TWI260808B - Apparatus and method for estimating stage of charge of battery using neural network - Google Patents

Description

1260808 玖、發明說明： 【發明所屬之技術領域】 本發明係關於一種用以估計電池之充電狀態之裝置及 5其方法，尤指一種利用類神經網路估計電池之充電狀態並以 非線性特徵呈現之裝置及其方法。 【先前技術】 一般而言，電池之充電狀態所呈現的是一非線性特徵 10 (non-Hnear charactedstic)，因此很難精確地偵測電池之充電 狀態。因此，電池的充電狀態係為一估計值，而非偵測得到 的數值。尤其，混合式電動車（HEVs，hybrid…价丨⑽ vehicles)或電動車（EVs，electric vehicles)所使用之電池具有 高放電速率（C_rate)，可能強烈展現非線性特徵，因此幾 15 乎不可能準確偵測此類電池的充電狀態。 傳統上，係利用安培-小時計數（Ampere_h〇ur⑺仙加幻 方法、開路電壓測量法（ocv，open cireuit v〇ltage)、或電池 阻抗測量法等，以估計電池之充電狀態。 首先，安培-小時計數法係藉由偵測此電池之實際電容 20量而估計其充電狀態。在此情況下，此電池的估計充電狀 態則會與貞測電池實際電容量之_器的狀態有關。因 此，此電池的估計充電狀態會隨著此偵測器的準確度及誤差 率而變化。 1260808 開路電壓泪丨丨旦 、以係以11匕電池的開路電壓為基準而估計 恶。在此情況下，欲估計此電池之充電狀態則僅能 在電池非使用時進杆。 卜’開路電壓測量法會受到外在環 兄的影響，例如外在溫度。 能池阻抗測量法係以此電池之阻抗值而估計其充電狀 ^而電池阻抗測量法極容易受到外在溫度的影響，因此 所估相充電狀態的可信度或許會因而降低。 ίο •因此，有必要提出可以準確估計電池充電狀態的方法， 同寺將因為外在溫度所造成的誤差減到最低。 【發明内容】 本^月係有指涉用以估計一電池之充電狀態的裝置以 及方法’其貫質上排除了先前技藝的限制及缺點所造成的問 題。 本發明之主要目的係在提供一種裝置及方法，俾能藉由 類神經網路以準確估計一電池之充電狀態。 ^本發明之另一目的係在提供一種裝置及方法，俾能利用 取低限度的資料，並於不冋的環境下，例如不同的溫度以及 放電速率，而可動態估計一電池之充電狀態。 為達成上述目的，本發明提供一用以估計電池之充電狀 悲之裝置，此裝置包括：一偵測區塊，係用以偵測一電池之 電流、電壓以及溫度；一類神經網路（neuralnetw〇rk)，係執 行一類神經網路演算法以及一學習演算法，此二演算法之執 行係基於從偵測區塊傳遞至類神經網路之電流、電壓以及溫 1260808 度之貧訊以及目前時間之資訊，從而藉由一最終學習演管法 之預測而輸出電池之充電狀態；以及一比較器，係以類神經 網路之輸出值與-預設標的值相比較，且當二數值之差^ 過一預定限制範圍時，並驅使類神經網路反覆執行學習演管 5法，且更新學習演算法以產生最終學習演算法。 一 根據本發明較佳之實施例，此預定標的值可為一「真， 的」電池充電狀態。然而’要準確地計算出此財標的值二 不容易，因此，將在特定條件下所進行的實驗而獲得的參考 數據，設定為預定標的值。舉例而言，參考值係從該電池之 10額定電容量（rated capacity)，減去充電/放電所得到之安培_ 小時（ampere-h〇ur)數值而獲得，或從該電池之開路 circuit)電壓值獲得，或數學地補償二者而獲得。 雖然本發明中所描述的類神經網路係利用動態多維小 波（dynamic multi-dimensional wavelet)類神經網路演算法的 15形式，然而使用動態小波（dynamic wavelet)類神經網路演算 法或者靜態小波（static waveiet)類神經網路演算法亦是可行 =^此外，雖然本發明係利用倒傳遞（back_pr〇p邛此如）學習 演2法為主，然而使用卡門濾波器（Kalman m㈣架構、遺 傳演算法（GA，genetic algorithm)、或模糊學習你巧 20 演算法亦是可行的。 為了達成本發明之上述目的，根據本發明之另―面向， 本發明提供了-種利用類神經網路以估計電池之充電狀態 之方法’此方法包括下列步驟：⑷執行一學習演算法，其 係基於從電池谓測得之電流、電麼以及溫度數據，以及目前 l26〇8〇8 時間資料；以及（b)輸出此電池之充電狀態，其係藉由執行 該學習演算法而產生之一最終學習演算法所估計而取得。仃 根據本發明一較佳實施例，步驟（a)包括一子步驟，以偵 測該電池之電流、電壓及温度，利用自電池所偵測得到之電 5 "IL、電壓及溫度數據、以及目前時間資訊作為學習資訊以執 行一類神經網路演算法，並檢查從類神經網路演算法所輪出 之數值與-預定標的值之間之差異是否落在一預定限:範 圍内，並當此差異超出駭限制範圍時，即反覆執行此學習 演算法，從而更新此學習演算法，以產生一最終學習演算法。 