Устройство и способ для оценки уровня заряженности батареи с использованием нейронной сети

Изобретение относится к измерительной технике. Сущность: устройство содержит воспринимающую секцию, нейронную сеть и компаратор. Воспринимающая секция служит для измерения силы тока, напряжения и температуры на элементе батареи. Нейронная сеть выполняет алгоритм нейронной сети для вычисления состояния заряда (СЗ) батареи посредством обработки данных силы тока, напряжения и температуры, переданных ей из воспринимающей секции, и данных о моменте времени, когда были измерены сила тока, напряжение и температура, согласно функции, имеющей заранее определенный весовой коэффициент. При этом заранее определенный весовой коэффициент обновляется посредством обучающего алгоритма, что вынуждает вычисленное СЗ батареи в результате обучения отслеживать заранее определенное целевое значение. Компаратор сравнивает выходное значение нейронной сети с заранее определенным целевым значением и побуждает нейронную сеть выполнять алгоритм обучения, если разность между вычисленным значением СЗ батареи и заранее определенным целевым значением находится вне заранее определенного допуска. Технический результат: обеспечение динамической оценки СЗ в разных условиях, повышение точности. 2 н. и 10 з.п. ф-лы, 4 ил.

 

Область техники

Данное изобретение в целом имеет отношение к устройству и способу для оценки уровня заряженности батареи, и более конкретно - к устройству и способу для оценки состояния заряда (СЗ) батареи, представляющего собой нелинейную характеристику, с использованием нейронной сети.

Уровень техники

Обычно состояние заряда (СЗ) батареи представляет собой нелинейную характеристику, поэтому трудно точно измерить СЗ батареи. Таким образом, значение СЗ батареи не измеряется, а оценивается. В частности, СЗ батарей, используемых для гибридных электрических транспортных средств или электрических транспортных средств, имеющих высокие значения расхода емкости, может представлять собой сильно нелинейную характеристику, поэтому почти невозможно точно определить СЗ таких батарей.

Традиционно для оценки СЗ батареи использовались схема подсчета ампер-часов, схема измерения напряжения разомкнутой цепи или схема измерения полного сопротивления батареи.

Во-первых, схема подсчета ампер-часов оценивает СЗ батареи путем определения текущей емкости батареи. В этом случае значение оценки СЗ батареи может зависеть от состояния датчика, используемого для определения текущей емкости батареи. Таким образом, значение оценки СЗ батареи может изменяться в зависимости от степени точности и ошибки датчика.

Схема измерения напряжения разомкнутой цепи оценивает СЗ батареи на основе напряжения разомкнутой цепи батареи. В этом случае, однако, СЗ батареи может быть оценено только в нерабочем состоянии батареи. Кроме того, схема измерения напряжения разомкнутой цепи находится под влиянием внешней среды, например, внешней температуры.

Схема измерения полного сопротивления батареи оценивает СЗ батареи на основе значения полного сопротивления батареи. Однако, схема измерения полного сопротивления батареи находится под значительным влиянием внешней температуры, поэтому надежность для значения оценки СЗ батареи может понизиться.

Поэтому необходимо обеспечить способ для точной оценки СЗ батареи при минимизации ошибки его оценки независимо от внешней температуры.

Краткое описание чертежей

Фиг.1 - блочное представление, схематично иллюстрирующее устройство для оценки СЗ батареи в соответствии с предпочтительным вариантом воплощения данного изобретения.

Фиг.2 - представление, показывающее структуру динамической многомерной вейвлет-нейронной сети, используемой для данного изобретения.

Фиг.3 - блок-схема, последовательно иллюстрирующая этапы обучения при использовании нейронной сети в соответствии с предпочтительным вариантом воплощения данного изобретения.

Фиг.4 - блок-схема, последовательно иллюстрирующая этапы для вывода СЗ батареи с помощью использования алгоритма окончательной оценки, полученного посредством этапов обучения, показанных на фиг.3.

Раскрытие изобретения

Данное изобретение посвящено устройству и способу для оценки СЗ батареи, которые существенно устраняют одну или более проблем из-за ограничений и недостатков предшествующего уровня техники. Задачей данного изобретения является обеспечение устройства и способа для точной оценки СЗ батареи с использованием нейронной сети.

Другой целью данного изобретения является обеспечение устройства и способа, способных к динамической оценке СЗ батареи при использовании минимума данных в различных окружающих средах, в том числе при различных температурах и расходах емкости.

