CN104049213A - 使用离散小波变换预测电池包的状态的方法和设备 - Google Patents

Abstract

本发明提供了一种使用离散小波变换预测电池包的健康状态的方法和设备。提供了一种预测电池包的状态的方法。所述方法包括如下步骤：获得对于所述电池包的多个选择的单元中的每一个单元的单元电压数据；对单元电压苏护具进行小波变换，以获得低频分量电压数据和高频分量电压数据；计算获得的单元电压数据、低频分量电压数据和高平分量电压数据的至少两项的各个标准偏差；基于计算的标准偏差预测电池包的健康状态SOH；基于低频分量电压数据预测电池包的电荷状态SOC。

Description

使用离散小波变换预测电池包的状态的方法和设备

本申请要求于2013年3月12日提交到美国专利和商标局的第61/778,146号美国临时专利申请的优先权和利益，该申请的全部内容通过参照合并于此。

技术领域

本发明的一个或多个实施例的各方面涉及一种用于预测电池包的状态的设备，更具体地讲，涉及使用离散小波变换来预测电池包的健康状态和电荷状态的设备。

背景技术

随着诸如环境破坏、资源枯竭等严重问题的增加，对于能够存储能量并有效利用所存储的能量的系统的兴趣在增加。另外，对于不产生污染而能够产生能量的新可再生能源的兴趣也在增加。已经积极研究和开发了作为将现有系统与电力产生系统和电池系统链接到一起的系统的能量存储系统以迎合现代环境改变，其中，能量产生系统用于产生可再生能量，电池系统用于存储电能。

在能量存储系统中，电池系统存储由能量产生系统产生的新可再生能量和从现有系统提供的电能，并将所存储的电能提供给负载或现有系统。在电池系统中，估计电池的剩余容量是重要的功能。准确计算电池的剩余容量以控制电池的充电和放电，以使能量存储系统有效操作。

关于电池的剩余容量，电阻和电容根据使用环境或使用的时间段而劣化。这导致可用容量的减小或电阻的增加。然后，这导致在与电池的初始制造阶段相比时电池的健康状态(SOH)(即，性能)的降低。由于电池的SOH的降低，因此在与电池的初始制造阶段相比时，对电池的剩余容量的估计是不准确的。

当对电池的剩余容量的估计不准确时，能量存储系统的操作效率降低，可能出现危险状态。例如，当尽管实际剩余容量是80%，但计算的剩余容量是30%时，车辆控制器可确定充电是必需的，从而对电池进行过充电。相反，当尽管实际剩余容量是30%，但计算的剩余容量是80%时，电池可被过放电。这种电池的过充电或过放电可导致电池的起火或爆炸。因此，为了针对电池系统的有效操作和危险防范，应准确地估计电池的SOH。

存在各种SOH估计方法。第一种方法是通过对于电池的完全充电和完全放电来直接测量剩余容量。当如此确定电池的SOH时，第一种方法不是有效的，这是因为作为这种方法的一部分的电池的完全充电和完全放电。

SOH估计的第二种方法是，将预定频率的硬件负载直接连接到电池，然后测量负载的阻抗。因为诸如该方法的电路构成部分的开销、误差、耐久性、传感器的成本等因素，第二种方法也不是有效的。

第三种方法是，获取预定时间段的电流数据和电压数据，并从获取的数据确定间接阻抗和剩余容量。但是，因为固有的非线性和干扰，第三种方法具有低准确度且非常复杂。另外，当随着电池老化而电阻分量的大小增加时，剩余容量与电阻分量之间的相关性不是永远存在的。

因此，若可基于诸如电池包电压的可容易获得的数据准确地预测电池的SOH会是有益的。

另外，传统的电池管理系统（BMS）已使用通过电流积分来估计电荷状态（SOC）的方法，以确定电池单元或包的SOC。传统的BMS还使用预先确定SOC与各种因素（诸如，开路电压（OCV）或放电电压、内阻、温度、放电电流等）之间的关系，检测至少两个因素并检测与检测到的因素对应的SOC的方法。

在使用电流积分的SOC估计方法中，发生初始值不准确，测量误差累积且输入电流不能全部转换为电能的问题，这降低了精度。即使确定了SOC与OCV等之间的关系，但是由于电池特性的不同，所以存在对于每一个电池需要通过复杂的实验实验性地计算SOC与OCV之间的关系且计算的值仍不是准确的问题。

为了克服这些缺点，提出了作为同时使用上述两种方法的方法的，使用电池的等效电路模型的基于扩展卡尔曼滤波器（KLF）的估计SOC的自适应方法。通过状态等式获得与估计的SOC相关的信息，获得的信息被应用于测量等式，将根据SOC与OCV之间的关系产生的估计电压与实际电压进行比较。在这点上，在充电和放电电流属性具有瞬间高电流或快速动态的情况下，由于在等效电路模型中发送误差，因此上述基于等效电路模型的SOC的估计是不准确的。

在这种自适应方法中，可通过增加系统的内部状态来解决上述缺点且增加估计性能，但是算法变得复杂且成本增加。为了解决这些问题，虽然通过将系统的内部状态减少到最小并将噪声模型添加到算法来印制SOC估计性能的劣化，但是因噪声模型的添加而增加算法复杂度，且成本仍是个问题。因此，需要保持算法的估计性能并减少成本的同时简化算法。

发明内容

在本发明的第一实施例中，提供了一种预测电池包的状态的方法。所述方法包括如下步骤：获得对于所述电池包的多个选择的单元中的每一个单元的单元电压数据；对所获得的单元电压数据进行小波变换，以获得低频分量电压数据和高频分量电压数据；计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的至少两项的各个标准偏差；基于计算的标准偏差预测电池包的健康状态（SOH），并基于低频分量电压数据预测电池包的电荷状态（SOC）。

在一实施例中，获得单元电压数据的步骤包括：使用单元电压检测单元检测一段时间的选择的单元的单元电压，以产生模拟电压值；将模拟电压值转换为数字电压值，以产生单元电压数据。

在一实施例中，单元电压检测单元包括用于存储选择的单元的单元电压数据的存储器。

在一实施例中，所述方法还包括步骤：执行以下计算中的与计算各个标准偏差的步骤对应的计算：从单元电压数据的计算的标准偏差计算单元电压SOH分量；从低频分量电压数据的计算的标准偏差计算低频SOH分量；从高频分量电压数据的计算的标准偏差计算高频SOH分量。

在一实施例中，预测SOH的步骤包括：计算所计算的SOH分量的加权平均。

在一实施例中，计算各个标准偏差的步骤包括：计算以下项中的至少两项的各个标准偏差：对于选择的单元中的每一个单元的单元电压数据；对于选择的单元中的每一个单元的低频分量电压数据；对于选择的单元中的每一个单元的高频分量电压数据。

在一实施例中，计算各个标准偏差的步骤还包括：计算以下项中的对应的至少两项的标准偏差：对于选择的单元中的每一个单元的单元电压数据的计算的标准偏差；对于选择的单元中的每一个单元的低频分量电压数据的计算的标准偏差；对于选择的单元中的每一个单元的高频分量电压数据的计算的标准偏差。

在一实施例中，计算各个标准偏差的步骤包括：使用与初始时间段对应的单元电压数据计算各个标准偏差，以产生初始计算的标准偏差；使用与感兴趣时间段对应的单元电压数据计算各个标准偏差，以产生感兴趣的计算的标准偏差。

在一实施例中，初始时间段包括当电池包初始启用时的时间段，所述方法还包括步骤：将产生的初始计算的标准偏差存储在非暂时性存储装置中。

在一实施例中，所述方法还包括步骤：执行以下计算中的与计算各个标准偏差的步骤对应的计算：从单元电压数据的初始计算的标准偏差和感兴趣的计算的标准偏差，计算单元电压SOH分量；从低频分量电压数据的初始计算的标准偏差和感兴趣的计算的标准偏差，计算低频SOH分量；从高频分量电压数据的初始计算的标准偏差和感兴趣的计算的标准偏差，计算高频SOH分量。

在一实施例中，预测SOH的步骤包括：计算所计算的SOH分量的加权平均。

在一实施例中，计算单元电压SOH分量的步骤还包括：从单元电压系数计算单元电压SOH分量；计算低频SOH分量的步骤还包括：从低频系数计算低频SOH分量；计算高频SOH分量的步骤还包括：从高频系数计算高频SOH分量。

在一实施例中，从与所述电池包可比较的多个电池包的经验数据计算单元电压系数、低频系数和高频系数。

在一实施例中，对单元电压数据进行小波变换的步骤包括：将单元电压数据转换为第一层低频分量电压数据和第一层高频分量电压数据；将第一层低频分量电压数据转换为第二层低频分量电压数据和第二层高频分量电压数据；将第二层低频分量电压数据转换为第三层低频分量电压数据和第三层高频分量电压数据。

在一实施例中，对单元电压数据进行小波变换的步骤包括：对于选择的单元中的每一个单元的单元电压数据执行离散小波变换的多分辨率分析。

在一实施例中，执行多分辨率分析的步骤包括：将多分辨率分析执行至第j层，其中，j是大于2的自然数，低频分量电压数据是第j层的低频分量电压数据，高频分量电压数据是第j层的高频分量电压数据。

在一实施例中，第j层的低频分量电压数据对应于包括小于第一频率的频率的第一频带，第j层的高频分量电压数据对应于包括高于第一频率且小于两倍的第一频率的频率的第二频带。

