的所建模的可用容量Qusable与电池的额定容量Qt的比。

[0063] 可选地，该方法还包括：通过作为迭代反馈回路操作来在每个时间间隔改善所估计的内部状态，其中基于电池的所测量的操作条件来校正基于将在前一时间间隔的电池的所估计的内部状态向前投射到当前时间间隔的电池模型对电池的内部状态的预测，以更新电池的当前内部状态的估计。

[0064] 可选地，该方法还包括：使用卡尔曼型滤波器、可选地卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器、粒子滤波器或连伯格状态估计器来估计在每个时间间隔处的电池的内部状态。

[0065] 可选地，该方法还包括：使用预测误差最小化技术来以识别表示使用中的电池的内部状态的电池模型的参数的估计。

[0066] 可选地，该方法还包括：求解一组模糊逻辑规则以识别表示使用中的电池的内部状态的电池模型的参数的估计。

[0067] 可选地，由使用中的电池操作条件监控模块接收的电池的操作条件的测量值包括：电池的端子电压；电池上的电流负载；和可选地电池的温度；以及可选地电池的内电阻。

[0068] 可选地，该方法在包括多于一个电池或用于耦合到多于一个电池的能量系统控制器的电池组管理系统中操作。

[0069] 从第十个方面看，本发明提供了一种用于估计包括多个二次电化学电池的电动车辆的可行驶的路程的方法，该多个二次电化学电池被布置为向车辆提供动力，其中容量可能由于活性反应物质在使用中变得非活性而被失去，该方法包括：执行根据本发明的第九方面的上述陈述的方法，以估计使用中的电池的充电状态和剩余容量；基于使用中的电池的充电状态和剩余容量的估计以及在车辆中的使用中的电池的所预测的操作条件来估计电动车辆的可行驶的路程。

[0070] 从第十一方面看，本发明提供了一种用于计划电动车辆的路线的方法，该电动车包括布置成为车辆提供动力的多个二次电化学电池，其中容量可能由于活性反应物质在使用中变得非活性而被失去，包括执行根据本发明的第十方面的上述陈述的方法以估计电动车辆的可行驶的路程；以及至少部分地基于由可行驶的路程估计模块基于遵循朝着期望目的地的路线的电池的所预测的操作条件产生的电动车辆的所估计的可行驶的路程，来计划朝着期望目的地的路线。可选地，该方法还包括从由路线计划模块计划的多于一个路线选择朝着目的地的最佳路线。