Для решения этих задач и достижения других преимуществ в соответствии с целью изобретения, как воплощено и подробно описано здесь, предоставляется устройство для оценки состояния заряда (СЗ) батареи, устройство содержит: воспринимающую секцию для измерения силы тока, напряжения и температуры на элементе батареи; нейронную сеть, выполняющую алгоритм нейронной сети и алгоритм обучения, основанные на данных силы тока, напряжения и температуры, переданных в нее из воспринимающей секции, и данных о текущем времени, таким образом выводящую СЗ батареи, оцененное посредством окончательного алгоритма обучения; и компаратор для сравнения выходного значения нейронной сети с заранее определенным целевым значением и вынуждения нейронной сети итерационно выполнять алгоритм обучения, если разность между выходным значением нейронной сети и заранее определенным целевым значением находится вне заранее определенного допуска, и обновлять алгоритм обучения, чтобы сформировать окончательный алгоритм обучения.

В соответствии с предпочтительным вариантом воплощения данного изобретения заранее определенное целевое значение может быть "истинным" СЗ батареи. Однако, трудно точно вычислить заранее определенное целевое значение, поэтому опорное значение, полученное посредством выполнения эксперимента при определенных условиях, используется в качестве целевого значения. Например, опорное значение получается на основе значения, полученного вычитанием данных ампер-часов зарядного/разрядного устройства из номинальной емкости батареи или значения напряжения разомкнутой цепи батареи, соответственно или математически компенсируя друг друга.

Хотя данное изобретение описано применительно к нейронной сети в виде алгоритма динамической многомерной вейвлет-нейронной сети, возможно также использовать алгоритм динамической вейвлет-нейронной сети или алгоритм статической вейвлет-нейронной сети. Кроме того, хотя данное изобретение описано применительно к алгоритму обучения с обратным распространением, также возможно использовать схему фильтра Кальмана, генетический алгоритм (GA) или нечеткий алгоритм обучения. Чтобы достигнуть вышеупомянутые цели данного изобретения, в соответствии с другим аспектом данного изобретения предлагается способ для оценки состояния заряда (СЗ) батареи с использованием нейронной сети, способ содержит следующие этапы: (a) выполнение алгоритма обучения, основанного на данных силы тока, напряжения и температуры, измеренных на батарее, и данных текущего времени; и (b), вывод СЗ батареи, оцененного посредством окончательного алгоритма обучения, сформированного путем выполнения алгоритма обучения.

В соответствии с предпочтительным вариантом воплощения данного изобретения этап (a) включает в себя подэтапы измерения силы тока, напряжения и температуры на батарее, выполнение алгоритма нейронной сети с использованием данных силы тока, напряжения и температуры, измеренных на батарее, и данных текущего времени в качестве данных обучения, проверку того, находится ли разность между выходным значением, полученным посредством алгоритма нейронной сети, и заранее определенным целевым значением в пределах заранее определенного допуска, и итерационное выполнение алгоритма обучения, если разность находится вне заранее определенного допуска, таким образом, обновляя алгоритм обучения, чтобы сформировать окончательный алгоритм обучения.

В соответствии с предпочтительным вариантом воплощения данного изобретения этап (b) включает в себя подэтапы измерения силы тока, напряжения и температуры на батарее и вывод СЗ батареи путем оценки СЗ батареи с помощью окончательного алгоритма обучения, полученного посредством этапа (a), на основе данных силы тока, напряжения и температуры, измеренных на батарее, и данных текущего времени.

Дополнительные преимущества, цели и признаки изобретения частично сформулированы в последующем описании и частично станут очевидными для специалистов в области техники после ознакомления с нижеследующим описанием или могут быть изучены при применении изобретения на практике. Цели и другие преимущества изобретения могут быть осуществлены и достигнуты структурой, подробно показанной в письменном описании и пунктах формулы изобретения, а также в приложенных чертежах.

Вариант осуществления изобретения

Ниже приводятся подробные ссылки на предпочтительный вариант воплощения данного изобретения, примеры которого иллюстрированы в сопроводительных чертежах. Везде, где возможно, используются одни и те же номера ссылок по всем чертежам, чтобы обратиться к одним и тем же или подобным деталям.

В дальнейшем подробно разъяснен предпочтительный вариант воплощения данного изобретения со ссылкой на сопроводительные чертежи.

Фиг.1 является блочным представлением, схематически иллюстрирующим устройство 100 для оценки СЗ батареи в соответствии с предпочтительным вариантом воплощения данного изобретения.