在一实施例中，预测电池包的SOC的步骤包括：基于低频分量电压数据估计选择的单元的SOC，并基于选择的单元的估计的单元SOC预测电池包的SOC。

单元电压数据包括充电电压数据和放电电压数据中的至少一个。

在本发明的另一实施例中，提供了一种用于预测电池包的状态（SOH）的设备。所述设备包括：处理器；非暂时性存储装置，其中，所述存储装置具有存储在其上的指令，其中，所述指令在通过所述处理器执行时使所述处理器执行以上描述的第一实施例的方法。

在本发明的另一实施例中，提供了一种电池状态预测设备，所述电池状态预测设备被构造为预测连接到所述电池状态预测设备的电池包的健康状态（SOH）和电荷状态（SOC）。所述电池状态预测设备包括：电压检测单元，被构造为产生随时间段收集的所述电池包的多个单元中的每一个单元的单元电压数据；离散小波变换（DWT）单元，被构造为通过对所述单元电压数据执行DWT的多分辨率分析，来提取低频分量电压数据和高频分量电压数据；第一统计处理单元，被构造为产生单元电压数据的各个一阶标准偏差；第二统计处理单元，被构造为从产生的一阶标准偏差产生各个二阶标准偏差；SOH预测单元，被构造为从产生的二阶标准偏差预测电池包的SOH；SOC估计单元，被构造为基于低频分量电压数据估计多个单元的各个单元SOC；以及，SOC预测单元，被构造为基于估计的单元SOC预测电池包的SOC。

附图说明

通过参照附图详细描述本发明的实施例，本发明的上述和其它特征和方面将变得更加清楚，附图中：

图1是根据本发明的实施例的电池状态预测设备的示意性框图；

图2示出缩放函数(scale function)和小波函数；

图3是用于描述在滤波方面的离散小波变换的示意性框图；

图4示出低通滤波器和高通滤波器的系数；

图5是用于描述通过执行离散小波变换多分辨率分析而分解电压数据的处理的框图；

图6示出下采样；

图7示出第n层的大致电压数据的频带和第一至第n层的详细电压数据的频带；

图8A是电池包所包括的多个电池单元中的任意一个电池单元的单元电压数据V(x)的曲线图；

图8B示出通过对图8A的单元电压数据V(x)执行离散小波变换多分辨率分析而从单元电压数据V(x)提取的第一层的低频分量数据A1(x)至第五层的低频分量数据A5(x)的曲线图；

图8C示出通过对图8A的单元电压数据V(x)执行离散小波变换多分辨率分析而从单元电压数据V(x)提取的第一层的高频分量数据D1(x)至第五层的高频分量数据D5(x)的曲线图；

图9A是电池包所包括的14个电池单元的单元电压数据V的曲线图；

图9B是通过对图9A的每一个单元电压数据V执行离散小波变换多分辨率分析而提取的第五层的低频分量数据A5的曲线图；

图9C是通过对图9A的每一个单元电压数据V执行离散小波变换多分辨率分析而提取的第五层的高频分量数据D5的曲线图；

图10A至图10I是示出第二电池包P2至第十电池包P10所包括的14个电池单元的单元电压数据V的曲线图、示出第五层的低频分量数据A5的曲线图以及示出第五层的高频分量数据D5的曲线图。

图11A至图11B是根据本发明的实施例的验证SOC估计的精度的曲线图。

具体实施方式

以下，通过参照附图解释本发明的实施例来详细描述本发明。但是，本发明可以以各种不同形式实现，且不应被理解为受限于在此阐述的实施例；而是提供这些实施例以将如由权利要求及其等同物所限定的本发明的构思更加充分地传递给本领域的普通技术人员。

本申请中使用的术语用于描述特定实施例，而不意图限制本发明构思。单数形式的表述包括复数形式的表述，除非在上下文中相互明确不同。在本申请中，应该理解，使用诸如“包括”和“具有”的术语以表示实施的特征、数字、步骤、操作、元件、部分或它们的组合的存在性，而不预先排除存在或附加一个或多个其它特征、数字、步骤、操作、元件、部分或它们的组合的可能性。虽然，诸如“第一”和“第二”的术语可被用于描述各种元件，但是这些元件不受这些术语所限制。这些术语可用于将特定元件与另一元件相区分，而不是必要地暗示这些元件之间的顺序。

现在将进行实施例的详细描述，上述实施例的示例被示出在附图中，其中，相同标号始终指示相同或相应元件，因此将省略它们的重复描述。在这点上，描述的实施例可具有不同形式，且不应被解释为受限于在此阐述的描述。因此，下面参照附图仅描述实施例，以解释本发明的各方面。如在此使用的，术语“和/或”包括一个或多个相关所列项目的任意和所有组合。

图1是根据本发明的实施例的电池包P1的电池状态预测设备10的示意性框图。

参照图1，电池状态预测设备10连接到电池包P1，并包括电压检测单元110、离散小波变换(DWT)单元120、第一统计处理单元130、第二统计处理单元140、初始值存储单元150、系数存储单元160、SOH预测单元170、SOC估计单元180和SOC预测单元190。

电池包P1包括能够从外部接收电能、存储电能并将存储的电能提供至外部的多个电池单元。在一实施例中，电池包P1中的电池单元相互串联连接，而在另一实施例中，电池包P1中的电池单元相互并联连接。在另一实施例中，电池包P1中的电池单元以串联连接和并联连接的组合相互连接。

在一实施例中，电池包P1包括在电池系统中。在一实施例中，电池系统包括电池包P1、用于保护电池包P1的保护电路和用于控制保护电路保护电池包P1的电池管理系统(BMS)。例如，在一实施例中，在过电流流动或过放电的情况下，BMS开启保护电路的开关，以断开电池包P1的端子。在一实施例中，BMS通过监控电池包P1中的电池单元的状态(例如，温度、电压、电流等)，来收集各种类型的数据(诸如，电压数据、电流数据和温度数据)。在一实施例中，BMS根据收集的数据和内部算法执行电池单元的单元平衡操作。在一实施例中，电池状态预测设备10包括在BMS中。

在一实施例中，包括电池包P1的电池系统是用于通过将电力产生系统链接到电网系统来将电力稳定地提供给负载的能量存储系统的一部分。在一实施例中，能量存储系统将由电力产生系统产生的电能存储在电池中。在一实施例中，能量存储系统将产生的电能提供给电网系统。在一实施例中，能量存储系统将存储的电能提供给电网系统。在一实施例中，能量存储系统将从电网系统提供的电能存储在电池中。另外，在一实施例中，能量存储系统将由电力产生系统产生的电能或存储在电池中的电能提供给负载。为此，在一些实施例中，能量存储系统包括电力转换系统(PCS)、电池系统、第一开关和第二开关。

在一些实施例中，PCS包括电力转换装置(诸如，逆变器、转换器、整流器等)和通用控制器，以将从电力产生系统、电网系统和电池系统提供的电能转换为适当形式的电能并将转换的电能提供至所需的位置。在一实施例中，通用控制器监控电力产生系统、电网系统、电池系统和负载的状态，并根据算法或操作者的命令而控制第一开关、第二开关、电池系统和电力转换装置。在一实施例中，电池状态预测设备10包括在能量存储系统的通用控制器中。

虽然仅一个电池包P1被示出在图1中，但是在其它各个实施例中，电池包P1以串联、并联或以一个或多个串联连接和一个或多个并联连接的组合连接到其它电池包，以存储或提供更高电压或更大容量的电能。

在图1中，电压检测单元110通过从电池包P1的第一电池单元至第n电池单元中的每一个电池单元接收第一单元电压至第n单元电压v₁、v₂、v₃、…v_n并对接收的第一单元电压至第n单元电压v₁、v₂、v₃、…v_n进行数字化，来产生第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…V_n。更详细地，第一单元电压数据V₁通过对第一电池单元的第一单元电压v₁进行数字化而被产生，第二单元电压数据V₂通过对第二电池单元的第二单元电压v₂进行数字化而被产生。继续以这种方式，第n单元电压数据V_n通过对第n电池单元的第n单元电压v_n进行数字化而被产生。

在一实施例中，第一单元电压至第n单元电压v₁、v₂、v₃、…v_n是电池包P1所包括的所有电池单元的单元电压。在另一实施例中，第一单元电压至第n单元电压v₁、v₂、v₃、…v_n是从电池包P1所包括的所有电池单元中选择的n个电池单元的单元电压。第一单元电压至第n单元电压v₁、v₂、v₃、…v_n具有随时间t变化的模拟值，其中，t是时间间隔。在一实施例中，相同的电流属性被应用于电池包P1所包括的电池单元。

第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…V_n具有通过随时间(的间隔)t分别对第一单元电压至第n单元电压v₁、v₂、v₃、…v_n进行数字化而产生的数字值，且根据离散时间x而被限定。离散时间x对应于时间(的间隔)t。在一实施例中，电压检测单元110包括用于将第一模拟单元电压至第n模拟单元电压v₁、v₂、v₃、…v_n转换为第一数字单元电压数据至第n数字单元电压数据V₁、V₂、V₃、…V_n的多个模数转换器(ADC)。

在一实施例中，电压检测单元110存储用于预测电池包P1的SOH的第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…V_n。为此，在一实施例中，电压检测单元110还包括存储器装置。

在各个实施例中，用于预测电池包P1的SOH的第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…V_n是从例如几分钟至几十小时中选择的持续时间内的第一单元电压至第n单元电压v₁、v₂、v₃、…v_n的数据。例如，在一实施例中，电压检测单元110产生通过对24小时内的第一模拟单元电压至第n模拟单元电压v₁、v₂、v₃、…v_n进行数字化而获得的第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…V_n。数据收集时间段仅是示例性的，且在其它各个实施例中可以是比24小时更短的时间(诸如，1小时)或更长的时间(诸如，48小时)。