[0071] 附图简述

[0072] 现在将仅作为例子并参考附图来描述本发明的方面的特定的优选实施方式，其中：

[0073] 图1是绘制OCV与充电状态的关系的示例性锂硫电池的说明性放电曲线；

[0074] 图2是示出了示例性锂硫电池的欧姆电阻相对于放电程度(即1-SOC)的逐渐变化与放电速率和温度的关系曲线图；

[0075] 图3是根据本发明的示例性实施方式的用于估计SOC和SOH的装置的示意图；

[0076] 图4是示出电池操作条件测量工具和内电阻感测电路的操作的简化电路图；

[0077] 图5是根据本发明的示例性实施方式的用于估计SOC和SOH的装置的示意图，其中更详细地示出了控制器和存储器；

[0078] 图6a是电压与时间的关系曲线图，以及图6b是电流负载与时间的关系曲线图，其示出了来自使用测试LiS电池的ECN模型参数化实验的示例实验测试结果；

[0079] 图7a和7b示出了LiS电池的行为的简单等效电路网络模型；

[0080] 图8a和8b分别示出了对于图6所示的电流脉冲的电流负载相对于时间以及测试LiS电池的端子电压相对于时间的细节；

[0081] 图9a和9b分别示出了作为在10℃的SOC和0.1C的电流放电速率的函数的R1和R2的参数化值；

[0082] 图10示出了0.1C恒定电流放电速率的ECN预测和实验放电曲线，以及0.2C恒定电流放电速率的放电曲线的标准实验数据。

[0083] 图11a示出了如图11b所示的经历动态循环的同一电池的容量变化，图11b示出对于前脉冲、脉冲和后脉冲循环的电池电压与时间的关系；

[0084] 图12a示出了读取对于0.1C和0.5C放电速率的如由简单记忆模型所指示的Ro的查找表；

[0085] 图12b绘制了由简单记忆模型调整的ECN的所建模的放电曲线；

[0086] 图13示出了由简化记忆模型调整的ECN电池模型所预测的放电曲线，以预测随着不同电流放电速率的Qt的变化；

[0087] 图14示出了来自对于不同放电速率调整0.1C的Ro值的读数的比较Ro曲线；

[0088] 图15示出了锂硫电池组的等效电路模型的一般形式的图示；

[0089] 图16a-16d示出了在预测误差最小化方法中的不同电荷水平下的电池电压的所估计的RMSE值以及所识别的参数值；

[0090] 图17示出了根据本发明的实施方式的充电状态/健康状况估计的示例方法；

[0091] 图18示出了使用操作等效电路模型和卡尔曼滤波的实时SOC/SOH估计的示意图；

[0092] 图19示出了使用简单卡尔曼滤波器作为状态估计器的参数估计和解释的示例系统架构；

[0093] 图20示出了使用非线性卡尔曼滤波器作为状态估计器的参数估计和解释的示例系统架构；

[0094] 图21示出了使用多个假设滤波器作为状态估计器的参数估计和解释的示例系统架构；

[0095] 图22示出了使用模糊逻辑作为状态估计器的参数估计和解释的示例系统架构；

[0096] 图23示出了使用简化的等效电路从0.5到2％的SOC增量的各种预测范围的预测结果；以及

[0097] 图24是示出根据本发明的方面的实施方式的用于估计电动车辆的可行驶的路程和计划电动车辆的路线的方法的流程图。

[0098] 实施方式的描述

[0099] 尽管下面的描述特别阐述了与锂硫电池有关的本发明的实施方式，但是应当理解，本发明也可对其它电池化学性质得到应用，特别是电池的可用容量在使用中由于活性物质通过动态负载和循环(即在循环期间的可变电流、变化的温度以及充电和放电的变化的深度)变得暂时非活性而变化时的那些化学性质。因为锂硫电池展示这个记忆效应，本发明对在正常使用条件下的锂硫电池的充电状态和健康状况可靠地建模和估计特别有用。

[0100] 与其他常见的电池系统相反，锂硫电池中的活性材料在放电期间从阴极溶解到电解质内，其中它经历到具有变化的电化学活性和稳定性的多种中间物质的复杂相互转换，该过程在充电时反转。如图2所示，电解质成分的变化导致电阻的逐渐变化，其可以用于指示在稳定状态中的SOC和校准系统，如在所公布的美国专利号US 7,688,075B2中所述的。然而，中间物质的可逆溶解不是100％有效的，并且在充电或放电结束时在电解质中剩余的中间物质的浓度随着充电/放电速率、温度和放电或充电的深度而改变(在下一充电/放电周期开始之前)。引起可变内电阻和因而仅仅内电阻的这些物质不一定是锂硫电池的SOC的可靠预测因素。

[0101] 对于任何充电或放电，该循环的最大可用容量Qt(即Qusable)由在阴极中可用的硫到锂硫的转换加上参与电化学反应的电解质中的中间物质的浓度的变化组成。在电解质中的中间物质的浓度的变化可以是正的和负的，并且受其他因素例如电池材料、扩散速率和活性物质降解速率的影响，因此相对充电状态取决于先前循环的累积历史。锂硫电池在动态负载下经历记忆效应。在可以经历快速变化的温度、放电速率和充电速率以及充电和放电的可变深度的真实生活动态系统中，仅仅SOC估计器的预校准不能给出相对于电池电阻的在“100％SOC/SOD”条件下的Qt的良好估计，因为“100％SOC/SOD”状态取决于电池在使用期间经历的实际环境和操作条件，这又规定溶解在电解质中的中间物质的水平。

[0102] 为了实现此，本发明提供了用于对“记忆效应感知”的电池的SOC和SOH建模和估计的装置。该模型使用电池或电池组的独特环境历史，以便根据模型预测来识别该电池或电池组的当前状态。

[0103] 在循环期间重叠以使SOC记忆效应循环的是从时间和循环数得到的降解过程，其不可逆地减少可用于反应的活性硫物质的数量和/或降解电池材料以减少可用的活性硫的利用。通过根据从实验得到的时间和循环数减少可用活性材料来说明SOH。

[0104] 为了确定锂硫电池的充电状态和健康状况，用于利用为在动态负载下操作的锂硫电池收集的模型和累积历史数据来估计在不同条件下的锂硫电池的端子电压的装置和方法被使用。

[0105] 参考图3，用于估计电池的健康状况的装置300包括存储器301以存储使用中的电池暴露于的、对控制器302变得可用的累积操作条件。装置300被耦合到使用中的锂硫电池(未示出)，并且被配置为估计其SOC和SOH。在本实施方式中，该装置还包括电池操作条件测量工具，包括：端子电压感测电路303；以及电流负载感测电路304；包括开关电路的电池内电阻感测电路305，开关电路包括平衡电阻器；以及温度传感器306。这些部件布置成测量或计算电池上的电流负载、电池上的端子电压、电池的内电阻的测量以及电池的温度和/或环境温度并将电池上的电流负载、电池上的端子电压、电池的内电阻的测量以及电池的温度和/或环境温度输入到控制器302。

[0106] 参考图4，更详细地示出了电池操作条件测量工具400。在这里，由来自通过切换(使用开关401)平衡电阻器402来施加的电流脉冲的计算来在使用中实时地周期性地测量电池的内电阻，以便为装置提供使用中的电池403的测量的内电阻的直接反馈。在实施方式中，控制器302可以基于电池的内部状态的估计来提供使用中的电池的内电阻的估计。通过将此与使用电池内电阻感测电路305获得的内电阻的测量值进行比较，可以使用正反馈来调节电池的内部状态的控制器的模型。

[0107] 根据本发明的方面，如图5所示，控制器302实现用于对电池(例如LiS电池)的充电状态和健康状况建模的装置(即在本实施方式中的SOC模型531)。具体地，控制器302包括用于执行计算机可读指令的处理器521(其可由一个或更多个处理器提供)和RAM 522。

[0108] 存储器301存储程序逻辑511，其当由控制器302(具体地，处理器521)执行时使控制器302根据本发明的方面实现用于对电池的SOC/SOH建模和估计的装置。