Согласно фиг.1 устройство 100 для оценки СЗ батареи с использованием нейронной сети включает в себя модуль 12 измерения силы тока для измерения силы тока (i) на элементе 10 батареи, модуль 14 измерения напряжения для измерения напряжения (V) на элементе 10 батареи, модуль 16 измерения температуры для измерения температуры (T) на элементе 10 батареи, нейронную сеть 20 для выполнения алгоритма нейронной сети и алгоритма обучения с использованием данных обучения, включающих в себя силу тока (i), напряжение (V) и температуру (T), измеренные вышеупомянутыми измерительными модулями 12, 14 и 16, и время (K), и для вывода оценочного СЗ на основе формулы окончательного алгоритма обучения, сформированного выполнением алгоритма нейронной сети и алгоритма обучения, зарядное/разрядное устройство 30 для подачи тока зарядки/разрядки на элемент 10 батареи и компаратор 40, который сравнивает выходной СЗ (g_o) батареи, полученный посредством вывода из нейронной сети 20, с целевым СЗ (g_T), проверяет, находится ли разность между выходным СЗ (g_o) и целевым СЗ (g_T) в пределах заранее определенного допуска, и побуждает нейронную сеть 20 итерационно выполнять алгоритм обучения, если разность находится вне заранее определенного допуска, и, таким образом, обновлять алгоритм обучения, чтобы сформировать окончательный алгоритм обучения.

Предпочтительно целевой СЗ (g_T) получается посредством выполнения эксперимента при определенных условиях. Например, целевой СЗ (g_T) получается путем вычитания данных (g_r) ампер-часов зарядного/разрядного устройства 30 из номинальной емкости (g_N) батареи, то есть, g_T=g_N-g_r. Это имеет место потому, что идеальное целевое СЗ может быть получено путем вычитания данных ампер-часов, соответствующих емкости, которая уже использована в батарее, из номинальной емкости батареи, если ошибка находится в пределах приемлемого допуска. В качестве альтернативы целевое СЗ (g_T) получается на основе значения напряжения разомкнутой цепи батареи. Предпочтительно, чтобы значение схемы расчета ампер-часов и значения схемы измерения напряжения разомкнутой цепи математически компенсировали друг друга.

Фиг.2 является представлением, показывающим структуру нейронной сети, используемой для данного изобретения.

В соответствии с предпочтительным вариантом воплощения данного изобретения нейронная сеть включает в себя динамическую многомерную вейвлет-нейронную сеть.

Согласно фиг.2 динамическая многомерная вейвлет-нейронная сеть включает в себя входную область, скрытый уровень и уровень вывода.

Чтобы применить алгоритм оценки СЗ батареи к динамической многомерной вейвлет-нейронной сети, произвольная функция может быть разложена следующим образом на основе теории вейвлетов.

Уравнение 1

Здесь - коэффициент базисной функции для разложения произвольной функции . Кроме того, и - параметры растяжения и смещения для базисной функции соответственно.

Кроме того, функция приближения для произвольной функции представляется в виде Уравнения 2.

Уравнение 2

Уравнение 2 может быть применено к динамической многомерной вейвлет-нейронной сети, которая показана на фиг.2, следующим образом.

На фиг.2, х_d(k) является вектором входных данных, введенным в динамическую многомерную вейвлет-нейронную сеть. В соответствии с данным вариантом воплощения, х_d(k) является вектором, содержащим входные данные, состоящие из силы тока, напряжения и температуры, введенным в динамическую многомерную вейвлет-нейронную сеть в течение заранее определенного промежутка времени (k). Таким образом, х_d(k)=(i, v, T, k). Кроме того, g_o(х_d(k)) является выходным значением, которое оценивается посредством динамической многомерной вейвлет-нейронной сети на основе входных данных. g_o(х_d(k)) представляется в виде Уравнения 3.

Уравнение 3

Здесь и представляют собой промежуточные весовые коэффициенты, которые обновляются в каждый момент времени (k) на основе алгоритма обучения с обратным распространением (ОР) так, чтобы произвольная функция была приблизительно отождествлена нелинейной функцией.

Если разность между выходным значением g_o и целевым значением g_T, определенная компаратором 40 динамической многомерной вейвлет-нейронной сети, не существует в пределах заранее определенного допуска (например, 3%), последующий алгоритм обучения с обратным распространением итерационно выполняется посредством нейронной сети 20.

Перед изложением алгоритма обучения с обратным распространением следует отметить, что функция ошибки определена согласно Уравнению 4.

Уравнение 4

Здесь - желаемое выходное значение, то есть целевое значение, и - фактическое выходное значение нейронной сети 20. Заменой в Уравнении 4 получается градиент ошибки, как представлено в Уравнении 5.