10 根據本發明一較佳實施例，步驟（b)包括一子步驟以 偵測電池之電流、電壓及溫度，並輸出此電池之充電狀態， 充電狀態係藉由步驟⑷所獲得之—最終學f演算法，依據 偵測自此電池之電流、電壓及溫度數據、以及目前時間 所估計而得。 尿 15 本發明之其他優點、目的以及特色，將會在以下詳細說 月，且七悉此項技藝人士將可藉由檢視本說明書而瞭解本發 明。本發明之目的以及其他優點，可藉由實_之說明以及 所附圖示而被瞭解。 20 【實施方式】 以下所述係為本發明實施例之參考資料，各實施例係辅 :說明之。相同的圖號在所有圖示中將用以指涉相同或 相似的部位。 』^ 以下，將舉—較佳實施例詳細說明之，輔以圖示供參考。 25 1260808 ’其顯示一用以估 圖1係本發明一較佳實施例之方塊圖 計一電池的充電狀態之裝置100。 10 15 之充電狀態(S〇C); 一充電/放電器3〇,用以傳送一充電/放 電電流至電池10;以及一比較器40,係'比較類神經網路2〇 所輸出之電池10充電狀態（g。）以及一標的充電狀態（gT)，並 檢查在輪出充電狀態（g。）以及標的充電狀態（gT)之間的差異 是否落在一預定允許範圍内，同時當二者之差異大於預定允 &如圖1所示’其顯示—藉由類神經網路估計電池充電狀 悲之裝置100’其包括：一電流偵測單元12，用以偵測電池 10之電流⑴―電壓制單元14,用以偵測電池1G之電壓 (V); -溫度偵測單元16 ’用以備剛電池1〇之溫度⑺；一類 神經網路2〇,係藉由上述各_單如，14，16所制得之電 流、電壓及溫度、以及時間（Κ)’以執行—類神經網路演算 法以及车省廣异法，並基於完成類神經網路演算法及學習 演算法之後產生之-最終學習演算方程式，進而輸出電㈣ 許範圍時驅使類神經網路2〇反覆執行學習演算法，從而更新 學習演算法以產生最終學習演算法。 車父佳地’標的充電狀態（gT)係藉由在特定條件下進行實 驗而獲得之數據。舉例而言，標的充電狀態是由電池之額定 20 電容量（gN，rated capacity)，減去充電/放電所獲得之安培-小 時（ampere-h〇ur)數值（gr)，亦即gT = gN _ gr。因為一理想 的標的充電狀態，可從電池之額定電容量，減去電池已使用 之電容量所對應之安培-小時數值而獲得（當誤差落在可容 忍範圍内時）。另一方面，標的充電狀態係從電池之開路電 1260808 壓而致得。較佳地，標的充電狀態係由安培-小時計數法以 及開路電壓測量法二者所獲得之數據，互相補償而得。 圖2細本發明所使用之類神經網路之架構圖。 根據本發明之較佳實施例，此類神經網路包括一動態多 5 維小波類神經網路（dynamic multi-dimensional wavelet neural network) 〇 請參見圖2，動態多維小波類神經網路包括一輸入場 (input field)，一隱藏層，以及一輸出層。 為了應用一電池充電狀態估計演算法至此動態多維小 10 波類神經網路，一任意函數（arbitrary function)/(x)eL2⑻可由 以下基於小波理論的方式解開。 方程式1 ηχ) = Σαη^2，η^-^ η 在此’仏係一基礎方程式之係數’此基礎方程式汉·) 15 係用以解開任意函數/(Χ)。再者^ 2〃£及/7分別為基礎方程式之 d-尺度參數（dilation parameter)以及平移參數（translate parameter) 〇 此外，任意函數/⑻之一近似方程式客问可由方程式2來 表示。 20 方程式2 8(χ)-Σ,αη^2ηΐχ~η^ η 方程式2應用至動態多維小波類神經網路之方式係如圖 2及下述所示： !26〇8〇8 在圖2中’ x d (k)係為一^輸入至動恶多維小波類神經網路 之輸入向量。根據本實施例，xd(k)係在一預定時間區間（k) 之内所輸入此動態多維小波類神經網路之向量，包括電流、 電壓以及溫度等資料。亦即，X d (k) = (i，v，τ，k)。此外， g。（ x d ( k ))係為此動態小波類神經網路祇據輸入資料所估叶 而得之輸出值，g0(xd(k))係由方程式3所表示。 方程式3 、 s〇{xd (k)) = Σ ΚΜΣ (¾ (k) - «) + WnDxn (k -1)1 n d /j 4 + ❼ (㈡)风，# 一 2))] 10 15 在此，<及π係為代表連接權重（connecti〇n weight) 之係數，其在倒傳遞學習演算法的每一個時間㈨之中均合 被更新，以使得任意函數近似於—非線性函數。 曰 ":動:ί: Γ皮類神經網路中的比較器4 °所偵測到纪 輸出值^標的值gT之間的差異超出預定允許範圍（例女 會驅使___反覆執行後續之倒傳遞學習 在解釋倒傳遞學習演管 、， (,.i予~次，法之耵，先定義一誤差函