另外，在各个实施例中，电压检测单元110的采样率被设置在每分钟1至600采样之间。然而，这些采样率不限制本发明。在其它各个实施例中，采样率小于每分钟1采样或大于每分钟600采样。在一实施例中，电压检测单元110将对于设置的或预定的时间收集的第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…V_n提供给DWT单元120。

在图1中，DWT单元120通过对从电压检测单元110提供的第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…、V_n执行离散小波变换多分辨率分析，来产生第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn和第j层的第一高频分量数据至第n高频分量数据D_j1、D_j2、D_j3、…、D_jn。在当前实施例中，假设离散小波变换的多分辨率分析被执行至第j层，其中，j是大于2的自然数。第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn和第j层的第一高频分量数据至第n高频分量数据D_j1、D_j2、D_j3、…、D_jn也具有根据(离散)时间x限定的数字值。

虽然在当前实施例中描述了提取最终层(即，第j层)的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn和第一高频分量数据至第n高频分量数据D_j1、D_j2、D_j3、…、D_jn，但是在其它各个实施例中，可由DWT单元120提取中间层(即，第k层)而非最终层的第一低频分量数据至第n低频分量数据A_k1、A_k2、A_k3、…、A_kn和第一高频分量数据至第n高频分量数据D_k1、D_k2、D_k3、…、D_kn，其中，k是大于1且小于j的自然数。

在一实施例中，DWT单元120通过对第一单元电压数据V₁执行离散小波变换的多分辨率分析，来提取第j层的第一低频分量数据A_j1和第j层的第一高频分量数据D_j1。另外，DWT单元120通过对第二单元电压数据V₂执行离散小波变换多分辨率分析，来提取第j层的第二低频分量数据A_j2和第j层的第二高频分量数据D_j2。继续以这种方式，DWT单元120通过对第n单元电压数据V_n执行离散小波变换的多分辨率分析，来提取第j层的第n低频分量数据A_jn和第j层的第n高频分量数据D_jn。将在下面参照图2至图7更加详细地描述离散小波变换。SOC估计单元180从DWT单元120接收第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn，并基于第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn产生第一单元SOC至第n单元SOC SOC1、SOC2、SOC3、…、SOCn。SOC预测单元190根据电池包P1中的多个电池单元的连接关系，基于第一单元SOC至第n单元SOC SOC1、SOC2、SOC3、…、SOCn产生电池包P1的SOC。

SOC估计单元180可基于扩展卡尔曼滤波器（EKF）估计多个电池单元中的每一个电池单元的第一单元SOC至第n单元SOC SOC1、SOC2、SOC3、…、SOCn。电池端电压和输入电流对于基于EKF估计SOC是必需的。需要通过使用电池的等效电路模型的参数来确定开路电压(OCV)以及OCV和SOC关系。根据本实例，由DWT单元120提取的第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn（而不是电池单元的端电压的电压数据）被提供给SOC估计单元180。除第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn之外，诸如电流数据的数据可输入到SOC估计单元180。此外，OCV计算等式和根据电池的等效电路模型的OCV和OSC关系可建立在SOC估计单元180中。但是，应用于SOC估计单元180的等效电路模型可不包括噪声模型。

在多个电池单元在电池包P1中并联连接到情况下，SOC预测单元190可将电池包P1的SOC预测为第一单元SOC至第n单元SOC SOC1、SOC2、SOC3、…、SOCn的算术平均值。在多个电池单元在电池包P1中串联连接到情况下，SOC预测单元190可将电池包P1的SOC预测为第一单元SOC至第n单元SOC SOC1、SOC2、SOC3、…、SOCn的最小值。本发明不限于示例方式，且SOC预测单元190可基于第一单元SOC至第n单元SOC SOC1、SOC2、SOC3、…、SOCn使用另一方式或计算等式，来预测电池包P1的SOC。

在图1中，第一统计处理单元130通过接收第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…、V_n、第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn和第j层的第一高频分量数据至第n高频分量数据D_j1、D_j2、D_j3、…、D_jn并计算针对它们中的每一个的(一阶)标准偏差，来产生第一单元电压标准偏差至第n单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V_n)、第一低频分量标准偏差至第n低频分量标准偏差σ(A_j1)、σ(A_j2)、σ(A_j3)、…、σ(A_jn)和第一高频分量标准偏差至第n高频分量标准偏差σ(D_j1)、σ(D_j2)、σ(D_j3)、…、σ(D_jn)。

在一实施例中，第一统计处理单元130通过计算对于设置的或预定的时间段或时间间隔内的第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…、V_n中的每一个的标准偏差，来产生第一单元电压标准偏差至第n单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V_n)。例如，在一实施例中，第一单元电压标准偏差σ(V₁)具有第一单元电压数据V₁的标准偏差值，其中，第一单元电压数据V₁具有随着时间(的间隔)t变化的数字值。另外，第二单元电压标准偏差σ(V₂)具有第二单元电压数据V₂的标准偏差值，其中，第二单元电压数据V₂具有随着时间(的间隔)t变化的数字值。继续以这种方式，第n单元电压标准偏差σ(V_n)具有第n单元电压数据V_n的标准偏差值，其中，第n单元电压数据V_n具有随着时间(的间隔)t变化的数字值。

小值的第k单元电压标准偏差σ(V_k)表示设置的或预定的时间段内的第k电池单元的第k单元电压v_k的变化小，大值的第k单元电压标准偏差σ(V_k)表示设置的或预定的时间段内的第k电池单元的第k单元电压v_k的变化大。这里，第k电池单元表示电池包P1中的任意电池单元。

另外，在一实施例中，由于相同的电流属性被应用于第一电池单元和第k电池单元，因此当第k单元电压标准偏差σ(V_k)大于第一单元电压标准偏差σ(V₁)时，这表示第k电池单元的内阻大于第一电池单元的内阻。这里，第一电池单元表示电池包P1中的电池单元中的除第k电池单元之外的任意电池单元。

在一实施例中，第一统计处理单元130通过计算对于设置的或预定的时间段内的第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…A_jn中的每一个的标准偏差，来产生第一低频分量标准偏差至第n低频分量标准偏差σ(A_j1)、σ(A_j2)、σ(A_j3)、…、σ(A_jn)。例如，在一实施例中，第一低频分量标准偏差σ(A_j1)具有第一电池单元的第j层的第一低频分量数据A_j1的标准偏差值，其中，第一低频分量数据A_j1具有随着时间(的间隔)t变化的数字值。另外，第二低频分量标准偏差σ(A_j2)具有第二电池单元的第j层的第二低频分量数据A_j2的标准偏差值，其中，第二低频分量数据A_j2具有随着时间(的间隔)t变化的数字值。继续以这种方式，第n低频分量标准偏差σ(A_jn)具有第n电池单元的第j层的第n低频分量数据A_jn的标准偏差值，其中，第n低频分量数据A_jn具有随着时间(的间隔)t变化的数字值。

小值的第k低频分量标准偏差σ(A_jk)表示对于设置的或预定的时间段内的第k电池单元的第k单元电压v_k的第一频带中的分量的变化小，而大值的第k低频分量标准偏差σ(A_jk)表示对于设置的或预定的时间段内的第k电池单元的第k单元电压v_k的第一频带中的分量的变化大。这里，第k电池单元表示电池包P1中的任意电池单元。第k电池单元的第k单元电压v_k的第一频带中的分量对应于从第k电池单元的第k单元电压数据V_k提取的第j层的第k低频分量数据A_jk，并且可以通过从第k电池单元的第k单元电压v_k去除高频分量噪声(例如，如将在下面进一步详细描述的通过应用离散小波变换)而获得。

在一实施例中，第一统计处理单元130通过计算对于设置的或预定的时间段内的第j层的第一高频分量数据至第n高频分量数据D_j1、D_j2、D_j3、…、D_jn中的每一个的标准偏差，来产生第一高频分量标准偏差至第n高频分量标准偏差σ(D_j1)、σ(D_j2)、σ(D_j3)、…、σ(D_jn)。第k高频分量标准偏差σ(D_jk)具有第k电池单元的第j层的第k高频分量数据D_jk的标准偏差，其中，第k高频分量数据D_jk具有随着时间(的间隔)t变化的数字值。这里，第k电池单元表示电池包P1中的任意电池单元。

小值的第k高频分量标准偏差σ(D_jk)表示对于设置的或预定的时间段内的第k电池单元的第k单元电压v_k的第二频带中的分量的变化小，而大值的第k高频分量标准偏差σ(D_jk)表示对于设置的或预定的时间段内的第k电池单元的第k单元电压v_k的第二频带中的分量的变化大。第k电池单元的第k单元电压v_k的第二频带中的分量对应于从第k电池单元的第k单元电压数据V_k提取的第j层的第k高频分量数据D_jk。例如，在一实施例中，第一频带表示低于任意频率f_s的频带，而第二频带表示高于所述任意频率f_s且低于二倍的所述任意频率f_s的频带。

另外，在一实施例中，当第k高频分量标准偏差σ(D_jk)大于第一高频分量标准偏差σ(D_j1)时，这表示第二频带中的第k电池单元的内阻大于第二频带中的第一电池单元的内阻。即，即使相同的电流属性被应用于第k电池单元和第一电池单元，第二频带中的第k电池单元的电压响应或变化也大于第二频带中的第一电池单元的电压响应或变化。