[0109] 具体地，处理器521通过对在电池的操作范围中的操作行为建模来在RAM 522中实例化用于对电池403的充电状态和健康状况建模的SOC模型531。

[0110] 这由SOC模型531实现，SOC模型531包括可操作来基于模型(例如等效电路网络(ECN)或基于物理性质的电池模型)来预测使用中的电池的电气特性的电池模型模块532，该模型表示对于所有充电状态SOC使电池的端子电压与电池的操作条件相关联的电池的内部状态。在ECN模型的示例中，由等效电路网络模型的组成电气元件的特性来参数化电池模型。ECN的参数值从存储在存储器301中的参数值资源512提供给电池模型模块532，该参数值资源被配置为可用于在给定的操作条件下向电池模型模块提供对电池的所建模的行为的ECN电池模型的参数的值。因此，对于一组给定的操作条件和SOC，可以获得ECN的参数值。为了产生参数值以创建电池403的电池模型，基于标准电池的测试来凭经验或半凭经验地得到电池模型的参数值。电池模型的参数值取决于电池的所建模的充电状态。参数值资源
512可选地是查找表。

[0111] SOC模型531还包括记忆效应模块，其可操作来基于表示电池中的活性反应物质的数量的变化的记忆模型来对使用中的电池的可用容量建模，记忆模型基于存储在存储器301中的电池的操作历史513在使用期间关联电池的额定容量Qt中的可用容量Qusable的比例。记忆模型跟踪电池中的活性反应物的数量和/或电池中的暂时非活性的反应物的数量(表示由于电池的动态使用和负载而导致的容量的暂时变化)和可选地在电池中的永久非活性的反应物的数量(表示电池的容量的永久失去)。记忆模型包括使电池的反应物质的不同表现、这些不同表现中的反应物质的数量、反应物质的这些不同表现在充电和放电期间所参与的反应及其反应速率相关的一组规则。所建模的反应速率由下列项中的一个或更多个参数化：电池的操作条件；反应物质的不同表现的所建模的数量；电池的内部状态；使用中的电池的电气特性。所建模的反应速率的参数化值通过对电池的理论预测而得到，或者基于标准电池的测试而凭经验或半凭经验地被拟合或得到。

[0112] 为了考虑到对使用中的电池的容量的变化的记忆效应，SOC模型531被配置为基于电池的操作历史来调整使用中的电池模型模块532，以补偿由记忆效应模块对电池的可用容量的预测。该调整可以由电池模型模块532和/或记忆效应模块533执行。

[0113] 因此，SOC模型531一旦被创建就可用于对在它的操作范围中的电池的内部状态和操作行为建模，甚至考虑到记忆效应。

[0114] 然而在使用中，SOC模型531可以用于以下列方式估计电池的SOC。

[0115] 程序逻辑511还使处理器521在RAM 522中实例化电池状态估计器534，其被配置为基于在使用期间由电池操作条件监控模块400接收的电池的操作条件的测量值来操作电池模型模块532和记忆效应模块533，以估计使用中的电池的内部状态。一旦电池状态估计器534已经使用SOC模型531估计了电池403的内部状态，SOC估计器模块535(其可以是或可以不是电池状态估计模块534的子组件)就被配置为基于电池的所估计的内部状态来操作电池模型模块532，以估计电池的充电状态。这通过使用ECN模型的所估计的参数通过参考参数值资源512以确定SOC来实现。

[0116] 虽然上述例子通过更通用的处理器521(例如基于存储在存储器301中的程序逻辑的CPU核)来指示本发明的组件的软件驱动的实现，但是在可选的实施方式中，本发明的某些组件可以部分地被嵌入，作为预先配置的电子系统或嵌入式控制器和使用例如专用集成电路(ASIC)或现场可编程门阵列(FPGA)被实现为可编程逻辑器件的电路，其可以部分地由嵌入式软件或固件配置。

[0117] 以下将更详细地说明用于创建SOC模型531的装置300和用于对电池的SOC建模和估计的电池状态估计器534的具体实现。在它的各种实现中，本发明提供了用于精确和准确地确定锂硫电池组、模块或电池的充电状态和健康状况的装置和方法。在实施方式中，装置300被提供为包括多于一个电池或用于耦合到多于一个电池的能量系统控制器的电池组管理系统的一部分。

[0118] 生成电池模型模块-等效电路示例

[0119] 首先为电池生成等效电路模型，其对于电池的每个SOC(即100％至0％)将端子电压V作为电流和温度的函数相关。这使用标准电池测试设备从相同类型的标准电池生成随后分析的测试数据来实现，或者使用LiS电池的高保真物理模型来预测。输出用于参数化等效电路模型，参数值取决于SOC。参数值和模型被嵌入到包括多于一个电池的电池组管理系统或能量系统控制器中。

[0120] 在实验测试被执行的场合，这是为了观察电池在不同工作条件例如充电或放电速率(即放电/充电电流与输送额定容量(在给定的时间帧内)的放电/充电电流比较的比)和温度下的行为。每个测试数据包括时间、所施加的电流、电池端子电压和温度。如示出施加到电池的电流负载相对于时间的图6b所示的，在典型的测试方法中，对电池施加具有恒定振幅的连续放电电流脉冲，并测量电池的端子电压。如可以看到的，在示例测试中，施加具有1C的放电速率的86个连续的电流放电脉冲，每个放电脉冲后面是600秒休眠。

[0121] 如从示出LiS电池的端子电压相对于时间的图6a可以看到的，测试电池在完全充电2.8-2.1V处开始，并持续，直到电池的端子电压下降到在0.5至2.1V之间的预定截止电压为止。采样速率可在0.1秒与12小时之间改变。