(error functl0n)如方程式4所示： M 方程式4 E = ^(gr(k)-g〇(k))2 綱為—理想輪出值，亦即標的值，而μ 係為類神經網路20之實際輪出 ：而“ 取代為咐j，則可得到如 、“ ' gT(k)- g〇{ 方程式5 方知式5所示之誤差梯度： 20 1260808 同時，之誤差梯度亦可藉由方程式6而獲得 方程式6 鹽= ⑴

dW；Q ~^--TK〇Pn(k) (2) η 〇 忍㈨= —1) + <忍(灸—1))，以0)=：0 ⑶

因此，連接權重的最終更新係如下式進行： 方程式7 —(〇”(_ 盖)， 10 其中，π係為一學習速率。 在此種方式之下，類神經網路2 0反覆地輸出—新輸出值 g。，其係由比較器40根據所更新的γ、％:及 '认）數值、 在反覆執行倒傳遞學習演算法所重新產生的。此外，此流程 會被持續反覆執行’直到輸出值g。與標的值。之間的差2 = 15在預定允許範圍内為止。 … *輸出值g。與標的值以之間的差異落在預定允許範圍 内時，類神經網路所執行之學習演算法宣告完成，並藉由曰 終估計演算方程（亦即方程式3)執行學習演算法: 估計充電狀態。 ~ 20 在此以下，II由圖3以及圖4之辅佐，將揭露— 充電狀態之方法。 ° ^ ^也 12 1260808 本务明之用以估計電池充電狀態之方法包括—學習步 係利用類神經網路而達成，亦即藉由執行類神經網路 肩w及學習演算法而致得一最終估計演算法；以及一充電 狀態輸出步驟，其係利用此最終估計演算法而輸出電池之充 電狀態。 圖3係為本發明較佳實施例中，利用類神經網路之學習 步驟之流程圖解說。