在图1中，第二统计处理单元140通过接收第一单元电压标准偏差至第n单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V_n)、第一低频分量标准偏差至第n低频分量标准偏差σ(A_j1)、σ(A_j2)、σ(A_j3)、…、σ(A_jn)和第一高频分量标准偏差至第n高频分量标准偏差σ(D_j1)、σ(D_j2)、σ(D_j3)、…、σ(D_jn)并对它们执行各自的(二阶)标准偏差计算，来产生单元电压标准偏差的标准偏差σ(σ_V)、低频分量标准偏差的标准偏差σ(σ_Aj)和高频分量标准偏差的标准偏差σ(σ_Dj)。

在一实施例中，第二统计处理单元140通过计算由第一统计处理单元130产生的第一单元电压标准偏差至第n单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V_n)的标准偏差，来产生单元电压标准偏差的标准偏差σ(σ_V)。小值的单元电压标准偏差的标准偏差σ(σ_V)表示对于设置的或预定的时间段内的电池包P1中的电池单元的电压变化之间的差异小，即，电池包P1中的电池单元之间的电压变化平衡被保持。例如，在一实施例中，当电池包P1从充电状态改变至放电状态时，小值的单元电压标准偏差的标准偏差σ(σ_V)表示电池包P1中的电池单元的电压以恒定或接近恒定电势变化。

相反，大值的单元电压标准偏差的标准偏差σ(σ_V)表示对于设置的或预定的时间段内的电池包P1中的电池单元的电压变化之间的差异大，即，电池包P1中的电池单元之间的电压变化不平衡大。例如，在一实施例中，当电池包P1从充电状态改变至放电状态时，大值的单元电压标准偏差的标准偏差σ(σ_V)表示电池包P1中的电池单元的电压不同地变化，例如，当设置的或预定的电流属性文件被应用时，第一电池单元的单元电压降低0.5V，而第二电池单元的单元电压降低0.1V。

在一实施例中，第二统计处理单元140通过计算由第一统计处理单元130产生的第一低频分量标准偏差至第n低频分量标准偏差σ(A_j1)、σ(A_j2)、σ(A_j3)、…、σ(A_jn)的标准偏差，来产生低频分量标准偏差的标准偏差σ(σ_Aj)。另外，第二统计处理单元140通过计算由第一统计处理单元130产生的第一高频分量标准偏差至第n高频分量标准偏差σ(D_j1)、σ(D_j2)、σ(D_j3)、…、σ(D_jn)的标准偏差，来产生高频分量标准偏差的标准偏差σ(σ_Dj)。在图1中，第二统计处理单元140将单元电压标准偏差的标准偏差σ(σ_V)、低频分量标准偏差的标准偏差σ(σ_Aj)和高频分量标准偏差的标准偏差σ(σ_Dj)提供给SOH预测单元170。

另外，第二统计处理单元140在电池包P1初始地作用时的初始时间期间基于从第一统计处理单元130接收的第一单元电压标准偏差至第n单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V_n)、第一低频分量标准偏差至第n低频分量标准偏差σ(A_j1)、σ(A_j2)、σ(A_j3)、…、σ(A_jn)和第一高频分量标准偏差至第n高频分量标准偏差σ(D_j1)、σ(D_j2)、σ(D_j3)、…、σ(D_jn)，来产生初始单元电压标准偏差的标准偏差σ₀(σ_V)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和初始高频分量标准偏差的标准偏差σ₀(σ_Dj)。在图1中，第二统计处理单元140将在初始时间期间产生的初始单元电压标准偏差的标准偏差σ₀(σ_V)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和初始高频分量标准偏差的标准偏差σ₀(σ_Dj)提供给初始值存储单元150。

在一实施例中，初始值存储单元150存储初始单元电压标准偏差的标准偏差σ₀(σ_V)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和初始高频分量标准偏差的标准偏差σ₀(σ_Dj)，并且初始值存储单元150在初始单元电压标准偏差的标准偏差σ₀(σ_V)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和初始高频分量标准偏差的标准偏差σ₀(σ_Dj)被用于预测电池包P1的SOH时将它们提供给SOH预测单元170

在图1中，系数存储单元160存储SOH预测单元170为了执行SOH预测而使用的系数α、β和γ，并将系数α、β和γ提供给SOH预测单元170以进行电池包P1的SOH预测。系数α用于基于单元电压标准偏差的标准偏差σ(σ_V)预测电池包P1的单元电压基础SOH(SOH_V)。系数β用于基于低频分量标准偏差的标准偏差σ(σ_Aj)预测电池包P1的低频分量基础SOH(SOH_Aj)。系数γ用于基于高频分量标准偏差的标准偏差σ(σ_Dj)预测高频分量基础SOH(SOH_Dj)。

在一实施例中，系数α、β和γ根据电池包P1中的电池单元的电特性和布置结构而变化。在一实施例中，操作者根据电池包P1预先确定系数α、β和γ。在一实施例中，系数α、β和γ由包括电池包P1的整个系统的算法确定。将在下面更加详细地描述通过算法确定系数α、β和γ的处理。

在一实施例中，SOH预测单元170从第二统计处理单元140接收单元电压标准偏差的标准偏差σ(σ_V)、低频分量标准偏差的标准偏差σ(σ_Aj)和高频分量标准偏差的标准偏差σ(σ_Dj)。单元电压标准偏差的标准偏差σ(σ_V)、低频分量标准偏差的标准偏差σ(σ_Aj)和高频分量标准偏差的标准偏差σ(σ_Dj)是基于针对设置的或预定的数据收集时间段收集的单元电压数据而产生的，且被用于预测电池包P1的SOH。另外，在一实施例中，SOH预测单元170从初始值存储单元150接收初始单元电压标准偏差的标准偏差σ₀(σ_V)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和初始高频分量标准偏差的标准偏差σ₀(σ_Dj)，并从系数存储单元160接收系数α、β和γ。

在一实施例中，SOH预测单元170基于单元电压标准偏差的标准偏差σ(σ_V)、初始单元电压标准偏差的标准偏差σ₀(σ_V)和系数α计算单元电压基础SOH(SOH_V)。另外，在一实施例中，SOH预测单元170基于低频分量标准偏差的标准偏差σ(σ_Aj)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和系数β计算低频分量基础SOH(SOH_Aj)。此外，在一实施例中，SOH预测单元170基于高频分量标准偏差的标准偏差σ(σ_Dj)、初始高频分量标准偏差的标准偏差σ₀(σ_Dj)和系数γ计算高频分量基础SOH(SOH_Dj)。

在一实施例中，SOH预测单元170通过基于单元电压基础SOH(SOH_V)、低频分量基础SOH(SOH_Aj)和高频分量基础SOH(SOH_Dj)计算最终SOH(SOH)，来预测电池包P1的SOH。在一实施例中，SOH预测单元170输出SOH(SOH)。在一实施例中，SOH(SOH)被提供给电池系统中的BMS或能量存储系统中的通用控制器。

现在将详细描述根据实施例的通过SOH预测单元170进行的计算。首先，描述离散小波变换(DWT)。小波变换用于通过对循环小波函数的幅度和水平位置进行变换来分解源信号x(t)。连续小波变换（CWT）由下面的等式1定义。

$W^f(a,b)=<x\left(t\right),{\mathrm{\&psi;}}_{a,b}\left(t\right)>=\frac{1}{\sqrt{a}}{\&Integral;}_{-\&infin;}^{\&infin;}x\left(t\right){\mathrm{\&psi;}}^{*}\left(\frac{t-b}{a}\right)\mathrm{dt}---\left(1\right)$

在等式1中，a和b是分别表示缩放(scale)和平移(translation)的参数，ψ(t)表示小波分析函数，ψ*表示复共轭函数。等式1的结果是缩放参数和平移参数的小波系数。

将_a=2^j和b=k2^j导入到等式1中导致由下面的等式2定义的DWT。在等式2中，整数j和k分别是缩放变量和平移变量。

$W^f(j,k)=<x\left(t\right),{\mathrm{\&psi;}}_{j,k}\left(t\right)>=\frac{1}{\sqrt{2^j}}{\&Integral;}_{-\&infin;}^{\&infin;}x\left(t\right){\mathrm{\&psi;}}^{*}\left(\frac{t-k{2}^j}{2^j}\right)\mathrm{dt}---\left(2\right)$

在使用小波的一维信号分解中，使用缩放函数和小波函数ψ。小波函数ψ用于从源信号x(t)获得详细分量D_j，而缩放函数用于从源信号x(t)分解出近似分量A_j。图2示出缩放函数和小波函数ψ。图2所示出的缩放函数和小波函数ψ基于多贝西(Daubechies)3(dB3)小波。

在DWT中，在一实施例中，从源信号x(t)在任意缩放尺度j获得的近似信息x_a ^j(t)和详细信息x_d ^j(t)由下面的等式3表示。

$\begin{array}{c}{x}_a^j\left(t\right)=\underset{k}{\mathrm{\&Sigma;}}{a}_{j,k}{\mathrm{\&phi;}}_k\left(2^{-j}t\right)=\underset{k}{\mathrm{\&Sigma;}}{a}_{j,k}{\mathrm{\&phi;}}_{j,k}\left(t\right),k\&Element;Z\\ x_a^j\left(t\right)=\underset{k}{\mathrm{\&Sigma;}}{d}_{j,k}{\mathrm{\&psi;}}_k\left(2^{-j}t\right)=\underset{k}{\mathrm{\&Sigma;}}{d}_{j,k}{\mathrm{\&psi;}}_{j,k}\left(t\right),k\&Element;Z\end{array}---\left(3\right)$

