电池包中电池单元组健康的评估的制作方法

1.本公开总体上涉及评估电池包中电池单元健康的系统和方法。


背景技术：

2.在过去的数年中，可再充电能量源的使用已极大地增加。例如，移动平台（诸如电动车辆）可使用可再充电能量源作为专有能量源和非专有能量源两者。带有电池包的可再充电能量存储设备可在给定操作模式期间根据需要存储和释放电化学能量。该电化学能量可被用于推进、加热或冷却车厢、为车辆配件供能以及其他用途。
3.在形成电池包的各个电池单元期间，活性材料可与聚合物粘合剂、导电添加剂和溶剂混合以形成混合物。混合物可涂覆到集流体箔上并干燥以去除溶剂并形成多孔电极涂层。在电池单元制造过程期间以及在电池包的组装之前，测试电极材料的均匀性和结构。在各个电池单元组装成模块并且多个模块组装成电池包之后，针对电池单元的各种特性的测试变得更受约束且具有挑战性。


技术实现要素：

4.本文公开了用于评估在电池包的模块内的电池单元组的健康的系统和方法。一个或多个传感器配置为获取一系列相应平均电池单元组电压，包括在第一阶段处的第一阶段电池单元组电压（v1）、在第二阶段处的第二阶段电池单元组电压（v2）和在第三阶段处的第三阶段电池单元组电压（v3）。第一阶段发生在第二阶段之前，并且第二阶段发生在第三阶段之前。
5.系统包括控制器，该控制器具有处理器和在其上记录有指令的有形非暂时存储器。处理器进行的指令的执行引起控制器在发生在第三阶段之后的校准事件处获取电池单元组的测量电压（vm）。控制器适于部分基于差异因子（δv）与第三阶段电池单元组电压（v3）之和来计算电池单元组的预测电压（v
p
）。至少部分地基于在测量电压（vm）和预测电压（v
p
）之间的差控制电池单元组。控制电池单元组包括，如果预测电压（v
p
）小于或等于测量电压（vm），则将电池单元组标记为可接受使用。如果预测电压（v
p
）大于测量电压（vm），则指派或指定电池单元组进行进一步评价。
6.第二阶段对应于模块的组装的时间。第三阶段对应于在组装电池包之后的生产线终端测量。第一阶段、第二阶段、第三阶段和校准事件分别对应于在制造电池单元组之后的大约15、45、46和60天。在一个示例中，电池单元组包括至少三个单独的电池单元。
7.差异因子（δv）部分地取决于第一持续时间（t1）、第一常数集(α, β, τ)和时间重置因子（f）的指数。第一持续时间（t1）是在校准事件与第三阶段之间的时间。第一持续时间（t1）以天为单位，并且以毫伏为单位的差异因子（δv）可计算为：。
8.在一些实施例中，第一持续时间（t1）是在电池单元组的组装之后大约10天至16天之间。时间重置因子（f）取决于第一阶段电池单元组电压（v1）、第二阶段电池单元组电压（v2）、第三阶段电池单元组电压（v3）、第二持续时间（t2）、和重置常数（γ）。第二持续时间（t2）是在第一阶段和第三阶段之间的时间。如果第二持续时间（t2）以天为单位，第一阶段电池单元组电压（v1）、第二阶段电池单元组电压（v2）和第三阶段电池单元组电压（v3）以毫伏为单位，则时间重置因子（f）可计算为：。
9.第二持续时间（t2）可以是在电池单元组的组装之后大约28天至32天之间。在一些实施例中，电池单元组的预测电压（v
p
）是差异因子（δv）、第三阶段电池单元组电压（v3）和休息时间调整因子之和。休息时间调整因子基于第一持续时间（t1）和第二常数集（a，b，c，d），第一持续时间（t1）是在校准事件与第三阶段之间的时间。休息时间调整因子被确定为：。
10.本文公开的是用于在具有控制器的系统中评估电池包的模块内的电池单元组的健康的方法，其中控制器带有处理器和有形非暂时存储器。该方法包括，经由一个或多个传感器，获取相应平均电池单元组电压的数据系列，电池单元组电压包括在第一阶段处的第一阶段电池单元组电压（v1）、在第二阶段处的第二阶段电池单元组电压（v2）和在第三阶段处的第三阶段电池单元组电压（v3），第一阶段发生在第二阶段之前，并且第二阶段发生在第三阶段之前。基于数据系列计算电池单元组的预测电压（v