Уравнение 5

Также градиент ошибки коэффициентов , получается, как представлено в Уравнении 6.

Уравнение 6

(1)

(2)

(3)

Поэтому окончательное обновление для промежуточного коэффициента выполняется следующим образом:

Уравнение 7

, здесь - скорость обучения.

Таким образом, нейронная сеть 20 итерационно передает новое выходное значение g_o, которое вновь сформировано на основе обновленных значений , и , компаратору 40, итерационно выполняя алгоритм обучения с обратным распространением. Кроме того, такая процедура итерационно выполняется, пока разность между выходным значением g_o и целевым значением g_T не определена в пределах заранее определенного допуска.

Когда разность между выходным значением g_o и целевым значением g_T определена в пределах заранее определенного допуска, алгоритм обучения с использованием нейронной сети завершается, и предполагаемый СЗ выводится с использованием окончательной формулы алгоритма оценки (то есть, Уравнения 3), полученного посредством алгоритма обучения.

Далее описан способ оценки СЗ батареи со ссылкой на фиг.3 и 4.

Способ оценки СЗ батареи в соответствии с данным изобретением содержит этап обучения с использованием нейронной сети, то есть этап получения окончательного алгоритма оценки путем выполнения алгоритма нейронной сети и алгоритма обучения и этап вывода СЗ батареи с использованием окончательного алгоритма оценки.

Фиг.3 является блок-схемой, последовательно иллюстрирующей этапы обучения с использованием нейронной сети в соответствии с предпочтительным вариантом воплощения данного изобретения.

Согласно фиг.3 сила тока (i), напряжение (v) и температура (T) измеряются на элементе 10 батареи (этап 10). Затем выполняется алгоритм динамической многомерной вейвлет-нейронной сети с использованием измеренных силы тока (i), напряжения (v) и температуры (T) и данных их времени (k) как вектора входных данных, то есть, х_d(k)=(i, v, T, k). В результате может быть получено выходное значение g_o (этап 12).

После этого выходное значение g_o сравнивается с целевым значением g_T и проверяется, находится ли разность между выходным значением g_o и целевым g_T в пределах заранее определенного предела ошибки 3% (этап 14). Хотя заранее определенный допустимый предел ошибки принимается равным 3% в данном варианте воплощения, в случае необходимости заранее определенный предел ошибки может быть изменен. СЗ батареи может быть оценено точно, по мере того как допустимый предел ошибки уменьшается. Напротив, СЗ батареи может быть оценено неточно, по мере того как допустимый предел ошибки увеличивается.

Если на этапе 14 определено, что разность превышает заранее определенный допустимый предел ошибки, выполняется алгоритм обучения с обратным распространением, таким образом получая обновленное выходное значение g_o (этап 16). Затем процедура возвращается к этапу 14.

Между тем, если на этапе 14 определено, что разность равна или меньше, чем заранее определенный допустимый предел ошибки, алгоритм обучения нейронной сети завершается (этап 18). В результате с помощью алгоритма обучения может быть получена окончательная формула алгоритма оценки (то есть, Уравнение 3).

Фиг.4 является блок-схемой, иллюстрирующей процедуру вывода СЗ батареи с использованием окончательного алгоритма оценки, полученного с помощью этапов обучения, которые показаны на фиг.3.

Согласно фиг.4 сила тока (i), напряжение (v) и температура (T) измеряются на элементе 10 батареи (этап 20). Затем выводится СЗ батареи с использованием окончательного алгоритма оценки, полученного алгоритмом обучения, который показан на фиг.3, с использованием измеренных силы тока (i), напряжения (v) и температуры (T) и данных их времени (k) как вектора входных данных, то есть, х_d(k)=(i, v, T, k) (этап 22).

Промышленная применимость

Хотя данное изобретение было описано относительно нейронной сети в виде динамической многомерной вейвлет-нейронной сети, данное изобретение не ограничивается исключительно ею. Таким образом, данное изобретение применимо для нейронной сети с прогнозированием событий, рекуррентной нейронной сети, вейвлет-нейронной сети и т.д.

Кроме того, хотя данное изобретение использует алгоритм обучения с обратным распространением, данное изобретение не ограничивается исключительно им. Например, данное изобретение может использовать традиционную схему фильтра Кальмана, генетический алгоритм и нечеткий алгоритм обучения.