在等式3中，a_j,k和d_j,k分别表示近似系数(缩放系数)和详细系数(小波系数)。

在一实施例中，使用近似信息x_a ^j(t)和详细信息x_d ^j(t)通过下面的等式4表示源信号x(t)。

$x\left(t\right)=\underset{k}{\mathrm{\&Sigma;}}{a}_{j,k}{2}^{-\frac{j}{2}}\mathrm{\&phi;}(2^{-j}t-k)+\underset{j=1}{\mathrm{\&Sigma;}}\underset{k}{\mathrm{\&Sigma;}}{d}_{j,k}{2}^{-\frac{j}{2}}\mathrm{\&psi;}(2^{-j}t-k)---\left(4\right)$

另外，在一实施例中，分别使用缩放函数和小波函数ψ通过下面的等式5表示a_j,k和d_j,k。

$\begin{array}{c}{a}_{j,k}=<x\left(t\right),{\mathrm{\&phi;}}_{j,k}\left(t\right)>={\&Integral;}_{R}x\left(t\right)2^{-\frac{j}{2}}{\mathrm{\&phi;}}^{*}(2^{-j}t-k)\mathrm{dt}\\ d_{j,k}=<x\left(t\right),{\mathrm{\&psi;}}_{j,k}\left(t\right)>={\&Integral;}_{R}x\left(t\right)2^{-\frac{j}{2}}{\mathrm{\&psi;}}^{*}(2^{-j}t-k)\mathrm{dt}\end{array}---\left(5\right)$

近似信息x_a ^j(t)对应于低频分量的缩放函数详细信息x_d ^j(t)对应于高频分量的小波函数ψ_j,k(t)。在一实施例中，当近似信息x_a ^j(t)和详细信息x_d ^j(t)分别被简化为A和D时，源信号x(t)在源信号x(t)的多分辨率分解被执行至第n层时通过下面的等式6表示。

x(t)=A_n+D₁+D₂+…+D_n-1+D_n   (6)

通过将详细信息D_n添加到近似信息A_n，获得具有高一级分辨率的近似信息A_n-1。即，A_n-1=A_n+D_n。另外，源信号x(t)可通过A₁+D₁表示。

图3是用于描述在滤波方面的离散小波变换DWT的示意性框图。

在图3的DWT中，数据x(n)被分解为对应于低频分量的近似信息A和对应于高频分量的详细信息D。在图3中，低通滤波器(LPF)用于从数据x(n)提取近似信息A。另外，高通滤波器(HPF)用于从数据x(n)提取详细信息D。在一实施例中，LPF和HPF不是物理上地或由电路实现的实际滤波器，而是通过数据处理代替实现的。

图4示出LPF和HPF的系数。

例如，如图4所示，LPF的系数是{0.0352，-0.0854，-0.1350，0.4599，0.8069，0.3327}，而HPF的系数是{-0.3327，0.8069，-0.4599，-0.1350，0.0854，0.0352}。

图5是用于描述通过DWT的多分辨率分析来分解电压数据V(x)的处理的框图。虽然图5中示出DWT被重复执行五次，但是DWT的重复次数不限于此。即，在各个其它实施例中，DWT仅被执行一次或被执行多于五次。如上所述，在一实施例中，使用LPF和HPF执行DWT。

在图5中，电压数据V(x)被分解为第一层的近似电压数据A₁(x)和第一层的详细电压数据D₁(x)。在一实施例中，使用LPF提取第一层的近似电压数据A₁(x)，而使用HPF提取第一层的详细电压数据D₁(x)。

继续在图5中，第一层的近似电压数据A₁(x)通过第二DWT和下采样被分解为第二层的近似电压数据A₂(x)和第二层的详细电压数据D₂(x)。相似地，在图5中，第二层的近似电压数据A₂(x)通过第三DWT和下采样被分解为第三层的近似电压数据A₃(x)和第三层的详细电压数据D₃(x)。此外，在图5中，第三层的近似电压数据A₃(x)通过第四DWT和下采样被分解为第四层的近似电压数据A₄(x)和第四层的详细电压数据D₄(x)。

继续在图5中，第四层的近似电压数据A₄(x)通过第五DWT和下采样被分解为第五层的近似电压数据A₅(x)和第五层的详细电压数据D₅(x)。

在一实施例中，通过对于第一电池单元至第n电池单元的第一单元电压数据至第n单元电压数据V₁、V₂、V₃、…、V_n中的每一个执行离散小波变换多分辨率分析而提取的第五层的近似电压数据A₅(x)和第五层的详细电压数据D₅(x)作为第j层的第一低频分量数据至第n低频分量数据A_j1、A_j2、A_j3、…、A_jn和第j层的第一高频分量数据至第n高频分量数据D_j1、D_j2、D_j3、…、D_jn(这里，在该情况下，j=5)，而分别被提供给第一统计处理单元130。

如图5中所示，电压数据V(x)使用第五层的近似电压数据A₅(x)和第一层至第五层的详细电压数据D₁(x)、D₂(x)、D₃(x)、D₄(x)、D₅(x)来表示。另外，第(n-1)层的近似电压数据A_n-1(x)通过第n层的近似电压数据A_n(x)和第n层的详细电压数据D_n(x)(这里，n=2、3、4、5)之和来表示。

在图5的当前示例中，电压数据V(x)从第五层的近似电压数据A₅(x)和第一层至第五层的详细电压数据D₁(x)、D₂(x)、D₃(x)、D₄(x)、D₅(x)被恢复。在一实施例中，该恢复处理被称作逆DWT(IDWT)。

如图5所示，重复的DWT引起数据总量的增加，这是因为数据电压V(x)被分解为近似电压数据A(x)和详细电压数据D(x)。因此，如图5所示，在DWT被执行之后，下采样被执行。

在一实施例中，下采样包括选择由先前DWT产生的近似电压数据中的每隔一条数据(诸如，偶数据和奇数据)并去除没有选择的数据。图6示出下采样。如图6所示，n条数据通过下采样减少为n/2条数据。

图7示出第n层的近似电压数据A_n(x)的频带和第一层至第n层的详细电压数据D₁(x)、D₂(x)、…、D_n(x)的频带。

在图7中，第一层的详细电压数据D₁(x)是小于第一频率f_s/2且大于第二频率f_s/4的频带的数据，第二层的详细电压数据D₂(x)对应于小于第二频率f_s/4且大于第三频率f_s/8的频带的数据。另外，第三层的详细电压数据D₃(x)对应于小于第三频率f_s/8且大于第四频率f_s/16的频带的数据。继续以该方式，第n层的详细电压数据D_n(x)对应于小于第n频率f_s/2ⁿ且大于第(n+1)频率f_s/2ⁿ⁺¹的频带的数据。另外，第n层的近似电压数据A_n(x)对应于小于第(n+1)频率f_s/2ⁿ⁺¹的频带的数据。

现在将参照详细示例描述根据本发明的各个实施例的预测电池包P1的SOH的方法。

在下面的示例中，假设电池包P1包括14个电池单元。电池包P1可包括串联连接的14个电池单元。根据另一示例，电池包P1可包括串联连接的70个电池单元，其中，70个电池单元中的14个电池单元被选择以预测SOH。另外，假设离散小波变换多分辨率分析被执行至第五层。

图8A是电池包P1所包括的多个电池单元中的任意一个的单元电压数据V(x)的曲线图，而图8B和图8C分别示出通过DWT的多分辨率分析从单元电压数据V(x)提取的第一层的低频分量数据A1(x)至第五层的低频分量数据A5(x)和第一层的高频分量数据D1(x)至第五层的高频分量数据D5(x)的曲线图。

参照图8A，示出了在离散时间x的单元电压数据V(x)随时间间隔t的曲线图。在图8A的曲线图中，单元电压数据V(x)是通过测量2880分钟(即，48小时)的单元电压而获得的数据。在图8A中，由于单元电压数据V(x)是通过测量实际使用的电池单元的单元电压而获得的，所以在48小时内，单元电压因充电而增加，且因放电而降低。在一实施例中，单元电压数据V(x)由电压检测单元110产生。进一步详细地，在另一实施例中，单元电压数据V(x)由电池系统中的BMS产生。

图8B示出通过对于图8A所示的单元电压数据V(x)执行离散小波变换多分辨率分析而提取的第一层的低频分量数据A1(x)至第五层的低频分量数据A5(x)的曲线图。另外，图8C示出通过对于图8A所示的单元电压数据V(x)执行离散小波变换多分辨率分析而提取的第一层的高频分量数据D1(x)至第五层的高频分量数据D5(x)的曲线图。

图9A是电池包P1所包括的14个电池单元的单元电压数据V的曲线图。

参照图9A，相互不区分地示出了第一电池单元至第十四电池单元的第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄。对于第一电池单元至第十四电池单元分别收集了第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄。在一实施例中，由电压检测单元110收集了第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄。

在一实施例中，第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄被提供给了DWT单元120和第一统计处理单元130，第一统计处理单元130通过计算第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄中的每一个的标准偏差，来产生第一单元电压标准偏差至第十四单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V₁₄)。在一实施例中，如表1所示，计算了第一单元电压标准偏差至第十四单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V₁₄)。

表1

σ(V1)	0.035099	σ(V2)	0.034938	σ(V3)	0.034994
						σ(V4)	0.034610	σ(V5)	0.034659	σ(V6)	0.034021
σ(V7)	0.033722	σ(V8)	0.035657	σ(V9)	0.035878
						σ(V10)	0.032827	σ(V11)	0.035987	σ(V12)	0.035743
σ(V13)	0.036270	σ(V14)	0.036108