[0122] 在实验测试数据的收集中，每个电流脉冲后面是足够的松弛时间(1秒至100小时)，用于使电池端子电压返回到开路电压Voc和/或稳定状态。

[0123] 对于等效电路网络，接着选择一种模型结构，其提供适合的灵活性以适应实验数据平衡拟合优度与计算复杂性。在图7a中示出了LiS电池的行为的示例简单模型，其中端子电压Vt由提供它的开路电压Vocv的电池产生，端子电压Vt与欧姆电阻R0和由具有电阻Rp和电容Cp的一个或更多个RC对提供的扩散电阻串联。图7b所示的等效电路采用开路电压作为与欧姆电阻R0和由RC对Rn、Cn提供的扩散电阻串联的电压源。

[0124] 然后通过等效电路网络模型的组成电气元件(即开路电压和欧姆和扩散电阻)的特性对LiS电池的等效电路网络模型进行参数化。使用例如测试数据中的观察到的行为来执行参数化。

[0125] 模型参数化的一个示例方法是采用开路电压Vocv作为电位源，其值由SOC定义，SOC由电流——规定的模型输入——确定。可以增加在模型结构中的RC对的数量，以提高在模型与实验数据之间的一致性。该模型的目的是，给定在指定温度下的特定输入电流，预测作为时间的函数的在电路两端的总电压降。这可以用开路电压Rn和Cn来计算。因为锂硫电池中的开路电压不是真正的OCV，其等于2.15V+/-0.1V，为了模型的目的，在每个松弛阶段结束时的电池电位Em被采用作为OCV。

[0126] 现在将参考图8a和8b，其分别示出了针对图6所示的电流脉冲的电流负载相对于时间以及测试LiS电池的端子电压相对于时间的细节。如图8b所示，可以通过测量在电流脉冲施加时的即时电压降或在电流脉冲释放时的即时电压上升来直接从实验数据计算或参数化串联欧姆电阻R0。电压的即时变化被假设为等效电路模型的欧姆电阻分量的结果，并且用于计算等效电路模型的欧姆电阻分量。

[0127] 被假设引起导致图8b所示的电池电压的弯曲变化的延迟电阻的扩散电阻分量的剩余Rn和Cn值是未知的。以下参数化过程使用在电流脉冲完成后的松弛阶段曲线中的数据而用于将等效电路网络模型拟合到输出实验数据，以确定它们。

[0128] 在数学上，根据以下关系式，在等效电路网络两端的电位差等于开路电压减去在IR0欧姆电阻和RC对扩散电阻(在2个RC对的情况下为V1和V2)两端的电位降：

[0129] V＝Em-IR0-V1-V2

[0130] 在每个RC对两端的电位降被下面的关系式决定：

[0131]

[0132] 因此在脉动期间，电池电压由下式给出：

[0133]

[0134] 其中Vn(0)是在RC对两端的初始电压，其在每个脉冲开始时被假定为零。在松弛期间，电压由下式给出：

[0135]

[0136] 其中Vn(0)＝IRn是在前一脉冲结束时的电位，其可被计算，假设电容器被完全充电。

[0137] 未知的Rn、Cn参数的拟合过程使用非线性最小二乘法技术或合适的可选方案，将对在模型和实验之间的误差的平方的所有数据点的总和最小化：

[0138]

[0139] 其中i的范围在放电曲线中的所有数据点上。使用信任区反射算法或合适的可选方案将该值最小化。

[0140] 在使用实验测试数据估计ECN模型的所有参数之后，为RC分支电阻和电容的每个SOC创建查找表，如图9a和9b所示，使用最佳拟合曲线拟合来使数据平滑，图9a和9b分别示出了作为在10℃下的SOC和0.1C的电流放电速率的函数的R1和R2的参数化值。十字表示参数估计结果，且线是最佳拟合曲线。

[0141] 根据本发明，查找表可以作为参数值资源512存储在工作SOC/SOH估计器中，查找表用于创建标准测试LiS电池的行为的模型，而不考虑任何记忆损耗效应。

[0142] 例如，根据下面的拟合多项式来生成曲线的拟合参数和方程：

[0143]

[0144]

[0145]

[0146]

[0147] 根据拟合曲线的形式，可以使用两个或更多个多项式来拟合曲线的不同部分。这在对仅使用单个多项式来拟合曲线是不实际的情况下是有用的，且因此可以使用两个或更多个多项式的组合。

[0148] 在查找表保留方程式相对于SOC的参数的场合，在参数化后，可以绘制实验和所预测的恒定电流放电曲线，如图10所示(其示出了0.1C放电速率的ECN预测和实验放电曲线以及0.2C放电速率的放电曲线的标准实验数据)，以验证模型。

[0149] 为了对模型方程求解，使用库仑计数来确定在特定解时间步长处的参数值，使用插值来确定查找表中的任何必要的中间值。方程被求解以确定在那时的总电位降。

[0150] 生成记忆效应模型

[0151] 由等效电路网络模型生成的查找表然后由锂硫记忆效应的模型修改，以便根据电池的先前历史和特定周期期间的可能的环境条件来调整Qt。先前的充电/放电事件及其条件(温度和电流幅度)影响溶解在电解质中的物质的浓度，并且因此可导致电池的瞬时串联电阻的显著变化，如可在图11中观察到的，其中Qt的变化可以被观察到，电池容量前脉冲实验是Ca2.5Ah，且在第一周期后脉冲实验时，容量降低到Ca.2Ah，但在随后的周期时，容量恢复到Ca.2.8Ah。详细地，图11a示出了经历动态循环的同一电池的容量变化，如图11b所示，图11b示出了针对前脉冲、脉冲和后脉冲周期的电池电压与时间的关系。在相同的温度和电流下循环的同一电池给出2.5Ah的容量。它然后受到模拟动态放电和充电。接下来的两个后续周期显示2Ah的第一次较低的容量，之后是2.8Ah的更大容量，证明在动态负载下的可逆容量变化，并且对电流变化存在复杂的响应。