請參見圖3,電流⑴、電壓（v)、以及溫度（τ)係從電池 10偵測而仔。接著，以上述之電流⑴、電壓（V)、溫度（Τ)以 10及-時間數據（k)作為一輸入向量（即Xd⑴=〇，V，τ， k))，執行動態多維小波類神經網路運算法，而取得一輸 出值g。。 接著將輸出值g。與標的值gT相比較，並且檢查輸出值 g。與標的值gT之間的差異是否落在預定誤 差極限3%以内（步

15驟14)。雖然本實施例中此預定誤差極限係設定為3%，然 而在必要時，此預定誤差極限值係可變更的。當可允許誤差 極限逐漸縮小的同時，則可準確估計電池的充電狀態。相對 而吕，當允許誤差極限逐漸放大時，則電池充電狀態的估計 值也會隨之失去準確度。 20 右在步驟14中決定此差異值超出預定誤差極限，則執行 倒傳遞學習演算法，因而獲得一更新的輸出值g。（步驟16)。 接著，流程回到步驟14。 在此同時’若步驟14中決定此差異值等於或小於預定誤 差極限’則此類神經網路學習演算法宣告完成（步驟丨8 )。 13 1260808 接者’此學習演算法會致得—最終估計演算法方程 程式3) 。 I万 圖4係為利用圖3中之學習步驟所產生之最終估計演曾 法，以輸出電池之充電狀態之流程圖。 ^ 5 請參見圖4，電流⑴、電壓⑺、以及溫度（T)係從電、冰

10偵測而得（步驟2〇)。接著，利用圖3中之學習演算法所 產生之最終估計演算法，以輸出此電池之充電狀態。其中斤 上述之電流⑴、電壓（V)、溫度（T)以及一時間數據（k)係作為 一輸入向量（即x“k) = (i，V，T，k”（步驟22)〆、、 10 雖然本發明述及類神經網路時係以動態多維小波類 經網路之方式，然並非@此而限縮本發明之料。亦即，、= 發明亦可應用至前饋式（feedforward)類神經網路、遞迴式 (recurrent)類神經網路、小波類神經網路等。 儿

此外，雖然本發明利用倒傳遞學習演算法作為學習演算 15法，然並非因此而限縮本發明之範疇。舉例而言，本發明亦 可使用一傳統之卡門濾波器（Kalman fiher)架構、遺傳演算 法（GA，genetic alg0rithm)、或模糊學習（fuzzy —加⑽演 ^ 法0 如上所述，本發明可藉由類神經網路演算法以及學習演 20算法，而動態估計電池之充電狀態。尤其，在變動的外在裱 境之下（例如溫度變動或者是放電速率變動），仍可準確地 估計電池之充電狀態。本發明在混合式電動車領域中可被有 效率地應用，因為在該領域中，電池的充電狀態必須被準確 地估計。 14 1260808 <貫轭例僅係為了方便說明而舉例而已，本發明 張之權利範圍自應以申嗜專利笳 m r °月專利耗圍所述為準，而非僅限於上 述貫施例。 【圖式簡單說明】 顯示一用以估計一電 圖1係本發明一較佳實施例之方塊圖 池的充電狀態之裝置。 圖2係本發明所使用之動態多维 〜夕、、、算小波類神經網路之結構。 圖3係本發明一較佳實施例所使 10 吓偬用之類神經網路之流程圖。 圖4係利用本發明圖3中之學習 ,^ , 子白步驟所獲得之最終估計演算 法以輸出一電池之充電狀態的學習步驟。 【圖號說明】 ιυ 電池 14 電壓偵測單元 20 類神經網路 40 比較器 100 充電狀態估計裝置 15 12 電流彳貞測單元 16 溫度偵測單元 30 充電/放電器 15