在一实施例中，第二统计处理单元140通过接收由第一统计处理单元130计算的第一单元电压标准偏差至第十四单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V₁₄)并执行所接收的第一单元电压标准偏差至第十四单元电压标准偏差σ(V₁)、σ(V₂)、σ(V₃)、…、σ(V₁₄)的标准偏差计算，来产生单元电压标准偏差的标准偏差σ(σ_V)。例如，表1所示的计算的单元电压标准偏差的标准偏差σ(σ_V)为0.001005。

图9B是通过对于图9A的单元电压数据V中的每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的低频分量数据A5的曲线图。

参照图9B，相互不区分地示出了从第一电池单元至第十四电池单元的第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄产生的第五层的第一低频分量数据至第十四低频分量数据A5₁、A5₂、A5₃、…、A5₁₄。第五层的第一低频分量数据至第十四低频分量数据A5₁、A5₂、A5₃、…、A5₁₄是分别从第一电池单元至第十四电池单元的第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄提取的。

在一实施例中，DWT单元120通过对于第一电池单元至第十四电池单元的第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄执行离散小波变换多分辨率分析，来产生第五层的第一低频分量数据至第十四低频分量数据A5₁、A5₂、A5₃、…、A5₁₄。在一实施例中，第一统计处理单元130通过接收第五层的第一低频分量数据至第十四低频分量数据A5₁、A5₂、A5₃、…、A5₁₄并计算第五层的第一低频分量数据至第十四低频分量数据A5₁、A5₂、A5₃、…、A5₁₄中的每一个低频分量数据的标准偏差，来产生第一低频分量标准偏差至第十四低频分量标准偏差σ(A5₁)、σ(A5₂)、σ(A5₃)、…、σ(A5₁₄)。在一实施例中，如下面的表2所示，计算了第一低频分量标准偏差至第十四低频分量标准偏差σ(A5₁)、σ(A5₂)、σ(A5₃)、…、σ(A5₁₄)。

表2

σ(A51)	0.034929	σ(A52)	0.034770	σ(A53)	0.034834
						σ(A54)	0.034443	σ(A55)	0.034483	σ(A56)	0.033868
σ(A57)	0.033586	σ(A58)	0.035509	σ(A59)	0.035730
						σ(A510)	0.032684	σ(A511)	0.035844	σ(A512)	0.035601
σ(A513)	0.036102	σ(A514)	0.035945

在一实施例中，第二统计处理单元140通过接收由第一统计处理单元130计算的第一低频分量标准偏差至第十四低频分量标准偏差σ(A5₁)、σ(A5₂)、σ(A5₃)、…、σ(A5₁₄)并执行第一低频分量标准偏差至第十四低频分量标准偏差σ(A5₁)、σ(A5₂)、σ(A5₃)、…、σ(A5₁₄)的标准偏差计算，来产生低频分量标准偏差的标准偏差σ(σ_A5)。例如，表2所示的计算的低频分量标准偏差的标准偏差σ(σ_A5)为0.001003。

图9C是通过对于图9A的每一个单元电压数据V执行离散小波变换多分辨率分析而提取的第五层的高频分量数据D5的曲线图。

参照图9C，相互不区分地示出了从第一电池单元至第十四电池单元的第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄产生的第五层的第一高频分量数据至第十四高频分量数据D5₁、D5₂、D5₃、…、D5₁₄。第五层的第一高频分量数据至第十四高频分量数据D5₁、D5₂、D5₃、…、D5₁₄是分别从第一电池单元至第十四电池单元的第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄提取的。

在一实施例中，DWT单元120通过对于第一电池单元至第十四电池单元的第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄执行离散小波变换多分辨率分析，来产生第五层的第一高频分量数据至第十四高频分量数据D5₁、D5₂、D5₃、…、D5₁₄。在一实施例中，第一统计处理单元130通过接收第五层的第一高频分量数据至第十四高频分量数据D5₁、D5₂、D5₃、…、D5₁₄并计算第五层的第一高频分量数据至第十四高频分量数据D5₁、D5₂、D5₃、…、D5₁₄中的每一个高频分量数据的标准偏差，来产生第一高频分量标准偏差至第十四高频分量标准偏差σ(D5₁)、σ(D5₂)、σ(D5₃)、…、σ(D5₁₄)。在一实施例中，如下面的表3所示，计算了第一高频分量标准偏差至第十四高频分量标准偏差σ(D5₁)、σ(D5₂)、σ(D5₃)、…、σ(D5₁₄)。

表3

σ(D51)	0.002436	σ(D52)	0.002455	σ(D53)	0.002420
						σ(D54)	0.002408	σ(D55)	0.002464	σ(D56)	0.002226
σ(D57)	0.002054	σ(D58)	0.002262	σ(D59)	0.002199
						σ(D510)	0.002022	σ(D511)	0.002222	σ(D512)	0.002194
σ(D513)	0.002502	σ(D514)	0.002441

在一实施例中，第二统计处理单元140通过接收由第一统计处理单元130计算的第一高频分量标准偏差至第十四高频分量标准偏差σ(D5₁)、σ(D5₂)、σ(D5₃)、…、σ(D5₁₄)并执行第一高频分量标准偏差至第十四高频分量标准偏差σ(D5₁)、σ(D5₂)、σ(D5₃)、…、σ(D5₁₄)的标准偏差计算，来产生高频分量标准偏差的标准偏差σ(σ_D5)。例如，表3所示的计算的高频分量标准偏差的标准偏差σ(σ_D5)为1.587865×10^-4。

在一实施例中，还使用与上述相同的方法产生初始单元电压标准偏差的标准偏差σ₀(σ_V)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和初始高频分量标准偏差的标准偏差σ₀(σ_Dj)。但是，在这种情况下，区别在于：第一单元电压数据至第十四单元电压数据V₁、V₂、V₃、…、V₁₄是从在电池包P1启用时的初始时间收集的。

另外，系数α、β和γ根据诸如电池包P1所包括的电池单元的数量、单元电压数据的数量、电池单元的布置结构等的因素而变化。

在一实施例中，SOH预测单元170从第二统计处理单元140接收单元电压标准偏差的标准偏差σ(σ_V)、低频分量标准偏差的标准偏差σ(σ_Aj)和高频分量标准偏差的标准偏差σ(σ_Dj)，从初始值存储单元150接收初始单元电压标准偏差的标准偏差σ₀(σ_V)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和初始高频分量标准偏差的标准偏差σ₀(σ_Dj)，从系数存储单元160接收系数α、β和γ，并基于接收的值预测电池包P1的SOH。

在一实施例中，SOH预测单元170基于单元电压标准偏差的标准偏差σ(σ_V)、初始单元电压标准偏差的标准偏差σ₀(σ_V)和系数α，计算单元电压基础SOH(SOH_V)。在一实施例中，通过下面的等式7表示用于计算单元电压基础SOH(SOH_V)的公式。

$\begin{array}{cc}{\mathrm{SOH}}_V=1-\frac{|\mathrm{\&sigma;}\left({\mathrm{\&sigma;}}_V\right)-{\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_V\right)|}{\mathrm{\&alpha;}{\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_V\right)}& 0\&le;{\mathrm{SOH}}_V\&le;1\\ {\mathrm{SOH}}_V=0& \mathrm{if\&sigma;}\left({\mathrm{\&sigma;}}_V\right)=(\mathrm{\&alpha;}+1){\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_V\right)\\ {\mathrm{SOH}}_V=1& \mathrm{if\&sigma;}\left({\mathrm{\&sigma;}}_V\right)={\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_V\right)\end{array}---\left(7\right)$

在等式7中，具有值1的单元电压基础SOH(SOH_V)表示电池包P1的开始(fresh)状态，而具有值0的单元电压基础SOH(SOH_V)表示电池包P1的老化状态。另外，在等式7中，单元电压基础SOH(SOH_V)是基于单元电压标准偏差的标准偏差σ(σ_V)与初始单元电压标准偏差的标准偏差σ₀(σ_V)之差以及通过将初始单元电压标准偏差的标准偏差σ₀(σ_V)乘以系数α所获得的值而被计算的。随着单元电压标准偏差的标准偏差σ(σ_V)变得大于初始单元电压标准偏差的标准偏差σ₀(σ_V)，单元电压基础SOH(SOH_V)减少得越多，这表示电池包P1正在老化。

在一实施例中，SOH预测单元170基于低频分量标准偏差的标准偏差σ(σ_Aj)、初始低频分量标准偏差的标准偏差σ₀(σ_Aj)和系数β，计算低频分量基础SOH(SOH_Aj)。在一实施例中，通过下面的等式8表示用于计算低频分量基础SOH(SOH_Aj)的公式。

$\begin{array}{cc}{\mathrm{SOH}}_{\mathrm{Aj}}=1-\frac{|\mathrm{\&sigma;}\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)-{\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)|}{{\mathrm{\&beta;\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)}& 0\&le;{\mathrm{SOH}}_{\mathrm{Aj}}\&le;1\\ {\mathrm{SOH}}_{\mathrm{Aj}}=0& \mathrm{if\&sigma;}\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)=(\mathrm{\&beta;}+1){\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)\\ {\mathrm{SOH}}_{\mathrm{Aj}}=1& \mathrm{if\&sigma;}\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)={\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)\end{array}---\left(8\right)$