[0152] 在动态循环后的Qt的这个变化是记忆效应的表现。

[0153] 为了捕获这种记忆效应及其对充电状态估计的影响，使用提供电池模型但结合它的对等效电路模型附加的模型，这是在记忆效应模块中533实现的记忆模型。

[0154] 记忆模型跟踪在电池中存在的在不同表现中的硫材料的数量：当前活性反应物和产物以及暂时非活性的物质，允许由于记忆效应而引起的电池的可用容量的暂时变化被监控并在预测SOC时被补偿。

[0155] 该模型还可以扩展为通过包括进一步的表现——变得永久非活性以解释SOH的聚硫化物材料的表现——来包括由于活性材料的损失而引起的降解，允许由于反应物的不可逆损失而引起的电池的可用容量的永久降低被监控并在预测SOC时被补偿。

[0156] 因此，记忆模型允许根据本发明的SOC估计装置和方法基于多少活性物质(Qusable)存在并且仍然有效地有助于Qt来提供SOC。健康状况由Qusable/Qt＝0确定，其中Qt＝0是电池的起始容量。

[0157] 记忆模型通过对任何给定的电流负载监控在整个电池寿命期间在这些不同表现中的硫的数量来有效地跟踪电池的充电状态。它与等效电路模型或捕获沉淀/溶解、氧化还原反应和通过电解质的扩散的动力学的任何类型的模型协同作用。

[0158] 为了生成和操作给定电池的LiS模型，首先，即使对于电池的使用是不典型的，也可以采用施加到LiS电池的足够低的电流作为参考充电/放电性能。在这种情况下，记忆模型指示在任何现实电流负载下在预测/监控电池的充电状态时使用该参考信息的方式。

[0159] 一组硫物质连同它们参与的反应被设计到充电和/或放电的一组规则(方程式)内。反应可以是电化学和化学的。电池的电压作为例子通过每个被允许的反应的能斯特方程被计算为伴随地发生的所有电化学反应的平衡电压。将硫物质从一种表现转换为其他表现的速率由不同反应的速率而且由所通过的电流的数量、温度和反应物的数量与产物的数量的关系给出。预测、拟合或根据实验得出反应速率。在数学上，这种效应可以通过对Butler-Volmer方程或类似物求解来描述，以提取每种物质对电池内的总离子电流的贡献。作为结果，在每种表现中的材料的瞬时量取决于电池的历史，并使电池电压和串联电阻取决于它。

[0160] 在记忆模型的一个简化版本中，活性材料出现在三种可能的表现形式中：高级、中级和低级聚硫化物。高到中级反应在较高的工作电压中占优势，产生高级平稳段，而中到低级反应确定低级平稳段。在放电期间，如果在电池处于低平稳段电压时仍然存在高级聚硫化物，则它们不(或被假设不)反应，因此变得暂时非活性。

[0161] 低电流脉冲放电的串联电阻被认为与溶解在电解质中的中级聚硫化物的数量成比例。在这个简单的记忆模型的情况下，只有三种硫表现。作为结果，在低平稳段中，作为中级聚硫化物的活性材料的比例规定电池的剩余容量，而在高平稳段中，它将是高和中级聚硫化物。

[0162] 鉴于这个简化的记忆模型，现在将描述可能的机制，其用于在从参数值资源512(即，查找表)中检索参数值时调整电池模型的操作，以对由记忆模型建模的暂时变得非活性的活性物质补偿电池模型。

[0163] 如上，在ECN模型中获得电池的电压作为电压源(Em，开路电压)减去在电路中的RC组件两端的电压降。例如：

[0164] 其中

[0165] 作为这种方法的结果，在电流负载下，电池电压V电池达到对应于低平稳段的值，而不管对应于高平稳段电压的Em。在V电池和Em之间的差异随着电流负载而增加。V电池一达到预定边界，Vb(在高平稳段和低平稳段之间的边界电压)，未反应的高级聚硫化物就被储存为非活性的或休眠的，并且根据在低平稳段中的占优势的反应，中级聚硫化物开始向着低级聚硫化物进行反应。

[0166] 通过在使用中从读取Ro的等效电路模型的查找表的方式来实现对此的补偿。如果在使用中，电池电压变得小于在高平稳段和低平稳段之间的边界电压，即V电池≤Vb，则发现在Ro曲线上的位置对应于在低平稳段中的相同的Ro值(相等量的中级聚硫化物被溶解)，如图12a中的虚线箭头所指示的。在图12b中示出了在基于记忆模型进行补偿时该调整对所建模的容量的影响，图12b绘制了由记忆模型调整的ECN的所建模的放电曲线。详细地，图12a示出了读取如由0.1C和0.5C放电速率的简单记忆模型所规定的Ro的查找表。对于0.1C放电曲线，使用参考查找表(因为这对应于足够低的电流)。然而，可以看出，在0.5C，其中电池电压下降到在高和低平稳段之间的边界电压之下，需要使用查找表的机制来考虑在较高电流下的放电的影响的机制，如虚线箭头所指示的(即来自曲线的Ro值的读数跳到在Ro曲线的向下斜率上的对应的Ro值)。从图12b可以看出，作为结果，在0.5C处，与在0.1C处放电相比，存在大约1.3Ah临时容量损耗。

