【技术实现步骤摘要】
【国外来华专利技术】
本申请要求于2021年6月18日向韩国知识产权局提交的第10-2021-0079389号韩国专利申请的优先权和权益，其全部内容通过引用并入本文。本专利技术涉及预测二次电池的低电压故障的装置和方法，以及包括该装置的电池控制系统。
技术介绍
1、电动汽车、移动设备等对二次电池的需求正在迅速扩大，对二次电池的状态诊断和质量可靠性的需求也越来越高。响应于这种需求，正在利用方法通过预测和响应生产或使用中的二次电池的低电压故障来改善二次电池的质量可靠性。
2、这意味着不仅要预测和响应用于电动汽车、移动设备等的二次电池的低电压故障，还要在生产过程中的质量检查期间预测二次电池的低电压故障，以防止有缺陷的产品泄漏出去，从而提高二次电池的质量可靠性。
3、具体而言，以充电/放电过程中工作电压或开路电压(ocv)下降的程度作为预测在生产或使用中二次电池发生低电压故障的标准。
4、然而，这些现有方法需要大量数据来确定低电压故障的标准，并且每当制造条件发生变化时都需要新的数据来确定低电压故障的标准，因此需要花费大量时间来确定低电压故障。此外，现有方法还存在确定准确度不高的缺点。
5、因此，需要一种能够减少确定是否发生低电压故障的时间，同时改善确定准确性的方法，以及能够实现该方法的装置。
6、[专利文献]
7、韩国专利申请公布第10-2015-0049528号
技术实现思路
1、[技术问题]
2、本专利技术提供一种通过校正电池
3、[技术方案]
4、本专利技术的一个示例性实施方式提供了一种预测二次电池低电压故障的装置，所述装置包括：第一训练数据输入单元，其用于接收在被选为第一训练目标的单个二次电池的充电、放电和静置过程的特定时间段期间测量的二次电池的第一训练数据；第一测量数据输入单元，其用于接收在被选为第一预测目标的二次电池的充电、放电和静置过程的特定时间段期间选择的二次电池的第一测量数据；第一数据学习单元，其用于通过对输入到所述第一训练数据输入单元的二次电池的第一训练数据执行机器学习并在所述第一训练数据中选择主要因子来生成第一二次电池的低电压预测模型；第一验证单元，其用于将其中将第一测量数据应用于从所述第一数据学习单元生成的第一二次电池的低电压预测模型的二次电池的低电压确定预测结果与所述第一测量数据的二次电池的实际低电压确定预测结果进行比较，并找到使所述第一二次电池的低电压预测模型的性能最大化的加权因子k的最优值，以验证和优化第一二次电池的低电压预测模型；模型迁移单元，其用于接收第一二次电池的优化的低电压预测模型和加权因子k的最优值；第二训练数据输入单元，其用于接收在被选为第二训练目标的单个二次电池的充电、放电和静置过程的特定时间段期间测量的二次电池的第二训练数据；第二测量数据输入单元，其用于接收在被选为第二预测目标的二次电池的充电、放电和静置过程的特定时间段期间选择的二次电池的第二测量数据；第二数据学习单元，其用于通过对迁移到所述模型迁移单元的第一二次电池的优化的低电压预测模型和输入到所述第二训练数据输入单元的二次电池的第二训练数据执行机器学习来生成第二二次电池的低电压预测模型；和第二输出单元，其用于输出其中将所述第二测量数据应用到从所述第二数据学习单元生成的第二二次电池的低电压预测模型的二次电池的低电压确定预测结果，其中，被选为第一训练目标和第一预测目标的二次电池的过程条件(process condition)与被选为第二训练目标和第二预测目标的二次电池的过程条件不同。
5、本专利技术的另一个示例性实施方式提供了一种预测二次电池的低电压故障的方法，所述方法包括：输入在被选为第一训练目标的单个二次电池的充电、放电和静置过程的特定时间段期间测量的二次电池的第一训练数据；通过对所述第一训练数据执行机器学习并从所述第一训练数据中选择主要因子来生成第一二次电池的低电压预测模型；输入在被选为第一预测目标的二次电池的充电、放电和静置过程的特定时间段期间选择的二次电池的第一测量数据；将其中将第一测量数据应用于第一二次电池的低电压预测模型的二次电池的低电压确定预测结果与所述第一测量数据的二次电池的实际低电压确定预测结果进行比较，并找到使所述第一二次电池的低电压预测模型的性能最大化的加权因子k的最优值，以验证和优化第一二次电池的低电压预测模型；迁移第一二次电池的优化的低电压预测模型和加权因子k的最优值；输入在被选为第二训练目标的单个二次电池的充电、放电和静置过程的特定时间段期间测量的二次电池的第二训练数据；通过对迁移的第一二次电池的优化的低电压预测模型和第二训练数据执行机器学习来生成第二二次电池的低电压预测模型；输入在被选为第二预测目标的二次电池的充电、放电和静置过程的特定时间段期间选择的二次电池的第二测量数据；和输出二次电池的低电压确定预测结果，其中将所述第二测量数据应用到从所述第二数据学习单元生成的第二二次电池的低电压预测模型，其中，被选为第一训练目标和第一预测目标的二次电池的过程条件与被选为第二训练目标和第二预测目标的二次电池的过程条件不同。