p
），预测电压（v
p
）是至少差异因子（δv）与第三阶段电池单元组电压（v3）的总和。方法包括在发生在第三阶段之后的校准事件处获取电池单元组的测量电压（vm）。至少部分地基于测量电压（vm）和预测电压（v
p
）之间的差控制电池单元组。
11.当结合附图考虑时，从以下针对执行本公开的最佳模式的详细描述容易地显而易见到本公开的以上特征和优点以及其他特征和优点。
附图说明
12.图1是用于评估电池单元组中的电池单元健康的系统的示意性图示，该系统具有控制器；图2是由图1的系统实施的方法的示意性流程图；图3是示例电池单元组的自放电曲线的示意图，其在竖直轴线上示出瞬时自放电率并在水平轴线上示出时间；以及图4是针对多个电池单元组获取的数据的示意性可视化，其中竖直轴线示出每个电池单元组的测量电压和预测电压之间的差并且水平轴线示出电池单元组的次序。
具体实施方式
13.参考附图，其中相似的附图标记指示相似的部件，图1示意性地图示用于评估电池包12的部分的健康的系统10。电池包12可用作可再充电能量存储设备14中的许多电池包中的一个。在一些实施例中，可再充电能量存储设备14位于电动车辆16中。电动车辆16可以是
移动平台，诸如但不限于乘用车、运动型多用途车、轻型卡车、重型车辆、atv、小型货车、公交车、过境车辆（transit vehicle）、自行车、移动机器人、农用设施（例如，拖拉机）、运动相关装备（例如，高尔夫球车）、船、飞机和火车。应理解的是，电动车辆16可采取许多不同的形式并且具有额外的部件。
14.参考图1，电池包12包括多个模块18，诸如第一模块20和第二模块22。多个模块18中的每个具有至少一个电池单元组24（此后省略“一个或多个”）。参考图1，电池单元组24由各个电池单元26组成。尽管在示例中电池单元组24包括三个相应的电池单元，但是每电池单元组的电池单元的数量、每模块的电池单元组的数量和每电池包的模块的数量可基于当前应用变化。
15.各个电池单元26可包括具有不同化学组成的电池单元，包括但不限于锂离子、锂-铁、镍金属氢化物和铅酸电池。电池包12首先制造为电极组，并且然后组装成各个电池单元26，电池单元26然后组装成多个模块18以形成电池包12。在电池单元组24组装成第一模块20和电池包12之后，针对电池单元组24的各种特性的测试变得更受约束且具有挑战性。
16.参考图1，系统10包括控制器c，该控制器c具有至少一个处理器p和至少一个存储器m（或非暂时有形计算机可读存储介质），至少一个存储器m上记录有用于在电池单元组24组装成第一模块20和电池包12之后执行用于评估电池单元组24的健康的方法100的指令。下面参考图2描述了方法100。存储器m能够存储可执行指令集，并且处理器p能够执行存储在存储器m中的指令集。
17.系统10考虑到周边或环境噪声因素以预测针对示例电池单元组的可接受的放电率。噪声因素可包括形成后的老化、在电池包级别上的电中性、在生产线终端（end-of-line）测量处的电荷水平、从模块组装（电池单元组24组装成第一模块20）到电池包组装（将多个模块18组装成电池包12）的电荷的变化、电池单元组24内的电荷的变化、形成温度、存储温度、在模块级别上的电中性、在各种阶段处的相应的测量精度以及校准事件。通过将预测的放电率与观察到的放电率相比较进行电池单元健康的准确评估。
18.系统10提供对电池包12中的各种电池单元组的鲁棒的监测而无需拆卸电池包12的部件，并且结果是对缺陷电池单元组的改善的检测。系统10可在电池包12在电动设备（诸如图1的电动车辆16）中使用之前实施。