在等式8中，具有值1的低频分量基础SOH(SOH_Aj)表示电池包P1的开始(fresh)状态，而具有值0的低频分量基础SOH(SOH_Aj)表示电池包P1的老化状态。另外，在等式8中，低频分量基础SOH(SOH_Aj)是基于低频分量标准偏差的标准偏差σ(σ_Aj)与初始低频分量标准偏差的标准偏差σ₀(σ_Aj)之差以及通过将初始低频分量标准偏差的标准偏差σ₀(σ_Aj)乘以系数β所获得的值而被计算的。随着低频分量标准偏差的标准偏差σ(σ_Aj)变得大于初始低频分量标准偏差的标准偏差σ₀(σ_Aj)，低频分量基础SOH(SOH_Aj)减少得越多，这表示电池包P1正在老化。

在一实施例中，SOH预测单元170基于高频分量标准偏差的标准偏差σ(σ_Dj)、初始高频分量标准偏差的标准偏差σ₀(σ_Dj)和系数γ，计算高频分量基础SOH(SOH_Dj)。在一实施例中，通过下面的等式9表示用于计算高频分量基础SOH(SOH_Dj)的公式。

$\begin{array}{cc}{\mathrm{SOH}}_{\mathrm{Dj}}=1-\frac{|\mathrm{\&sigma;}\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)-{\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)|}{{\mathrm{\&gamma;\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)}& 0\&le;{\mathrm{SOH}}_{\mathrm{Dj}}\&le;1\\ {\mathrm{SOH}}_{\mathrm{Dj}}=0& \mathrm{if\&sigma;}\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)=(\mathrm{\&gamma;}+1){\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)\\ {\mathrm{SOH}}_{\mathrm{Dj}}=1& \mathrm{if\&sigma;}\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)={\mathrm{\&sigma;}}_0\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)\end{array}---\left(9\right)$

在等式9中，具有值1的高频分量基础SOH(SOH_Dj)表示电池包P1的开始(fresh)状态，而具有值0的高频分量基础SOH(SOH_Dj)表示电池包P1的老化状态。在等式9中，高频分量基础SOH(SOH_Dj)是基于高频分量标准偏差的标准偏差σ(σ_Dj)与初始高频分量标准偏差的标准偏差σ₀(σ_Dj)之差以及通过将初始高频分量标准偏差的标准偏差σ₀(σ_Dj)乘以系数γ所获得的值而被计算的。随着高频分量标准偏差的标准偏差σ(σ_Dj)变得大于初始高频分量标准偏差的标准偏差σ₀(σ_Dj)，高频分量基础SOH(SOH_Dj)减少得越多，这表示电池包P1正在老化。

在一实施例中，SOH预测单元170通过基于单元电压基础SOH(SOH_V)、低频分量基础SOH(SOH_Aj)和高频分量基础SOH(SOH_Dj)计算最终SOH(SOH)，来预测电池包P1的SOH。在一实施例中，通过例如下面的等式10来表示用于计算最终SOH(SOH)的公式。

$\begin{array}{cc}\mathrm{SOH}=\frac{{\mathrm{SOH}}_V+{\mathrm{SOH}}_{\mathrm{Aj}}+{\mathrm{SOH}}_{\mathrm{Dj}}}{3}& 0\&le;\mathrm{SOH}\&le;1---\left(10\right)\end{array}$

根据等式10所示的示例，最终SOH(SOH)是单元电压基础SOH(SOH_V)、低频分量基础SOH(SOH_Aj)和高频分量基础SOH(SOH_Dj)的算术平均。但是，本发明不限于该示例，在其它实施例中，最终SOH(SOH)被计算为使用第一权重系数至第三权重系数ω₁、ω₂和ω₃的加权平均。

例如，在一些实施例中，最终SOH(SOH)通过第一权重系数ω₁与单元电压基础SOH(SOH_V)之积、第二权重系数ω₂与低频分量基础SOH(SOH_Aj)之积和第三权重系数ω₃与高频分量基础SOH(SOH_Dj)之积的总和而被确定，其中，第一权重系数至第三权重系数ω₁、ω₂、和ω₃中的每一个大于或等于0且小于1，并且第一权重系数至第三权重系数ω₁、ω₂、和ω₃之和为1。

例如，在一实施例中，第一权重系数ω₁为0.2，第二权重系数ω₂为0.3，且第三权重系数ω₃为0.5。作为另一示例，在一实施例中，第一权重系数ω₁为0，第二权重系数ω₂为0.6，且第三权重系数ω₃为0.4。

现在将参照示例描述根据本发明的各个实施例的确定预测电池包P1的SOH所需的系数α、β和γ的值的方法。

在以下示例中，假设第二电池包P2至第十电池包P10中的每一个电池包具有与电池包P1(以下，第一电池包P1)相同的构造。第一电池包P1至第十电池包P10包括相同数量的电池单元，且具有电池单元的相同布置结构。但是，第一电池包P1至第十电池包P10是单独的电池包。例如，在一实施例中，第一电池包P1至第十电池包P10中的一些电池包串联连接以具有较高电平输出电压，而其它电池包连接到另一电力系统或并联连接。即，在一些实施例中，应用于第一电池包P1至第十电池包P10的电流属性相互不同。

如上所述，图9A是第一电池包P1所包括的14个电池单元的单元电压数据V的曲线图，图9B是通过对于图9A的每一个单元电压数据V执行离散小波变换多分辨率分析而提取的第五层的低频分量数据A5的曲线图，图9C是通过对于图9A的每一个单元电压数据V执行离散小波变换多分辨率分析而提取的第五层的高频分量数据D5的曲线图。

对于第一电池包P1计算的单元电压标准偏差的标准偏差σ(σ_V)为0.001005，对于第一电池包P1计算的低频分量标准偏差的标准偏差σ(σ_A5)为0.001003，而对于第一电池包P1计算的高频分量标准偏差的标准偏差σ(σ_D5)为1.587865×10^-4。

图10A至10I是分别示出第二电池包P2至第十电池包P10所包括的14个电池单元的单元电压数据V的曲线图以及示出针对这些电池包的第五层的低频分量数据A5的曲线图和示出针对这些电池包的第五层的高频分量数据D5的曲线图。

对于第二电池包P2至第十电池包P10，以与第一电池包P1相同的方式，在一实施例中，单元电压数据V仍使用电压检测单元110来产生，并且DWT单元120也基于单元电压数据V提取第五层的低频分量数据A5和第五层的高频分量数据D5。类似地，在一实施例中，第一统计处理单元130和第二统计处理单元140也计算第二电池包P2至第十电池包P10中的每一个的单元电压标准偏差的标准偏差σ(σ_V)、低频分量标准偏差的标准偏差σ(σ_A5)和高频分量标准偏差的标准偏差σ(σ_D5)。

在下面的表4中示出了第一电池包P1至第十电池包P10中的每一个的单元电压标准偏差的标准偏差σ(σ_V)、低频分量标准偏差的标准偏差σ(σ_A5)和高频分量标准偏差的标准偏差σ(σ_D5)。

表4

包	σ(σV)	σ(σA5)	σ(σD5)
				P1	10.05×10-4	10.03×10-4	15.88×10-5
P2	3.83×10-4	3.96×10-4	3.80×10-5
				P3	22.86×10-4	23.15×10-4	13.71×10-5
P4	35.74×10-4	36.15×10-4	35.53×10-5
				P5	6.06×10-4	6.02×10-4	6.24×10-5
P6	20.43×10-4	20.58×10-4	13.03×10-5
				P7	2.02×10-4	2.03×10-4	2.18×10-5
P8	8.11×10-4	8.22×10-4	8.76×10-5
				P9	7.04×10-4	6.93×10-4	7.13×10-5
P10	5.01×10-4	4.99×10-4	4.90×10-5

在一实施例中，从第一电池包P1至第十电池包P10的单元电压标准偏差的标准偏差σ(σ_V)的值确定系数α。例如，在一实施例中，系数α被确定为第一电池包P1至第十电池包P10的单元电压标准偏差的标准偏差σ(σ_V)的最大值对最小值的比率。

类似地，在一实施例中，从第一电池包P1至第十电池包P10的低频分量标准偏差的标准偏差σ(σ_A5)的值确定系数β。例如，在一实施例中，系数β被确定为第一电池包P1至第十电池包P10的低频分量标准偏差的标准偏差σ(σ_A5)的最大值对最小值的比率。

另外，在一实施例中，从第一电池包P1至第十电池包P10的高频分量标准偏差的标准偏差σ(σ_D5)的值确定系数γ。例如，在一实施例中，系数γ被确定为第一电池包P1至第十电池包P10的高频分量标准偏差的标准偏差σ(σ_D5)的最大值对最小值的比率。

在一实施例中，可通过下面的等式11表示用于计算系数α、β和γ的公式以及示例中的系数α、β和γ的值。

$\begin{array}{c}\mathrm{\&alpha;}=\frac{{\mathrm{\&sigma;}}_{\max }\left({\mathrm{\&sigma;}}_V\right)}{{\mathrm{\&sigma;}}_{\min }\left({\mathrm{\&sigma;}}_V\right)}=\frac{35.74\&times;{10}^{-4}}{2.03\&times;{10}^{-4}}=17.61\\ \mathrm{\&beta;}=\frac{{\mathrm{\&sigma;}}_{\max }\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)}{{\mathrm{\&sigma;}}_{\min }\left({\mathrm{\&sigma;}}_{\mathrm{Aj}}\right)}=\frac{36.15\&times;{10}^{-4}}{2.03\&times;{10}^{-4}}=17.81\\ \mathrm{\&gamma;}=\frac{{\mathrm{\&sigma;}}_{\max }\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)}{{\mathrm{\&sigma;}}_{\min }\left({\mathrm{\&sigma;}}_{\mathrm{Dj}}\right)}=\frac{35.53\&times;{10}^{-5}}{2.18\&times;{10}^{-5}}=16.30\end{array}---\left(11\right)$