Claims (1)

1260808 拾、申請專利範圍： 1 · 一種估計電池充電狀態之裝置，包括： 偵則區塊係、用以偵測一電池之電流、電壓以及溫度; …類神經網㈣執行一類神經網路演算法以及-學習 介貞异法之執行係基於從該偵測區塊傳遞至該類 神經網路之該電流、電壓 “ 电i以及脏度之貝矾以及目前時間之資 訊’從而藉由一最終學習、、宮曾、本 、 白肩#法之估异而輸出該電池之充電 狀恶；以及 10 15 20 :比較器，係以該類神經網路之輸出值與一預設標的值 2車乂 ’一且當紅數值之差異超過—預定限制範圍時，驅使 ^員神經網路反覆執行該學習演算法，卩更新該學習演算法 以產生最終學習演算法。 、^ / 2· %申請專利範圍第】項所述之裝置，其中，其中該預 又不的值係藉由在特定條件下執行—實驗而獲得之參考值。 I如申請專利範圍第2項所述之裝置，其中該參考值係 ft分別從該電池之額定電容量，減去充電/放電所獲得之 :培'小時數值、或該電池之開路電壓值獲得，或數學地補 勺4·如申請專利範圍第丨項所述之裝置，其中該類神經網 路包括一動態小波類神經網路演算法，或一 網路演算法。 頡神經 ^⑹中請專利範圍第4項所述之裝置，其中該類神經網 匕括一動態多維小波類神經網路演算法。 16 1260808 6. 如申請專利範圍第！項所述之褒置，其中該學習演曾 法包括-倒傳遞學習演算法、一卡門濾波器架構、遺傳演： 法、或模糊學習演算法。 ^ 7. -種利用類神經網路以估計電池充電狀態之方法， 5 該方法包括下列步驟： 、⑷執行-學習演算法’其係基於從該電㈤貞測得 流、電屢以及溫度數據’以及目前時間資料；以及 10 15 ⑻輸出該電池之充電狀態'，其係藉由執行該學習演瞀 法而產生之—最終學習演算法所估計而取得。 一 8.如申請專利範圍第7項所述之方法，其中步驟⑷包括 -：步：以谓測該電池之電流、電昼及溫度，利用自該電池 所偵測得到之電流、電壓及溫产素 為與一 f 狐度數據、以及目前時間資訊作 為干白貝Λ以執仃—類神經網路 .周路I法所輸出之數值與—㈣標的值之間之差里 洛在一預定限制範圍内，且當該差 …疋古 反覆執行該學習演算法，從而上預定限制範圍時 最終學習演算法。 予白次^法，並產生該 20 丁明哥刊靶圍第8項所述之方法，苴 值係藉由在特定條件下執行—實驗而^之參^預定標的 教僧而麻〜 放電所得到之安培小時 數值而獲件，或從該電池之料值獲得 : 二者而獲得。 及數予地補偵 17 1260808 11.如申睛專利範圍第7項 、厅通„之方法， 包括一子步驟以偵測該電池之電流、電广，、中該步驟（b) 電池之充電狀態，其中該充 [壓及溫度，並輪出該 之一农終學習演算法，依據偵測自該電池〜驟（a)所獲得 度數據、以及目前時間數據所估計而得'之電流、電壓及溫 12.如申請專利範圍第7項所述之 路包括-動態小波類神經網路運算法或神經網 網路運算法。 /靜心小波類神經 13·如甲請專利範圍第12項所述之方法 10神經網路運算法句衽一叙能夕从 八 Μ小波類 〜、夕、，隹小波類神經網路運算法。 二4·如申％專利祀圍第7項所述之方法，其中該學習演管 法包括-倒傳遞學f演算法、—卡㈣波器架構、遺傳演= 法、或模糊學習演算法。 ’、 18