Как описано выше, данное изобретение может динамически оценивать СЗ батареи с помощью алгоритма нейронной сети и алгоритм обучения. В частности, СЗ батареи может быть точно оценено даже при различных внешних условиях, в том числе при различных температурах и расходах емкости. Данное изобретение эффективно в применении в области гибридных электрических транспортных средств, в которых СЗ батареи должно оцениваться точно.

Предшествующие варианты воплощения являются лишь иллюстративными и не должны рассматриваться как ограничение данного изобретения. Данные идеи могут быть с легкостью применены к другим типам устройств. Подразумевается, что описание данного изобретения является иллюстративным и не ограничивает объем формулы изобретения. Для специалистов в области техники будут очевидны многие альтернативы модификации и разновидности.

1. Устройство для оценки состояния заряда (СЗ) батареи, содержащее воспринимающую секцию для измерения силы тока, напряжения и температуры на элементе батареи; нейронную сеть, выполняющую алгоритм нейронной сети для вычисления СЗ батареи посредством обработки данных силы тока, напряжения и температуры, переданных ей из воспринимающей секции, и данных о моменте времени, когда были измерены сила тока, напряжение и температура, согласно функции, имеющей заранее определенный весовой коэффициент, при этом заранее определенный весовой коэффициент обновляется посредством обучающего алгоритма, что вынуждает вычисленное СЗ батареи в результате обучения отслеживать заранее определенное целевое значение; компаратор для сравнения выходного значения нейронной сети с упомянутым заранее определенным целевым значением и побуждения нейронной сети выполнять алгоритм обучения, если разность между вычисленным значением СЗ батареи и заранее определенным целевым значением находится вне заранее определенного допуска.

2. Устройство по п.1, в котором заранее определенное целевое значение является опорным значением, полученным посредством выполнения эксперимента при определенных условиях.

3. Устройство по п.2, в котором опорное значение получено на основе значения вычитания данных ампер-часов зарядного/разрядного устройства из номинальной емкости батареи или значения напряжения разомкнутой цепи батареи, соответственно, или математической компенсации друг друга.

4. Устройство по п.1, в котором нейронная сеть включает в себя алгоритм динамической вейвлет-нейронной сети или алгоритм статической вейвлет-нейронной сети.

5. Устройство по п.4, в котором нейронная сеть включает в себя алгоритм динамической многомерной вейвлет-нейронной сети.

6. Устройство по п.1, в котором алгоритм обучения включает в себя алгоритм обучения с обратным распространением, схему фильтра Кальмана, генетический алгоритм или нечеткий алгоритм обучения.

7. Способ для оценки состояния заряда (СЗ) батареи с использованием нейронной сети, способ содержит следующие этапы:

выполнение алгоритма обучения нейронной сети, включающего измерение силы тока, напряжения и температуры батареи;

вычисление СЗ батареи в соответствии с алгоритмом нейронной сети, определенным функцией с заранее определенным весовым коэффициентом, посредством обработки данных измерения силы тока, напряжения и температуры и данных о моменте времени, когда измеряются сила тока, напряжение и температура,

сравнение посредством компаратора вычисленного СЗ батареи с заранее определенным целевым значением и побуждение выполнения алгоритма обучения нейронной сети, при котором происходит обновление весового коэффициента так, что вычисленное СЗ батареи вынуждено изменяться в результате обучения, чтобы отслеживать заранее определенное целевое значение, если разность между вычисленным СЗ батареи и упомянутым целевым значением находится вне заранее определенного допуска, и

вывод СЗ батареи, полученного с помощью окончательного алгоритма оценки, полученного на этапе выполнения алгоритма обучения нейронной сети на основе данных силы тока, напряжения и температуры, измеренных на батарее, и данных текущего времени.

8. Способ по п.7, в котором заранее определенное целевое значение является опорным значением, полученным посредством выполнения эксперимента при определенных условиях.

9. Способ по п.8, в котором опорное значение получено на основе значения вычитания данных ампер-часов зарядного/разрядного устройства из номинальной емкости батареи или значения напряжения разомкнутой цепи батареи, соответственно, или математической компенсации друг друга.

10. Способ по п.7, в котором нейронная сеть включает в себя алгоритм динамической вейвлет-нейронной сети или алгоритм статической вейвлет-нейронной сети.

11. Способ по п.10, в котором вейвлет-нейронная сеть включает в себя алгоритм динамической многомерной вейвлет-нейронной сети.

12. Способ по п.7, в котором алгоритм обучения включает в себя алгоритм обучения с обратным распространением, схему фильтра Кальмана, генетический алгоритм или нечеткий алгоритм обучения.