在示例中，系数α被计算为17.61，系数β被计算为17.81，系数γ被计算为16.30。

在本发明的另一实施例中，用于预测电池包的健康状态(SOH)的设备包括处理器(诸如，微处理器)和非暂时性存储装置(诸如，盘驱动器或固态驱动器)。存储装置具有存储在其上的指令，其中，所述指令在由处理器执行时使处理器执行在此描述的任意方法。

根据由于工业化的发展而使用高电压的产品的数量的增加，电池系统一般是电池包，而非单位电池单元。电池包包括串联连接、并联连接或以串联和并联的组合连接的多个电池单元。在理想情况下，电池单元之间不存在电压不平衡。但是，实际上，电池单元之间存在电压不平衡。电池单元之间的电压不平衡随着充电和放电持续长时间段而增加。因此，在本发明的实施例中，基于电池单元之间的电压不平衡检测电池包的老化。根据本发明的一个或多个实施例，通过基于电池单元之间的电压不平衡预测电池包的SOH，使用无需附加构造或电路而容易获得的单元电压来预测SOH。

图11A和图11B的曲线图包括通过电流积分计算的SOC（以下简称“安培计数”）和通过根据本发明的SOC估计单元基于第5层的第i低频分量数据A5i使用EKF估计的SOC。在图11A中，初始SOC被设置为0.8。在图11B中，初始SOC被设置为0.2。

如图11A和图11B所示，即使不同地设置初始SOC，但是基于EKF估计的SOC和通过电流积分计算的SOC具有相同值。即使没有引用噪声模型，可以看出通过使用第5层的第i低频分量数据A5i，SOC估计性能没有劣化。

已使用噪声模型，以增加基于EKF的SOC估计算法的估计性能。但是，噪声模型的添加引起算法复杂度的增加，并导致成本增加。本发明应用在保持出众的SOC估计性能的同时相比于添加噪声模型的传统方法简洁且改善的算法，从而解决因系统发展导致的时间和成本问题。

本发明的各种描述的实施例不限制本发明的范围。为了申请文件的简明，传统的电子构造、控制系统、软件和系统的其它功能方面的公开已被省略。另外，在相应实施例中，附图所示的部件之间的线的连接或连接件示出了功能连接和/或物理或电路连接，而在其它相应实施例中，上述连接或连接件通过实际设备中的可替换的或附加的各种功能连接、物理连接或电路连接来表示。另外，如果不存在诸如“必不可少”或“重要的”的术语的具体说明，则不是本发明的应用所必需需要的部件。

本发明的申请文件(具体地讲，在权利要求)中的术语“所述”或相似指向性术语的使用对应于单数和复数二者。另外，当在本发明的申请文件中公开了范围时，(若没有与此相反的公开)包括应用了属于所述范围的各个值的实施例，并且这与犹如形成所述范围的各个值中的每一个被公开在本发明的详细说明中一样。最后，对于形成根据本发明的实施例的方法的步骤，如果没有明确公开顺序，或如果不存在与明确顺序相反的公开，则可以以任意合适的顺序执行这些步骤。本发明的实施例不是必需限于这些步骤的公开顺序。

在本申请中的所有说明性或示意性术语(例如，等等)的使用仅在于详细描述本发明的实施例，且本发明的范围不受限于说明性或示意性术语，除非范围被权利要求所限制。另外，本领域的普通技术人员将理解，在所附权利要求或等同物的范围之内，可根据设计条件和因素形成各种修改、组合和改变。

虽然已参照本发明的实施例具体示出和描述了本发明，但是本领域的普通技术人员将理解，在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可进行各种形式和细节上的改变。

Claims (20)

1.一种预测电池包的状态的方法，所述方法包括如下步骤：

获得对于所述电池包的多个选择的单元中的每一个单元的单元电压数据；

对获得的单元电压数据进行小波变换，以获得低频分量电压数据和高频分量电压数据；

计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的至少两项的各个标准偏差；

基于计算的标准偏差预测电池包的健康状态SOH；

基于低频分量电压数据预测电池包的电荷状态SOC。

2.根据权利要求1所述的方法，其中，获得单元电压数据的步骤包括：

使用单元电压检测单元检测一段时间的选择的单元的单元电压，以产生模拟电压值；

将模拟电压值转换为数字电压值，以产生单元电压数据。

3.根据权利要求2所述的方法，其中，单元电压检测单元包括用于存储选择的单元的单元电压数据的存储器。

4.根据权利要求1所述的方法，还包括步骤：执行以下计算中的与计算各个标准偏差的步骤对应的计算：

从单元电压数据的计算的标准偏差计算单元电压SOH分量；

从低频分量电压数据计算的标准偏差计算低频SOH分量；

从高频分量电压数据计算的标准偏差计算高频SOH分量。

5.根据权利要求4所述的方法，其中，预测SOH的步骤包括：计算所计算的SOH分量的加权平均。

6.根据权利要求1所述的方法，其中，计算各个标准偏差的步骤包括：计算以下项中的至少两项的各个标准偏差：

对于选择的单元中的每一个单元的单元电压数据；

对于选择的单元中的每一个单元的低频分量电压数据；

对于选择的单元中的每一个单元的高频分量电压数据。

7.根据权利要求6所述的方法，其中，计算各个标准偏差的步骤还包括：计算以下项中的对应的至少两项的各个标准偏差：

对于选择的单元中的每一个单元的单元电压数据的计算的标准偏差；

对于选择的单元中的每一个单元的低频分量电压数据的计算的标准偏差；

对于选择的单元中的每一个单元的高频分量电压数据的计算的标准偏差。

8.根据权利要求1所述的方法，其中，计算各个标准偏差的步骤包括：

使用与初始时间段对应的单元电压数据计算各个标准偏差，以产生初始计算的标准偏差；

使用与感兴趣时间段对应的单元电压数据计算各个标准偏差，以产生感兴趣的计算的标准偏差。

9.根据权利要求8所述的方法，其中，

初始时间段包括当电池包初始启用时的时间段，

所述方法还包括步骤：将产生的初始计算的标准偏差存储在非暂时性存储装置中。

10.根据权利要求8所述的方法，还包括步骤：执行以下计算中的与计算各个标准偏差的步骤对应的计算：

从单元电压数据的初始计算的标准偏差和感兴趣的计算的标准偏差，计算单元电压SOH分量；

从低频分量电压数据的初始计算的标准偏差和感兴趣的计算的标准偏差，计算低频SOH分量；

从高频分量电压数据的初始计算的标准偏差和感兴趣的计算的标准偏差，计算高频SOH分量。

11.根据权利要求10所述的方法，其中，预测SOH的步骤包括：计算所计算的SOH分量的加权平均。

12.根据权利要求10所述的方法，其中，

计算单元电压SOH分量的步骤还包括：从单元电压系数计算单元电压SOH分量；

计算低频SOH分量的步骤还包括：从低频系数计算低频SOH分量；

计算高频SOH分量的步骤还包括：从高频系数计算高频SOH分量。

13.根据权利要求12所述的方法，其中，从与所述电池包可比较的多个电池包的经验数据计算单元电压系数、低频系数和高频系数。

14.根据权利要求1所述的方法，其中，对单元电压数据进行小波变换的步骤包括：

将单元电压数据转换为第一层低频分量电压数据和第一层高频分量电压数据；

将第一层低频分量电压数据转换为第二层低频分量电压数据和第二层高频分量电压数据；

将第二层低频分量电压数据转换为第三层低频分量电压数据和第三层高频分量电压数据。

15.根据权利要求1所述的方法，其中，对单元电压数据进行小波变换的步骤包括：

对于选择的单元中的每一个单元的单元电压数据执行离散小波变换的多分辨率分析。

16.根据权利要求15所述的方法，其中，

执行多分辨率分析的步骤包括：将多分辨率分析执行至第j层，

其中，j是大于2的自然数，

低频分量电压数据是第j层的低频分量电压数据，

高频分量电压数据是第j层的高频分量电压数据。

17.根据权利要求16所述的方法，其中，预测电池包的SOC的步骤包括：

从低频分量电压数据估计选择的单元的单元SOC；

从选择的单元的估计的单元SOC预测电池包的SOC。

18.根据权利要求1所述的方法，其中，单元电压数据包括充电电压数据和放电电压数据中的至少一个。

19.一种用于预测电池包的状态的设备，所述设备包括：

处理器；

非暂时性存储装置，

其中，所述存储装置具有存储在其上的指令，其中，所述指令在通过所述处理器执行时使所述处理器执行权利要求1所述的方法。

20.一种电池状态预测设备，所述电池状态预测设备被构造为预测连接到所述电池状态预测设备的电池包的健康状态SOH和电荷状态SOC，所述电池状态预测设备包括：

电压检测单元，被构造为产生随时间段收集的所述电池包的多个单元中的每一个单元的单元电压数据；

离散小波变换DWT单元，被构造为通过对单元电压数据执行DWT的多分辨率分析，来提取低频分量电压数据和高频分量电压数据；

第一统计处理单元，被构造为产生以下项中的至少两项的各个一阶标准偏差：单元电压数据、低频分量电压数据和高频分量电压数据；

第二统计处理单元，被构造为从产生的一阶标准偏差产生各个二阶标准偏差；

SOH预测单元，被构造为从产生的二阶标准偏差预测电池包的SOH；

SOC估计单元，被构造为从低频分量电压数据估计多个单元的各个单元SOC；

SOC预测单元，被构造为从估计的单元SOC预测电池包的SOC。