[0167] 通过高级聚硫化物的去激活采用在由虚线箭头指示的容量轴上的跳跃的值作为暂时丧失的容量。

[0168] 如图14所示，其示出了来自对于不同放电速率(0.5C和1C)调整来自0.1C的ECN电池模型的Ro值的读数的比较Ro曲线图，电流越高，暂时失去的容量就越多。

[0169] 通过拟合Vb(在高和低平稳段之间的边界)来参数化简化的记忆模型，Vb可以从低电流、恒定电流放电来估计。如图13所示，这个简化的记忆模型可用于调整电池模型以预测Qt随着电流的变化。

[0170] 在记忆模型的另一个更复杂的变型中，独立于电流的存在而发生的如表1所示的反应连同表示在聚硫化物系列中的还原(reduction)的不同阶段的活性和非活性材料的必要和足够的附加状态集合一起被加到模型。在模型中包括的物质的数量被选择为充分描述锂硫电池的性能的最小数量，但通常包括氧化还原反应、化学相互转换例如分子、离子和基团的缔合和离解以及在平衡中的其任何组合。

[0171]

[0172] 表1.被添加到记忆模型的代表性LiS反应机制

[0173] 根据上述过程构建一组方程式。该模型的参数化需要所考虑的反应和物质的电化学参数，例如在Assary等人的J Phys.Chem C 118(2014)中可得到的那些参数，否则参数可以被预测或拟合到实验数据。

[0174] 通过预测误差最小化(PEM)进行参数化

[0175] 电池和记忆模型生成和参数化的可选方法是预测误差最小化，该方法在计算上比上述方法成本低，且因此可以例如用于在应用中实时地识别模型参数(以及识别对于电池模型生成的在实验测试数据中的参数)。

[0176] 为了识别电池模型的参数值，例如通过预测误差最小化(PEM)(或合适的可选方案)来从应用(即电池操作条件测量工具400)提供的输入来识别电池模型(对于参数值资源512)的参数。

[0177] 通过PEM的识别过程包含三个主要部分：1)模型结构选择；2)将参数拟合到模型；以及3)识别误差最小化。现在将依次描述这些部分。

[0178] 1)模型结构选择

[0179] 首先，使用串联和/或并联的电容器和电阻器的组合来选择等效电路。图15示出了锂硫电池组的等效电路模型的一般形式的图示。这里可以看出，一般模型包括合适的开路电压1501作为从实验测试数据提供的或从考虑穿梭效应和如上所述的老化效应的Li-S电池的高保真物理模型模拟的电压源。可以通过串联和/或并联的电阻器和电容器的附加等效电路进一步修改开路电压，以包括Li-S电池所特有的记忆效应1502和自放电1503。然后，串联RC电路根据电流负载I和温度T来对充电和放电的一般趋势调整电压源。应选择模型结构以平衡准确度和计算复杂度。然后，该模型输出电池的SOC、SOH、内电阻R和端子电压Vt的预测。图7表示最基本的例子。

[0180] 2)将参数拟合到模型

[0181] 选择拟合度标准以拟合模型的参数(即电压源、欧姆电阻和扩散电阻分量值)。一个示例方法是识别过程。确定电池模型参数，使得在所测量的端子电压(来自实验或应用数据)和电池模型输出之间的最小差异被达到。确定模型参数向量(θ)，使得如下定义的预测误差(∈)被最小化。

[0182]

[0183] 其中y(tk)是时间k处的电池输出，并且是使用参数θ在时间k处的输出的预测值。预测误差取决于参数向量，因此必须应用迭代最小化过程。因此，标量拟合度函数被最小化如下：

[0184]

[0185] 3)识别误差最小化

[0186] 选择识别误差最小化算法，一个示例方法是使用下面定义的均方根误差(RMSE)准则来计算电池的端子电压估计的平均误差。

[0187]

[0188] 其中Vt是所测量的电池端子电压，是电池模型输出，以及N是以秒为单位的Vt的长度。图16d分别示出了在不同电荷水平下的RMSE值以及分别在图16a、16b和16c中识别的RO、Rp和CP的ECN模型参数值。

[0189] 使用卡尔曼型滤波器的实时充电状态估计方法

[0190] 参考图17，这示出了根据本发明的实施方式的充电状态估计的示例方法1700。

[0191] 首先，在步骤1701中，在动态负载期间使用电池操作条件测量工具400测量在使用中的电流、电压和温度，并且在步骤1702中，这些被存储在存储器中，其中它们用于更新反映在存储器中的电池的操作历史513的状态向量。然后将在步骤1701中的所测量的操作条件连同被存储在表中或作为操作历史513中的状态向量的先前循环条件(例如，充电-放电速率和温度)的累积历史一起输入到在步骤1703中的嵌入的等效电路模型。然后，在步骤1703(使用电池模型模块532)中例如通过PEM方法来预测模型参数。

[0192] 然后在步骤1704中基于根据实验从锂硫电池的操作模型导出或预测的查找表来估计健康状况(使用记忆效应模块533)连同系统的可测量参数，例如在步骤1705中输出的电压、温度和电阻。在步骤1706中，可以通过所估计的数据与实际测量的数据的比较来在反馈回路中使用这些所估计的输出，以在步骤1707中实时地提高参数估计的准确度。