19.参考图1，多个模块18中的每个可包括相应地嵌入其内的模块管理单元30。模块管理单元30配置为存储关于作为整体的模块或在模块中的各个电池单元26的一个或多个参数，诸如来自电池单元组24中的每一个的电压、模块电流和模块温度。类似地，电池包12可包括嵌入其内并适于测量/存储各种参数的包管理单元32。模块管理单元30和包管理单元32可适于与控制器c通过接口连接。
20.控制器c具体配置为执行方法100的框，并且可从一个或多个测量设备或传感器34接收输入。参考图1，传感器34可包括包传感器36、模块传感器38和电池单元组传感器40。传感器34可配置为获取关于温度、电压、电流、电荷的状态、容量、健康的状态和电池包12的不同部件的其他因素的数据。可采用本领域技术人员可获得的传感器技术。
21.参考图1，传感器34可经由无线网络42与控制器c通信，该无线网络42可以是短距离网络或长距离网络。无线网络42可以是通信总线，其可以呈串行控制器局域网（can-bus）的形式。无线网络42可以是使用无线分布方法链接多个设备的无线局域网（lan）、连接若干
无线lan的无线城域网（man）或覆盖诸如邻近城镇和城市的大区域的无线广域网（wan）。可采用其他类型的连接。
22.现在参考图2，示出用于评估电池单元组24的健康的方法100的流程图。方法100可存储在图1的控制器c上并且可由控制器c执行。方法100不需以在本文中记载的具体顺序应用，并且可动态地执行。此外，应理解的是，一些步骤可省略。如在本文使用的，术语“动态的”和“动态地”描述实时执行的步骤或过程，并且该步骤或过程的特征在于，在例程的执行期间或在例程的执行的迭代之间，监测或以其他方式确定参数的状态并且规律地或周期性地更新参数的状态。
23.根据图2的框102，控制器c经由传感器34获取相应平均电池单元组电压的数据系列。该数据系列遍及随时间开展的测试/诊断的若干阶段获取。数据系列包括在第一阶段处的第一阶段电池单元组电压（v1）、在第二阶段处的第二阶段电池单元组电压（v2）和在第三阶段处的第三阶段电池单元组电压（v3）。第一阶段发生在第二阶段之前，并且第二阶段发生在第三阶段之前。下表1分别示出在电池单元组24的组装之后，针对第一阶段、第二阶段、第三阶段和校准事件的时间线的非限制性示例。
24.表1第一阶段第二阶段第三阶段校准事件时间（天）15454660
25.在一个示例中，第一阶段对应于在电池单元组24被组装成第一模块20之前电池单元组24的开路电压。第二阶段可对应于第一模块20的组装的时间，即，当电池单元组24（和其他电池单元组）被组装以形成第一模块20时。第三阶段可对应于在电池包12被组装（即，当多个模块18被组装以形成电池包12时）之后的生产线终端（eol）测量。生产线终端（eol）测量指代一旦电池包12被组装，在达到生产线的终端之前完成的测量。
26.此外，根据图2的框102，控制器c部分地基于数据系列计算电池单元组24的预测电压（v
p
）。如下面描述的，预测电压（v
p
）用于根据预先限定的标准，在表征不可接受的设备和可接受的设备的相应数据集之间进行区分。预测电压（v
p
）至少是差异因子（δv）和第三阶段电池单元组电压（v3）之和。在一些实施例中，预测电压（v
p
）是差异因子（δv）和在第三阶段（v3）处的相应电压之和，并且使得：。
27.差异因子（δv）部分地取决于第一持续时间（t1）、第一常数集 (α, β, τ)和时间重置因子（time reset factor，f）的指数。在此，第一持续时间（t1）是在校准事件与第三阶段之间的时间。在一个示例中，第一持续时间（t1）在电池单元组24的制造之后约10天至16天之间。在一个示例中，第一常数集(α, β, τ)分别具有以下值：[0.5，-0.10，15]。在第一持续时间（t1）以天为单位的情况下，差异因子（δv）被计算为：。
[0028]
时间重置因子（f）取决于第一阶段电池单元组电压（v1）、第二阶段电池单元组电压（v2）、第三阶段电池单元组电压（v3）、第二持续时间（t2）、和重置常数（γ）。第二持续时间