6、本专利技术的另一个示例性实施方式提供了一种电池管理系装置，其包括所述预测二次电池的低电压故障的装置。
7、本专利技术的另一个示例性实施方式提供了一种移动设备，其包括所述电池管理系装置。
8、最后，本专利技术的另一个示例性实施方式提供了一种存储在记录介质中的计算机程序，其执行所述预测二次电池的低电压故障的方法。
9、[有益效果]
10、根据本专利技术示例性实施方式的装置和方法可以改善确定二次电池的低电压故障的准确性，这可以导致过程成本的节约。
11、根据本专利技术示例性实施方式的装置和方法可以减少确定二次电池的低电压故障所需的时间并且通过实现对低电压故障的早期检测和响应来最小化故障风险。
本文档来自技高网...【技术保护点】
1.一种预测二次电池低电压故障的装置，所述装置包括：
2.如权利要求1所述的装置，其中，二次电池的第一训练数据、二次电池的第一测量数据、第二训练数据和二次电池的第二测量数据中的每一个是指选自在二次电池的充电、放电和静置过程中独立测量的电池的电压测量值、电池的电流测量值、电池的阻抗测量值、电池的温度测量值、电池的容量测量值和电池的功率测量值中一个或多个测量值。
3.如权利要求1所述的装置，其中，所述第一数据学习单元和所述第二数据学习单元的机器学习中的每一个独立地应用选自决策树、随机森林、神经网络、深度神经网络、支持向量机和梯度提升机中的一种或多种方法。
4.如权利要求1所述的装置，其中，所述加权因子k的最优值是指使误分类错误率MER最小化的值。
5.如权利要求1所述的装置，还包括：
6.如权利要求1所述的装置，还包括：
7.一种预测二次电池的低电压故障的方法，所述方法包括：
8.如权利要求7所述的方法，其中，二次电池的第一训练数据、二次电池的第一测量数据、第二训练数据和二次电池的第二测量数据中的每一
9.如权利要求7的方法，其中，所述第一训练数据和所述第二训练数据的机器学习中的每一个独立地应用选自决策树、随机森林、神经网络、深度神经网络、支持向量机和梯度提升机中的一种或多种方法。
10.如权利要求7所述的方法，其中，所述加权因子k的最优值是指使误分类错误率MER最小化的值。
11.如权利要求7所述的方法，还包括：
12.如权利要求7所述的方法，还包括：
13.一种电池管理系统BMS装置，其包括如权利要求1至6中任一项所述的预测二次电池的低电压故障的装置。
14.如权利要求13所述的BMS装置，其中，所述BMS装置的第一训练数据输入单元、第一测量数据输入单元、第一数据学习单元、第一验证单元、模型迁移单元、第二训练数据输入单元、第二测量数据输入单元、第二数据学习单元和第二输出单元中的至少一个被远程控制。
15.一种移动设备，其包括权利要求14所述的BMS装置。
16.如权利要求15所述的移动设备，其中，所述BMS装置的第一训练数据输入单元、第一测量数据输入单元、第一数据学习单元、第一验证单元、模型迁移单元、第二训练数据输入单元、第二测量数据输入单元、第二数据学习单元和第二输出单元中的至少一个被嵌入在所述移动设备中。
17.一种存储在记录介质中的计算机程序，其执行如权利要求7至12中任一项的所述的预测二次电池的低电压故障的方法。
...【技术特征摘要】
【国外来华专利技术】
1.一种预测二次电池低电压故障的装置，所述装置包括：
2.如权利要求1所述的装置，其中，二次电池的第一训练数据、二次电池的第一测量数据、第二训练数据和二次电池的第二测量数据中的每一个是指选自在二次电池的充电、放电和静置过程中独立测量的电池的电压测量值、电池的电流测量值、电池的阻抗测量值、电池的温度测量值、电池的容量测量值和电池的功率测量值中一个或多个测量值。
3.如权利要求1所述的装置，其中，所述第一数据学习单元和所述第二数据学习单元的机器学习中的每一个独立地应用选自决策树、随机森林、神经网络、深度神经网络、支持向量机和梯度提升机中的一种或多种方法。
4.如权利要求1所述的装置，其中，所述加权因子k的最优值是指使误分类错误率mer最小化的值。
5.如权利要求1所述的装置，还包括：
6.如权利要求1所述的装置，还包括：
7.一种预测二次电池的低电压故障的方法，所述方法包括：
8.如权利要求7所述的方法，其中，二次电池的第一训练数据、二次电池的第一测量数据、第二训练数据和二次电池的第二测量数据中的每一个是指选自在二次电池的充电、放电和静置过程中独立测量的电池的电压测量值、电池的电流测量值、电池的阻抗测量值、电池的温度测量值、电池的容量测量值和电池的功率测量值中一个或多个测量值。
9.如权利要求7的方法，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。