[0193] 与用于锂硫的普通电池类型的类似系统不同，等效电路模型另外考虑在锂硫电池中的独特记忆效应，其根据温度和充电和放电速率的累积效应改变在充电或放电时的最大容量Qt。

[0194] 记忆感知模型部署在应用的软件或固件中，使得充电状态和健康状况估计不依赖于标准电池的广泛校准或测试数据的广泛高容量。

[0195] 实际上，根据本发明的另一个实施方式，从实验数据生成包括在动态负载下的记忆效应的锂硫化学性质的独特特性所特有的模型。等效电路模型(或任何可选模型，例如任何基于物理性质的电池模型，半或完全以经验为根据的)作为软件或固件被实现为应用中的实时嵌入式系统的一部分。使用用于参数识别和卡尔曼滤波的相同方法例如扩展卡尔曼滤波器、无迹卡尔曼滤波器、粒子滤波器、连伯格状态估计器(观测器)或任何其他状态观测器或状态估计器变体来实时连续地识别目前的等效电路网络模型参数以提供电池状态估计器534。算法更新速率和数值精度与处理器成本折衷，如应用需要规定的。

[0196] 在图18中示出了使用卡尔曼型滤波器作为状态估计器的这种实现的例子，图18示出了使用操作等效电路模型和卡尔曼滤波的实时SOC/SOH估计的示意图。在这里，在1801中，在动态负载期间，从电池操作条件测量工具400接收电流负载I、温度T和端子电压V的测量值。如以前一样，在1802中，这些被传递到存储器，它们在存储器中用于更新例如表示电池的历史操作条件的状态向量，并且然后在1803中被传递到ECN状态估计器模块534。在卡尔曼滤波器的预测步骤中，该状态估计器534用于基于当前状态、SOC模型531和当前操作条件来以在未来的给定时间步长预测内部电池状态。然后在卡尔曼滤波器的校正步骤中使用从电池操作条件测量工具400接收的以那个未来时间步长的测量。首先，在1804中由调整在1803中预测的ECN状态的ECN观察模型产生预期测量值。这然后与在1805中的在ECN的统计适应模型中的实际测量操作条件比较，该统计适应模型使用卡尔曼增益来确定在1806中在后处理中使用的统计适应值，以基于观察到的电池行为来校正来自ECN模型的当前电池状态的预测，并且统计适应值在1807中随后被反馈到存储器来以迭代方式调整和改进ECN模型。算法架构可以以多种方式实现。示例部署架构在图19-22中示出。

[0197] 在图19中示出的最简单的方法使用卡尔曼型滤波器来估计或识别等效电路网络模型的当前参数，参数估计对照从锂硫电池模型生成的参数查找表被解释，以估计当前的健康状况(SoH)和充电状态(SOC)。

[0198] 在图20所示的更复杂的形式中，非线性卡尔曼滤波器可用于等效电路模型及其相关记忆效应的非线性状态估计。其他简化包括多个假设滤波器，其使用相对简单的状态估计器并然后基于预测误差来选择最可能的SOC或SoH，如在图21中的架构中所示的。如图22所示，使用模糊逻辑的架构也可以用于状态估计，并且由合并对记忆效应的理解的Li-S模型培训。

[0199] 在这种情况下，不需要数据库，并且连续调整模型的参数。给定来自电池操作条件测量工具400的例如电压、电流和温度的实时输入，可以使用电池模型来预测电池的端子电压。

[0200] 预测模型的准确度与在线模型识别的计算量平衡。对于在线预测，应为了期望预测水平定期更新模型。预测水平越低，准确度越高。如果没有更新延迟，那么RMSE将等于上面的识别模型。图23示出了使用简化的等效电路从0.5％SOC到2％SOC增量的各种预测水平的预测结果。在例子中，将预测水平从1％SOC增加到2％SOC将计算量减少了50％，而平均RMSE从13mV增加到24mV。基于SOC来选择预测水平，使得更新速率与车辆中的功率需求的速率成比例。

[0201] 根据本发明的一个实施方式，锂硫特定查找表或算法存储在与电池系统成一整体或在应用系统内作为软件或固件的电池组管理系统中或能量系统控制器中。使用从实验数据参数化的锂硫化学性质的独特特性所特有的软件模型来填充查找表，独特特性包括在动态负载下的记忆效应。模型的使用是指等效电路模型(或任何可选的模型，例如任何基于物理性质的电池模型，半或完全以经验为依据的)。这些查找表使相对于当端子电压达到预定截止电压时确定的Qt(100％SOC或100％SOD)的各种温度和电流下的电池电阻和电压相关。在“100％SOC/SOD”状态下的Qt由存在于电池中的所预测的可用活性材料确定，从电池、模块或电池组的先前充电/放电速率、充电/放电的深度和温度分布图的所存储的累积历史得到，以便准确预测当前充电或放电周期的最大充电或放电容量。使用电池平衡电阻器通过电流、电压和所计算的电阻的测量来提供反馈。通过平衡电阻器的切换来测量电池阻抗。连续的电流脉冲通过接通和断开电池平衡电阻器而被施加到电池，并且电池的端子电压被测量。当应用是空闲的时，可以在任何充电状态下执行测试。采样率可以在0.1秒和60分钟之间变化。每个电流脉冲之后是足够的松弛时间(1秒至60秒)，用于使电池端子电压返回到开路电压Voc和/或稳定状态。以这种方式，状态估计不需要广泛的校准，并且可以基于在动态负载下在应用期间捕获的数据被实时更新。