（t2）是在第一阶段和第三阶段之间的时间。在一个示例中，第二持续时间（t2）在电池单元组的制造之后28天至32天之间。在一个示例中，重置常数（γ）为0.9。如果第二持续时间（t2）以天为单位，第一阶段电池单元组电压（v1）、第二阶段电池单元组电压（v2）和第三阶段电池单元组电压（v3）以毫伏为单位，则时间重置因子（f）可计算为：。
[0029]
在一些实施例中，预测电压（v
p
）是差异因子（δv）、在第三阶段处的相应电压（v3）、和休息时间调整因子（rest time adjustment factor）之和，使得：v
p
=δv+v
3 +休息时间调整因子。
[0030]
休息时间调整因子基于第一持续时间（t1）和第二常数集（a，b，c，d）。在一个示例中，第二常数集（a，b，c，d）具有以下值：[0.01、2.0e-06，-0.0005，-0.02]。休息时间调整因子被确定为：。
[0031]
可以使用本领域技术人员可获得的各种方法获取第一常数集(α, β, τ)、第二常数集（a，b，c，d）和重置常数（γ），包括但不限于，基于经验的回归模型、数值模拟、实验设计和机器学习模型。参考图1，控制器c可经由网络42从云单元或远程服务器44访问机器学习模型50。替代地，机器学习模型50可嵌入控制器c中。机器学习模型50可配置为查找参数、权重或最小化相应成本函数的结构。机器学习模型50可包括神经网络，诸如具有输入层、至少一个隐藏层和输出层的前馈人工神经网络。可以用电池单元组的训练集训练机器学习模型50，其中该训练集具有数据系列和可获得的预测电压的配对值，其被输入输入层中，使得输出层产生第一常数集(α, β, τ)、第二常数集（a，b，c，d）和重置常数（γ）。机器学习模型50可包含多个回归模型。
[0032]
可通过电池单元组24的自放电率的回归建模获取第一常数集(α, β, τ)。图3示出示例自放电率曲线的示意图。竖直轴线202示出瞬时自放电率（dv/dt），同时水平轴线204示出时间（t）。第一常数集包括早期循环常数（α）、晚期循环常数（β）和时间常数（τ）。自放电率可建模如下：。
[0033]
参考图3，在位置206处（对应于时间=0），自放电率对应于（dv/dt =α+ β）。在位置210处（对应于时间接近无穷大），自放电率对应于（dv/dt =β）。时间常数（τ）连接早期循环常数（α）和晚期循环常数（β）。参考图3，在位置208处（对应于时间t = τ），早期循环常数（α）对自放电率的贡献下降了63.2％。在一个示例中，第一阶段被选择为在时间t = τ之前或在时间t = τ处。例如，线212（在时间t = τ之前发生）可对应于第一阶段。
[0034]
现在参考图2，根据框104，控制器c在第三阶段之后发生的校准事件处获取电池单元组24的测量电压（vm）。在一些实施例中，校准事件设置为在第三阶段之后7至21天之间。在一些实施例中，校准事件设置为在第三阶段之后恰好14天。然后，方法100前进至框104。
[0035]
根据框106，控制器c配置为确定预测电压（v
p
）是否小于或等于测量电压（vm）。至少
部分地基于测量电压（vm）与预测电压（v
p
）之间的差控制电池单元组24的操作。如果预测电压（v
p
）小于或等于测量电压（vm），则方法100前进至框108，在框108处控制电池单元组24包括将电池单元组24标记为可接受使用，并且方法100终止。如果预测电压（v
p
）大于测量电压（vm），方法100前进至框110，在框110控制电池单元组24包括指派电池单元组24进行进一步评价，并且方法100终止。换言之，控制器c可编程为运行进一步的诊断测试和/或确定补救措施是否必要。
[0036]
现在参考图4，示出在数据集中针对多个电池单元组获取的数据的示意性可视化。竖直轴线302示出预测电压（v
p
）与测量电压（vm）之间的差。水平轴线304示出电池单元组的次序。水平轴线以时间（以天为单位）绘制。线306指示预测电压（v
p
）等于测量电压（vm）的位置。参考图4，落入第一数据集308（限定为在线306处或在线306之上）的测试电池单元组被认为是可接受的，并且落入第二数据集310（限定为在线306之下）的测试电池单元组被认为是不可接受的。
[0037]
总之，系统10（经由方法100的执行）考虑了环境噪声因素，包括在组装过程和上游电池单元生产过程二者期间影响电池单元的因素。系统10减少了电池单元组24的评价时间，这相应地降低了电池包12的制造成本。系统10改善了电池包12中的缺陷电池单元组的检测。因此，系统10改善了电池包12的功能。
[0038]
图2中的流程图图示根据本公开的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。就此而言，流程图或框图中的每个框可表示代码的模块、节段或部分，其包括用于实施所明确说明的逻辑功能的一个或多个可执行指令。还应注意的是，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合，可由执行所明确说明的功能或动作的基于专用硬件的能量系统实施，或者由专用硬件和计算机指令的组合实现。这些计算机程序指令还可存储在计算机可读介质中，该计算机可读介质可指示控制器或其他可编程数据处理装置以特定方式运行，使得存储在计算机可读介质中的指令产生包括指令的制品，以实施在流程图和/或框图框中明确说明的功能/动作。
[0039]
控制器c包括计算机可读介质（也被称为处理器可读介质），包括参与提供可由计算机（例如，由计算机的处理器）读取的数据（例如，指令）的非暂时（例如，有形）介质。这样的介质可采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可包括，例如，光盘或磁盘及其他永久存储器。易失性介质可包括，例如，动态随机存取存储器（dram），其可构成主存储器。这样的指令可由一个或多个传输介质传输，传输介质包括同轴线缆、铜导线和光学纤维，包括包含联接到计算机的处理器的系统总线的导线。计算机可读介质的一些形式包括，例如，软盘、软磁盘、硬盘、磁带、其他磁介质，cd-rom、dvd、其他光学介质，穿孔卡片、纸带、其他带有孔的式样的物理介质，ram、prom、eprom、flash-eeprom、其他存储器芯片或盒式磁带，或者计算机可从其读取的其他介质。
[0040]
本文描述的查找表、数据库、数据储存库或其他数据存储可包括用于存储、访问、和取回各种类型的数据的各种类型的机构，包括分层式数据库、在文件能量系统中的文件集、呈专有格式的应用数据库、关系数据库能量管理能量系统（rdbms）等。每个这样的数据存储可被包括在采用计算机操作系统（诸如上文提到的那些中的一个）的计算设备内，并且可以经由网络以多种方式中的一个或多个访问。文件系统可以是能够从计算机操作能量系统访问的，并且可包括以各种格式存储的文件。除了用于创建、存储、编辑和执行存储的过
程的语言之外，rdbms还可采用结构查询语言（sql），诸如上文提到的pl/sql语言。
[0041]
详细描述和图示或附图对本公开是支持性和描述性的，但是本公开的范围仅由权利要求限定。尽管已经详细描述了用于执行要求保护的公开内容的最佳模式和其他实施例中的一些，但是仍存在用于实现在所附权利要求中限定的本公开的各种替代设计和实施例。此外，在附图中示出的实施例或本说明书中提到的各种实施例的特征不必然被理解为彼此独立的实施例。而且，可能的是，在实施例的示例中的一个中描述的特征中的每个能够与来自其他实施例的其他期望特征中的一个或多个组合，从而得到未在文字中或未参考附图描述的其他实施例。因此，这样的其他实施例落入所附权利要求的范围的框架内。