[0202] 根据本发明的另一个实施方式，该模型部署在实时电池组管理系统或能量系统控制器中。该模型的典型形式可以是查找表，其基于包括SOC、电流振幅、温度并且对于所有条件需要大量的测试数据的多个输入而返回模型参数。

[0203] 用于SOH估计的端子电压预测的这种方法一般适用于给定在放电/充电特性中的相似的趋势的多个电池类型。这种方法可用于任何电池化学性质和设计。它也是将来自包括锂硫电池的所有复杂特征的物理模型的高保真预测耦合到更简单的嵌入式模型的方法，由于减少的所需计算工作量，嵌入式模型的参数可以在应用的电池组管理系统或能量系统控制器内实时地被识别。可以从基本物理理论的第一原理开发高保真预测模型，以描述暴露于外部刺激的锂硫电池的性能。这些模型预测化学性质、材料、电池构造、电池设计和操作条件的影响。来自锂硫电池的高保真物理模型的输出考虑诸如穿梭和降解机制等特征，以改进SOH估计。以这种方式，可以使用高保真模型来参数化对一系列实验条件的更简单的嵌入式模型连同所施加的电流和温度，以便预测健康状况、电阻、电压和因而产生的温度。嵌入式模型用于在给定电池的实时地或在外部的操作历史(例如电流和温度分布)时预测不能直接被测量的内部状态或虚拟状态(例如SOH和SOC)。

[0204] 如从前述内容可以看出，根据本发明，通过包括由在设备嵌入式等效电路模型(或其他模型类型，例如基于物理性质或半经验物理性质激发的模型，包括完全以经验为依据的电池模型)中的电解质中的中间物质的溶解引起的记忆效应连同锂硫电池组所特有的自放电、穿梭和其他老化机制的效应并检测电流、温度、内电阻以提供反馈，可以实时地并在动态循环条件下检测系统的SOH。该软件/固件解决方案可以在不将额外的独立设备添加到电池组管理系统用于状态估计的情况下实现。

[0205] 如从下面将认识到的，将用于可靠地估计遭受记忆效应的电池例如LiS电池的电池状态和健康状况的装置和方法设置到至少部分地由所述电池提供动力的电动车辆(EV)的电池组管理系统或能量系统控制器内允许关于电动车辆的使用来执行改进的距离估计和路线计划。这参考图23被说明，现在将参考图23。

[0206] 在示例性实施方式中，用于估计可行驶的路程并计划电动车辆的路线的方法2300因此包括在步骤2301中执行如上所述的方法以估计使用中的电池的充电状态和剩余容量。

[0207] 然后，在步骤2302中，该方法还包括基于使用中的电池的充电状态和剩余容量的估计来估计电动车辆的可行驶的路程。

[0208] 然后，在步骤2303中，该方法还包括至少部分地基于由可行驶的路程估计模块基于遵循该路线的电池的所预测的操作条件产生的电动车辆的所估计的可行驶的路程，来计划朝着期望目的地的路线。这可以使用路线计划算法来执行，路线计划算法适于在2304中从由路线计划模块计划的多于一个路线基于沿着那些路线的车辆的所估计的可行驶路程和可选地其他信息例如沿着那些路线的再充电或电池交换点来优化朝着目的地的路线。此外，因为剩余容量的估计可以基于在车辆中的使用中的电池的所预测的操作条件，例如，在给定的预测路线上，对于在那个路线上的驾驶员的给定驾驶风格，对于在那个路线上的给定环境条件等，可行驶的路程估计和路线计划算法可以例如迭代地在这些因素上求解，以为推荐驾驶员要遵循的最佳路线来到达给定目的地。通常，路线选择将基于节约完成给定行程所需的容量而被优化，尽管可选地可对优化完成行程的速度或其他标准给予更大的权重。

[0209] 虽然已经结合被认为最具有实际和优选的实施方式描述了本发明，将理解，本发明并不局限于所公开的实施方式和附图，但相反，其意图是覆盖在所附权利要求的精神和范围内的各种修改和变型。可以使用各种类型的电路和设备来实现如根据本发明所描述的测量系统。将理解，这是说明性的，并且在不偏离本发明的范围和精神的情况下，本领域技术人员可以进行各种修改。本发明仅被接下来的权利要求限制。

标题	发布/更新时间	阅读量
桥梁健康状态评估系统-专利编号CN106779326A	2020-05-11	346
电池健康状态获取方法-专利编号CN107765188A	2020-05-13	92
健康状态判断装置-专利编号CN102216951A	2020-05-12	85
人体健康状态判断装置-专利编号CN105496380A	2020-05-12	997
人体健康状态评估系统-专利编号CN105373984A	2020-05-12	818
健康状态的测定法-专利编号CN101292046A	2020-05-13	1042
电池健康状态获取方法-专利编号CN107765188B	2020-05-11	645
植物健康状态检测仪-专利编号CN109212127A	2020-05-13	44
健康状态评价系统、健康状态评价装置以及健康状态评价方法-专利编号CN109196592A	2020-05-11	492
健康状态推定装置-专利编号CN109068613A	2020-05-11	547

用于确定锂硫电池组的健康状况和充电状态的方法和装置

用于确定锂硫电池组的健康状况和充电状态的方法和装置

技术领域

IPRDB

热门服务

关于我们

友情链接

联系方式